最近按当前筛选整理了一波面经，这次挑了 10 篇相对值得复盘的内容，方便刷题和回看。1. 快手｜AI应用开发｜一面日期：2026-05-07关键词：快手面经难度：5 星标签：技术面 / 有代码题技术栈：Agent、Multi-Agent、MCP、Skill、Function Call、上下文工程、上下文压缩、短期记忆面经总结本场一面重点深挖AI Agent应用能力，尤其是多智能体、工具调用、上下文压缩与记忆架构设计，并考察了一道经典算法题。高频问题【Agent与工具调用】介绍多智能体范式以及各自优缺点。【Agent与工具调用】聊聊你对MCP的理解。【Agent与工具调用】是否了解Skill，介...

鹅厂面经网上最全整理最近按当前筛选整理了一波面经，这次挑了 15 篇相对值得复盘的内容，方便刷题和回看。1. 腾讯｜AI应用开发后端实习生｜未知日期：2026-04-24关键词：Agent面经难度：4 星标签：技术面 / 约55分钟 / 有代码题技术栈：Agent、RAG、后端开发、DFS、设计模式面经总结面试重点围绕AI应用后端项目深挖，考察多Agent编排、失败重试与金融安全场景设计，并涉及RAG知识库热更新和基础算法题。高频问题【项目经验深挖】XX有没有正式用户使用？为什么没有上线？【Agent与工具调用】多agent怎么编排？具体流程？【AI/大模型/LLM】训练样本哪里来的？有无模型...

#腾讯2025实习生招聘##腾讯##发面经攒人品#最近按当前筛选整理了一波面经，这次挑了 8 篇相对值得复盘的内容，方便刷题和回看。## 1. 腾讯｜AI应用开发后端实习生｜未知- 日期：2026-04-24- 关键词：Agent面经- 难度：4 星- 标签：技术面 / 约55分钟 / 有代码题- 技术栈：Agent、RAG、后端开发、DFS、设计模式### 面经总结面试重点围绕AI应用后端项目深挖，考察多Agent编排、失败重试与金融安全场景设计，并涉及RAG知识库热更新和基础算法题。### 高频问题1. 【项目经验深挖】XX有没有正式用户使用？为什么没有上线？2. 【Agent与工具调用】...

最近按当前筛选整理了一波面经，这次挑了 8 篇相对值得复盘的内容，方便刷题和回看。1. 蚂蚁｜暑期实习｜未知日期：2026-04-24关键词：Agent面经难度：4 星标签：技术面技术栈：Java、Spring Boot、AOP、JDK 8、G1、ZGC、MySQL、Redis面经总结本场面试以 Java 后端基础、数据库与网络场景题、AI Agent 项目深挖及 AI Coding 认知为核心。高频问题【并发与多线程】线程池的核心构造参数有哪些？【并发与多线程】一个有队列的线程池，请求不断进来，说说线程池内部的执行逻辑？【编程语言特性】平时用什么 JDK 版本？【操作系统】JDK 8 的垃圾...

见评论区 https://www.nowcoder.com/discuss/876775577963851776

都是楼主亲自手动复制粘贴准备的~题目数量：20关键词：Agent开发粗分类：全部难度：全部1. 选择题关于数据结构中的堆（Heap），下列说法正确的是：A. 堆通常使用完全二叉树实现；在最大堆中，任一节点的值都不小于其子节点的值B. 堆是一种严格有序结构，因此对堆进行中序遍历一定能得到全局有序序列C. 最小堆中，任一节点的左子树所有节点都小于右子树所有节点D. 堆必须使用链式存储，不能使用数组高效实现2. 选择题在 Linux 中，命令 ps -ef | grep java 最常用于完成以下哪项操作？A. 查看当前系统中与 java 相关的进程信息B. 统计 java 目录下文件的磁盘占用情况...

#面经# #大模型# #算法# 

MOE 负载均衡损失函数及其数学原理?如何优化负载均衡的计算效率？门控机制优化，分布式环境下实现高效的门控计算，减少通信开销？推导 MoE 稀疏激活带来的计算复杂度优势？当专家数量增加到 1000 + 时，如何优化路由算法的延迟？训练稳定性与优化，解释专家并行 (Expert Parallelism) 和张量并行 (Tensor Parallelism) 在 MoE 中的协同工作原理。解释 Soft MoE 和 Hard MoE 的区别，为什么 Hard MoE 在实际应用中更常见？当专家数量超过可用 GPU 数量时，如何设计高效的专家调度策略？

什么是MOE（混合专家模型）？其核心设计思想是什么？DeepSeek MOE是哪家公司的产品？其架构设计有哪些特色？门控网络（Gating Network）的作用是什么？如何解决MOE中专家负载不均衡问题？在分布式训练中，MOE如何实现专家参数的高效更新？DeepSeek MOE如何优化长序列场景下的推理效率？如何评估MOE模型的稀疏性效率？请列举至少2个指标。若设计多模态MOE模型，门控网络应如何融合图像/文本特征？若MOE推理时出现“专家选择震荡”，如何解决？

XGBoost 为什么比传统 GBDT 快？XGBoost 的目标函数推导？如何用 XGBoost 处理不平衡分类问题？特征工程中，如何处理高维稀疏特征？特征工程中，为什么要对连续特征离散化？Uplift 模型评估指标有哪些？如何计算？Uplift 模型与传统分类模型的核心区别？因果推断中，混淆变量（Confounder）和中介变量（Mediator）的区别？因果推断中，若无法获取随机对照数据（RCT），如何估计因果效应？特征工程中，如何量化特征与目标变量的因果关系（非相关性）？

1. 基础概念题：什么是大模型核心加速技术中的 “算子融合”？举例说明其作用。答案要点：算子融合是将多个连续计算算子合并为一个，减少计算图中的节点数和显存读写次数，降低延迟。举例：如将 Transformer 中的 Add（残差连接）与 RMSNorm（归一化）融合，减少两次内存访问，提升推理速度。2. 技术原理题：Flash Attention V2 如何优化注意力计算效率？与 V1 的核心区别是什么？答案要点：• V1：通过分块计算注意力，减少显存占用（避免存储所有中间键值对）。• V2：引入 “内外循环交换策略”，将矩阵乘法的循环顺序调整为更适合 GPU 并行计算的模式，进一步提升计算效率，尤其在长序列场景下加速明显。3. 量化技术中，FP8、INT4 AWQ、INT4-FP8 AWQ 的适用场景和压缩率有何差异？4. RAG 系统中，文档切分粒度如何影响检索和生成效果？实际中如何确定最优粒度？5.在长序列推理场景中，PagedAttention 和 Prefix Caching 分别解决什么问题？如何配合使用？答案要点：• PagedAttention：将 KV Cache 分块存储在非连续显存中，避免显存碎片，支持处理超长序列（如百万 Token）；• Prefix Caching：缓存历史对话的 KV 对，跨请求复用，减少重复计算（如多轮对话中复用上文缓存）。配合逻辑：PagedAttention 解决显存限制，Prefix Caching 减少计算量，两者结合可提升长对话场景的效率和稳定性。6. 在企业级推理场景中，如何根据需求选择量化方案？举例说明短文本高并发和长文本场景的优化策略。实时客服系统用 INT4 量化加速响应；金融报告生成场景用 FP8+PagedAttention 处理数千 Token 输入。

简述 Transformer 多头注意力机制理解词间关系的原理。​训练 Transformer 时，如何解决梯度消失或梯度爆炸问题？​GPT 等模型对 Transformer 结构做了哪些改进以提升生成效果？​如何优化 Transformer 模型预测速度？​说明 RAG 结合外部知识库与大语言模型提升回答准确性的机制。​用 RAG 构建问答系统时，如何处理检索内容不相关或不全的问题？​如何确定 RAG 系统中文档的合适切分粒度？​当 RAG 系统知识库数据量大、检索慢时，有哪些提速方法？​如何协同使用 Transformer 与 RAG 以发挥最佳效果？​用 RAG 优化模型回答，有哪些实用...