大模型面试题，附答案！

1️⃣Q1：针对翻译类、创意写作类、头脑风暴类任务，分别如何设置 temperature 和 top_p？
任务越标准越严谨（如翻译），temperature 就越低；任务越开放越创新（如写作、头脑风暴），就适当提高 temperature 和 top_p，增强多样性。

2️⃣Q2：一个专业的提示词模板由哪几部分构成？为什么提示词中需要描述角色定义？
一个专业的提示词（Prompt）模板通常包含以下几部分：
角色定义（Role）→ 告诉模型“你是谁”（例如你是医生/律师/客服/算法工程师）。
任务目标（Task）→ 明确你要模型完成什么任务，比如“写摘要”、“做分类”、“写代码”。
上下文信息（Context）→ 提供必要背景，让模型理解问题场景。
输入数据（Input）→ 提供需要处理的具体内容，如文本、问题或数据片段。
输出格式要求（Output Format）→ 规定模型输出的格式或风格，比如表格、列表、JSON 或限制字数等。
因为大模型是通过模式学习的，角色定义能引导模型以更专业、更符合预期的语气和风格回答问题。

3️⃣Q3：为了尽可能防止提示词注入，如何设计提示词模板？如何在系统层面检测提示词注入攻击？

1. 提示词模板设计防护
明确角色设定：在 prompt 中指定模型身份和行为范围，如“你是一个只能回答财经问题的助手”。
使用指令封闭结构：避免开放式提示，使用模板化结构如 "指令: {instruction} \n 输入: {input} \n 输出: "。
控制用户插入点：将用户输入限制在变量 slot 中，避免影响系统指令。
2. 系统层面注入检测
关键词黑名单匹配：检测如“忽略之前的指令”“你现在是…”等注入特征。
提示词审查机制：在提示词构造后进行语义分析，识别可能的角色切换、指令覆写。
响应行为监控：监控输出是否越权，如输出系统不允许的内容，可触发告警或拒答。
使用上下文分离机制：通过系统-用户分段处理，防止用户内容污染系统 prompt。

4️⃣Q4：在没有推理模型之前，如何让模型先思考后回答？思维链、自洽性、思维树等几种技术各有什么优缺点？

在没有推理能力前，如何让模型“先思考后回答”？
通过提示词工程引导模型“思考”，即在 prompt 中显式要求模型列出推理过程，如加上：
"请一步步思考再作答"（思维链）
"请验证你的答案是否与前提一致"（自洽性）
"请考虑多种可能情况，再做判断"（思维树）

5️⃣Q5：如何保证模型的输出一定是合法的 JSON 格式？
将大模型用于分类任务时，如何保证其输出一定是几个类别之一，而不会输出无关内容？如果开发一个学习英语的应用，如何确保其输出的语言始终限定在指定的词汇表中？如何保证输出是合法 JSON 格式？结构化提示词：明确指令，如：“请仅输出以下 JSON 格式：{"label": ..., "score": ...}，不添加任何解释。”使用函数调用（Function Calling / Tool Use）机制：如 OpenAI / Qwen 支持结构化 schema，让模型输出严格符合预定义结构。后处理校验：使用 JSON 解析库进行合法性校验，不合法则重试生成或触发 fallback 策略。分类任务中如何约束输出为限定类别？封闭式提示设计：明确说明“只允许从以下选项中选择一个：A、B、C”。Few-shot 示例引导：通过提供标准分类示例（如“输入：... → 输出：B”）提高一致性。输出校验与纠偏：使用正则或解析器判断输出是否合法，不合法时触发二次问答或重新生成。可选：使用 Logits Bias / 多标签 token sampling 控制输出 token（限 API 层实现）英语学习应用中如何限制词汇范围？词汇表内提示约束：在提示中加入说明：“请仅使用以下词汇表中的单词作答”，并附上词表。使用词表检索后重写（Constrained decoding）：结合规则或重写策略，将非词表内词替换或拒答。训练或微调阶段加入词表限制示例：增强模型对“词汇边界”的理解。结合语法校正模块二次过滤：检测并剔除越界词汇。

5️⃣Q5：如果我们需要生成小说的标题、角色描述和故事梗概，当单次模型调用生成效果不佳时，如何分步生成？
可以采用分步生成策略，分阶段控制质量与连贯性：分步流程设计：Step1：生成小说主题或关键词Step2：基于主题生成小说标题Step3：根据标题设定角色Step4：生成故事梗概优点：更高控制力：每步可加入人工或规则约束，确保输出质量。提升上下文一致性：逐步构建世界观，避免信息混乱。易于纠错与重试：某一步生成不佳时，仅重试该步。

6️⃣Q6：如果用户跟模型对话轮次过多，超出了模型的上下文限制，但我们又希望尽可能保留用户的对话信息，该怎么办？
信息摘要：对早期对话进行摘要压缩，保留核心内容，如用户目标、偏好、历史提问等。结构化记忆：将对话转为结构化格式存入外部 memory，后续构建 prompt 时引用这些结构化内容，而非逐轮堆叠原始对话。轮次截断：固定保留最近 N 轮对话，加上摘要或记忆，构成上下文窗口。外部记忆+RAG 机制：将历史对话存入向量数据库，用户提问时检索相关历史片段，再拼接进 prompt。

7️⃣Q7：如何编写一个智能体，帮助用户规划一次包含机票预订、酒店安排和景点游览的旅行？需要配置哪些工具？
如何确保系统在面对不完整或矛盾的信息时仍能提供合理建议？采用基于工具调用的智能体架构用户输入 → 智能体分析任务意图 → 规划任务流程 → 多工具调用 → 整合回复结果
📳对于想求职算法岗的同学，如果想参加高质量项目辅导，提升面试能力，欢迎后台联系。