华为AI 实习面经 攒人品

孩子是浙大本硕，想投华为的AI应用工程师暑期实习岗。在校内论坛找了一下没有这方面部门的内推链接，想请问一下万能的牛友是否有哪个部门招这个岗位的实习生并且能给我内推链接的，救救孩子吧，谢谢啦！！！如果hc多多的话就更好啦，已经被互联网挂怕了

前言在开始分享具体的面试题之前，我想先给这份面经定个调，我更愿意称之为“方向”。它不是什么万能宝典，而是专门写给这样一群人（基础可以，算法不行）的：学历背景扎实： 公立一本毕业，双证齐全（学信网可查，硬门槛）身份纯粹： 校招赛道，应届生身份基础过关： 已经熟悉一门编程语言（无论Java、C++、Python还是Go，或者其它，只要不是邪门语言），具备最基本的开发素养计算机素养： 具备基本的计算机功底——哪怕你不是科班出身。比如我自己就是数学专业，像数据结构、操作系统、网络这些核心素养，都是靠自学补上的；如果你是科班出身，那这一条本该就是你的本能 写这份面经之前，得先提一个人——栗栗姐（...

给我面没招了，感觉自己好菜、面试很难，还是要多多练习1.项目拷打2.你的知识库数据是如何清洗和构造的？如果数据质量参差不齐会对 RAG 系统产生哪些影响？3.文档切分策略是如何设计的？chunk size 和 overlap 会如何影响召回质量和生成效果？4.如果用户的问题在知识库中确实存在，但系统经常没有召回正确文档，你会如何排查？5.如果检索到的文档是正确的，但模型最终生成的答案仍然是错误的，你会如何定位问题？6.实际系统中，如果召回结果经常语义相似但事实不相关，你会如何优化检索模块？7.如果一个问题需要跨多个文档的信息才能回答，你的 RAG 系统如何处理这种情况？8.在 RAG 系统中如何判断问题出在检索模块还是生成模块？9.请详细说明 Transformer 从输入 token 到输出 logits 的完整计算流程。10.FFN 层为什么采用“先升维再降维”的结构，这种设计对模型表达能力有什么作用？11.MHA、MQA、GQA 在推理阶段的 KV Cache 占用和计算效率上有什么差异？12.为什么推理阶段 KV Cache 只缓存 K 和 V，而不缓存 Q？13.RoPE 的核心原理是什么，它在长上下文场景下会遇到什么问题？14.instruction tuning 中多轮对话数据训练时，loss mask 应该如何设计？15.如果 SFT 之后模型在特定任务上能力增强，但通用能力明显下降，你会如何解决？16.LoRA 的低秩分解为什么能够逼近全参数微调的效果？17.如果 LoRA 的 rank 设置不合理，在模型表现上会出现什么现象？18.DPO 训练后模型输出明显变长，在实际系统中你会如何处理？19.如果对齐之后模型变得过于保守，经常拒绝回答，你会如何调整训练策略？20.大模型出现复读机现象通常由哪些因素导致？

1. 大模型应用与提示工程高级提示工程：掌握思维链 (CoT)、少样本学习 (Few-shot)、角色设定等技巧，引导模型进行复杂推理。函数调用 (Function Calling)：这是连接 LLM 与外部工具的关键协议。你必须精通如何定义和描述工具，并解析模型的调用请求。结构化输出：学会约束模型输出 JSON 等特定格式，这对于后续的自动化处理至关重要。2. RAG (检索增强生成) 系统RAG 是解决大模型知识滞后和幻觉问题的核心方案，也是 Agent 获取私有知识的主要方式。数据处理：学习如何清洗、结构化你的私域数据（知识治理）。混合检索：掌握将向量检索（语义理解）与关键词检索（BM25）相结合的方案，提升检索的精准度。RAG 优化：了解并实践查询改写 (Query Rewriting)、引入重排序 (Rerank) 模型、文档切片等优化手段。评估体系：学会使用 Ragas、TruLens 等框架，通过忠实度、上下文召回率等指标来量化和迭代你的 RAG 系统。