快手 快star 大模型应用 一面凉经

想入行AI领域，选对公司很关键，既有深耕大模型的头部科技大厂，也有专注垂直场景的专精特新企业，不同类型公司适配不同职业阶段，应届生和职场人都能找到合适方向。头部互联网大厂是首选，比如百度(文心大模型、AI原生应用)、腾讯(混元大模型、AI云服务)、阿里(通义千问、AI商业化落地)，这类平台资源充足、技术构完善，适合想深耕核心AI技术、积累大厂履历的求职者，岗位覆盖算法、研发、产品、运营全链路。垂直AI独角兽企业潜力十足，像字节跳动(豆包、AI内容生态)、科大讯飞(智能语音、教育AI)、商汤科技(计算机视觉、Al Infra)，这类公司聚焦AI细分赛道，项目实操性强，成长速度快，适合想快速落地AI项目、提升专项能力的人。跨界布局AI的优质企业也值得关注，比如华为(腾AI芯片、盘古大模型)、理想/蔚来(智能驾驶AI)，还有各类AI Agent、RAG落地的初创公司，岗位缺口大、试错空间足，适合原意挑战新赛道、追求快速晋升的求职者。投递前建议结合自身技术栈和职业规划筛选，技术岗侧重算法、模型研发，非技术岗可关注AI产品、Al运营，优先选择业务落地成熟、有持续技术投入的公司，求职成功率和长期发展更有保障。

1. 自我介绍2. 讲一下你做过的项目，重点说说一个最有挑战的点3. shared_ptr 性能优于 unique_ptr 的原因是什么答案：严格来说，这个说法通常是不成立的。unique_ptr 一般比 shared_ptr 更轻，因为它只有独占所有权，不需要维护引用计数，也没有额外控制块的原子增减开销。shared_ptr 的优势不是“更快”，而是适合共享所有权场景，多个对象都需要安全持有同一资源时，它能减少手动管理生命周期带来的错误。所以如果对象所有权天然唯一，优先用 unique_ptr；只有当共享所有权确实是业务需要时，才考虑 shared_ptr。面试里如果对方故意这么问，比较好的...

岗位：大模型问：什么场景需要GraphRAG？答：GraphRAG（知识图谱增强检索增强生成）的核心价值是结构化挖掘数据关联、提升复杂问答的精准性与可解释性，适用于以下三类核心场景：复杂关联推理类问答场景比如企业知识库问答、金融风控分析、医疗病例诊断，需要从海量非结构化数据（文档、报告、病历）中挖掘多实体、多维度的隐藏关联，回答 “某产品的上下游供应链中，哪些企业存在合规风险” 这类需要多步推理的问题，比传统向量检索更精准。需要可解释性的专业领域场景比如法律条文解读、科研文献分析、政务决策支持，要求生成的答案能追溯来源、明确推理路径。GraphRAG 可基于知识图谱的实体关系，清晰展示 “结论 - 证据 - 关联逻辑”，满足专业领域对可信度和可解释性的要求。大规模知识图谱构建与更新场景比如电商商品知识图谱、教育领域知识点图谱，需要自动从非结构化文本中抽取实体、关系，构建并动态更新图谱，同时结合检索生成，实现 “图谱 + 文本” 的混合问答，解决纯向量检索无法处理的结构化知识查询问题。总结来说，当业务需要突破传统检索的 “关键词匹配” 局限，实现深度关联推理和可解释性问答时，就适合用 GraphRAG。

给我面没招了，发点面经攒攒人品～1.项目拷打2.语义漂移吗？如果遇到罕见病，模型产生‘幻觉对齐’导致误操，有没有方案去做兜底3.在医疗决策里，‘兴趣’是伪命题，‘合规’才是核心。用常规的DIN是做用户兴趣建模，但把DIN 里的激活单元改成了双线性交互这会不会导致模型对‘强特征’（如过敏史）的敏感度被‘软语义’稀释？4.知识库里既有权威指南又有脱敏病例。当这两者发生逻辑冲突时（比如新版指南否定了旧病例的方案），路由机制是怎么做确定性仲裁的？5.说的算子融合具体是怎么做的6.做生成式推荐重构，LLM虽然语义理解强，但天生带有选择偏见（。在冷启动场景下，怎么保证模型生成的物料序列不会陷入‘信息茧房’？7.手术机器人的环境是很复杂的，比如它组织形变是不规则的。你提到的不确定性感知），具体是基于传统的卡尔曼滤波还是基于大模型的分层鲁棒控制？当模型预测的8.动作序列与传感器实时反馈发生显著偏离，怎么实现毫秒级的安全制动9.用Pseudo-ID做时序追踪，但如果攻击者通过多维病理特征进行逆向重构，Embedding层做了哪些差分隐私处理10.手撕：Transformer block实现