AI ENGINEERING INTERVIEW LAB

AI 工程师面试题库

从公开面经整理的完整中文版本。先按模块与频率定位重点，再用“查看问题 → 显示答案”完成主动回忆。

598道题目

35家公司

13个模块

7道高频题

搜索题目、公司或关键词

重要程度

How does Byte Pair Encoding work, and what are its failure modes (numbers, code, non-Latin scripts)?

Alibaba (Qwen)Sarvam AIHugging Face

显示答案

原题库没有内嵌答案，下面保留了作者整理的参考资料。建议先口述你的答案，再打开资料核对。

原题库参考资料 字节对编码Byte Pair Encoding↗ 大型语言模型 (LLM) 中的分词Tokenization in Large Language Models (LLMs)↗ LLM 中的代币化Tokenization in LLMs↗

#8 中频 3 家 · Meta (Superintelligence Labs, FAIR, Llama) / Moonshot AI (Kimi) / Alibaba (Qwen) 收起问题

QUESTION

解释 RoPE 以及位置插值/YaRN 如何将上下文扩展到训练长度之外。

Explain RoPE and how position interpolation / YaRN extend context beyond the trained length.

Meta (Superintelligence Labs, FAIR, Llama)Moonshot AI (Kimi)Alibaba (Qwen)

显示答案

原题库没有内嵌答案，下面保留了作者整理的参考资料。建议先口述你的答案，再打开资料核对。

原题库参考资料 RoPE（旋转位置嵌入）背后的数学原理Math Behind RoPE (Rotary Position Embedding)↗

#12 中频 3 家 · Google DeepMind and Google AI / Apple / Perplexity 收起问题

QUESTION

比较贪婪、波束搜索、top-k、top-p 和温度采样。每个何时失败？

Compare greedy, beam search, top-k, top-p and temperature sampling. When does each fail?

Google DeepMind and Google AIApplePerplexity

显示答案

原题库没有内嵌答案，下面保留了作者整理的参考资料。建议先口述你的答案，再打开资料核对。

原题库参考资料 温度如何控制LLM输出？How does Temperature control LLM output?↗ Top-k 和 Top-p 采样如何工作？How do Top-k and Top-p Sampling work?↗

#1 中频跨公司通用题收起问题

QUESTION

What is positional encoding in transformers, and how has it evolved (sinusoidal → learned → RoPE → ALiBi)?

显示答案

原题库没有内嵌答案，下面保留了作者整理的参考资料。建议先口述你的答案，再打开资料核对。

原题库参考资料 LLM 中的位置嵌入Positional Embeddings in LLMs↗ RoPE（旋转位置嵌入）背后的数学原理Math Behind RoPE (Rotary Position Embedding)↗

#9 中频 2 家 · Anthropic 收起问题

QUESTION

Why is LayerNorm placed pre-block in modern transformers, and what is RMSNorm?

显示答案

原题库没有内嵌答案，下面保留了作者整理的参考资料。建议先口述你的答案，再打开资料核对。

原题库参考资料 RMSNorm（均方根层归一化）RMSNorm (Root Mean Square Layer Normalization)↗

#15 中频 2 家 · Meta (Superintelligence Labs, FAIR, Llama) 收起问题

QUESTION

解释 SwiGLU 以及为什么门控激活在现代 LLM MLP 模块中取代了 ReLU/GELU。

Explain SwiGLU and why gated activations replaced ReLU/GELU in modern LLM MLP blocks.

Meta (Superintelligence Labs, FAIR, Llama)

显示答案

原题库没有内嵌答案，下面保留了作者整理的参考资料。建议先口述你的答案，再打开资料核对。

原题库参考资料 LLM中的前馈网络Feed-Forward Networks in LLMs↗

#16 中频 2 家 · Anthropic 收起问题

QUESTION

带领我了解在仅解码器变压器的一次前向传递中，一个张量一个张量地发生了什么。

Walk me through what happens, tensor by tensor, in one forward pass of a decoder-only transformer.

Anthropic

显示答案

原题库没有内嵌答案，下面保留了作者整理的参考资料。建议先口述你的答案，再打开资料核对。

原题库参考资料 解码 Transformer 架构Decoding Transformer Architecture↗

#132 专项 1 家 · Anthropic 收起问题

QUESTION

Transformer 模型的关键组件是什么？为什么每个组件都很重要？

What are the key components of a Transformer model and why does each matter?

Anthropic

显示答案

原题库没有内嵌答案，下面保留了作者整理的参考资料。建议先口述你的答案，再打开资料核对。

原题库参考资料 解码 Transformer 架构Decoding Transformer Architecture↗

#133 专项 1 家 · Anthropic 收起问题

QUESTION

What breaks when you scale LLM training from 8 GPUs to thousands, and how do modern stacks deal with it?

Meta (Superintelligence Labs, FAIR, Llama)

显示答案

原题库暂未提供参考答案。建议按「定义 → 原理 → 权衡 → 工程指标 → 验证方法」组织回答。

#247 专项 1 家 · Mistral AI 收起问题

QUESTION

Mistral 7B 附带了分组查询注意力和滑动窗口注意力。每种产品能为你购买什么？每种产品的价格是多少？

Mistral 7B shipped with grouped-query attention and sliding-window attention. What does each buy you, and what does each cost?

Mistral AI

显示答案

原题库没有内嵌答案，下面保留了作者整理的参考资料。建议先口述你的答案，再打开资料核对。

原题库参考资料 分组查询注意力Grouped Query Attention↗ 滑动窗口注意力是如何工作的？How does Sliding Window Attention work?↗

#248 专项 1 家 · Mistral AI 收起问题

QUESTION

解释 Mixtral 风格的稀疏专家混合模型的工作原理。为什么~47B 参数模型的运行成本大约是~13B 参数模型的运行成本？

Explain how a Mixtral-style sparse mixture-of-experts model works. Why does a ~47B-parameter model run at roughly the cost of a ~13B one?

Mistral AI

显示答案

原题库没有内嵌答案，下面保留了作者整理的参考资料。建议先口述你的答案，再打开资料核对。

原题库参考资料 混合专家（MoE）解释Mixture of Experts Explained↗

#255 专项 1 家 · Cohere 收起问题

QUESTION

我们的旗舰产品是稀疏 MoE，其总数比活动参数多约 10 倍。为什么该架构非常适合私营企业部署？它的缺点在哪里？

Our flagship is a sparse MoE with ~10x more total than active parameters. Why is that architecture a good fit for private enterprise deployment, and where does it hurt?

Cohere

显示答案

原题库没有内嵌答案，下面保留了作者整理的参考资料。建议先口述你的答案，再打开资料核对。

原题库参考资料 混合专家（MoE）解释Mixture of Experts Explained↗

#264 专项 1 家 · DeepSeek 收起问题

QUESTION

带我了解一下 DeepSeekMoE。它与像 Mixtral 这样的标准 top-2 MoE 有什么不同？

Walk me through DeepSeekMoE. How is it different from a standard top-2 MoE like Mixtral?

DeepSeek

显示答案

原题库没有内嵌答案，下面保留了作者整理的参考资料。建议先口述你的答案，再打开资料核对。

原题库参考资料 混合专家（MoE）解释Mixture of Experts Explained↗ DeepSeek-V4 架构解释DeepSeek-V4 Architecture Explained↗

#265 专项 1 家 · DeepSeek 收起问题

QUESTION

What is Multi-Token Prediction (MTP), why add an MTP layer, and how does it help at inference time?

Zhipu AI (GLM)

显示答案

原题库暂未提供参考答案。建议按「定义 → 原理 → 权衡 → 工程指标 → 验证方法」组织回答。

#288 专项 1 家 · Zhipu AI (GLM) 收起问题

QUESTION

Walk me through what actually happens when someone calls AutoModelForCausalLM.from_pretrained(…, device_map=“auto”, torch_dtype=“auto”).

Hugging Face

显示答案

原题库暂未提供参考答案。建议按「定义 → 原理 → 权衡 → 工程指标 → 验证方法」组织回答。

#431 专项 1 家 · Hugging Face 收起问题

QUESTION

比较 BPE、WordPiece 和 Unigram 分词。为什么分词器是用 Rust 编写的，以及在实践中哪些分词器错误会困扰人们？

Compare BPE, WordPiece and Unigram tokenization. Why is tokenizers written in Rust, and what tokenizer bugs bite people in practice?

Hugging Face

显示答案

原题库没有内嵌答案，下面保留了作者整理的参考资料。建议先口述你的答案，再打开资料核对。

原题库参考资料 字节对编码Byte Pair Encoding↗ 大型语言模型 (LLM) 中的分词Tokenization in Large Language Models (LLMs)↗ LLM 中的代币化Tokenization in LLMs↗

#432 专项 1 家 · Hugging Face 收起问题

QUESTION

聊天模板可以解决什么问题，如果忽略它们会出现什么问题？

What problem do chat templates solve, and what goes wrong when they're ignored?

Hugging Face

显示答案

原题库暂未提供参考答案。建议按「定义 → 原理 → 权衡 → 工程指标 → 验证方法」组织回答。

#525 专项 1 家 · Character.AI 收起问题

QUESTION

对话经过上下文窗口。你保留什么，你如何决定？

A conversation runs past the context window. What do you keep, and how do you decide?

Character.AI

Compare tensor, pipeline, data, sequence and expert parallelism. When do you combine them?

Google DeepMind and Google AIMeta (Superintelligence Labs, FAIR, Llama)Amazon (AWS)NVIDIA

显示答案

原题库暂未提供参考答案。建议按「定义 → 原理 → 权衡 → 工程指标 → 验证方法」组织回答。

#28 中频 4 家 · Microsoft / Amazon (AWS) / NVIDIA… 收起问题

QUESTION

你如何将 LLM 服务成本降低 10 倍？枚举每个杠杆并对它们进行排名。

How would you cut LLM serving cost by 10x? Enumerate every lever and rank them.

MicrosoftAmazon (AWS)NVIDIACursor (Anysphere)

显示答案

原题库没有内嵌答案，下面保留了作者整理的参考资料。建议先口述你的答案，再打开资料核对。

原题库参考资料 LLM 推理优化LLM Inference Optimization↗ LLM 推理优化LLM Inference Optimization↗

#29 中频 4 家 · OpenAI / Amazon (AWS) / Databricks… 收起问题

QUESTION

What is chunked prefill, and why does it improve tail latency under mixed traffic?

显示答案

原题库暂未提供参考答案。建议按「定义 → 原理 → 权衡 → 工程指标 → 验证方法」组织回答。

#31 中频 2 家 · Moonshot AI (Kimi) / Groq 收起问题

QUESTION

解释分类预填充/解码服务以及何时收回成本。

Explain disaggregated prefill/decode serving and when it pays for itself.

Moonshot AI (Kimi)Groq

显示答案

原题库没有内嵌答案，下面保留了作者整理的参考资料。建议先口述你的答案，再打开资料核对。

原题库参考资料 LLM 推理中的预填充解码分解Prefill-Decode Disaggregation in LLM Inference↗

#135 专项 1 家 · Anthropic 收起问题

QUESTION

设计一个批量推理系统，其中 100 个请求与 1 个请求花费相同的时间。

Design a batched inference system where 100 requests take the same time as 1.

Anthropic

显示答案

原题库没有内嵌答案，下面保留了作者整理的参考资料。建议先口述你的答案，再打开资料核对。

原题库参考资料 LLM中的连续批处理Continuous Batching in LLMs↗

#136 专项 1 家 · Anthropic 收起问题

QUESTION

为 Claude 规模的 LLM API 设计推理服务栈。最大限度地提高 GPU 利用率，而不破坏 p99 延迟。

Design the serving stack for a Claude-scale LLM API. Maximise GPU utilisation without wrecking p99 latency.

Anthropic

显示答案

原题库没有内嵌答案，下面保留了作者整理的参考资料。建议先口述你的答案，再打开资料核对。

原题库参考资料 LLM 推理优化LLM Inference Optimization↗

#221 专项 1 家 · Meta (Superintelligence Labs, FAIR, Llama) 收起问题

QUESTION

你需要为数亿助理用户提供 Llama 级 70B+ 模型。推理服务栈是什么样的？钱去哪儿了？

You need to serve a Llama-class 70B+ model to hundreds of millions of assistant users. What does the serving stack look like and where does the money go?

Meta (Superintelligence Labs, FAIR, Llama)

显示答案

原题库没有内嵌答案，下面保留了作者整理的参考资料。建议先口述你的答案，再打开资料核对。

原题库参考资料 LLM 推理优化LLM Inference Optimization↗

#239 专项 1 家 · xAI 收起问题

QUESTION

估计 KV 缓存内存以在 128k 上下文中为 70B 级模型提供服务。当不合适的时候你会怎么做？

Estimate the KV-cache memory to serve a 70B-class model at 128k context. What do you do when it doesn't fit?

xAI

显示答案

原题库没有内嵌答案，下面保留了作者整理的参考资料。建议先口述你的答案，再打开资料核对。

原题库参考资料 LLM 中的 KV 缓存是什么？What is KV Cache in LLMs?↗ KV缓存压缩KV Cache Compression↗

#240 专项 1 家 · xAI 收起问题

QUESTION

Design the parallelism strategy for serving a 405B-parameter dense model. TP, PP, EP: what goes where and why?

NVIDIA

显示答案

原题库暂未提供参考答案。建议按「定义 → 原理 → 权衡 → 工程指标 → 验证方法」组织回答。

#380 专项 1 家 · Tesla 收起问题

QUESTION

板载计算预算是固定的。引导我完成视觉模型的量化和修剪，同时不会失去对小物体的记忆。

The onboard compute budget is fixed. Walk me through quantizing and pruning a vision model without losing recall on small objects.

Tesla

显示答案

原题库没有内嵌答案，下面保留了作者整理的参考资料。建议先口述你的答案，再打开资料核对。

原题库参考资料 模型量化如何工作？How does Model Quantization work?↗

#412 专项 1 家 · Groq 收起问题

QUESTION

LPU 根本没有 HBM，只有片上 SRAM。重做该机器的解码屋顶线参数并告诉我发生了什么变化。

An LPU has no HBM at all, just on-die SRAM. Redo the decode roofline argument for that machine and tell me what changes.

Groq

显示答案

原题库没有内嵌答案，下面保留了作者整理的参考资料。建议先口述你的答案，再打开资料核对。

原题库参考资料 LPU 是如何工作的？How does an LPU work?↗

#413 专项 1 家 · Groq 收起问题

QUESTION

8 位权重的 70B 密集模型，每个芯片具有约 230 MB 的 SRAM。带我了解部署和单位经济效益。

A 70B dense model at 8-bit weights, chips with ~230 MB of SRAM each. Walk me through the deployment and the unit economics.

Groq

显示答案

原题库没有内嵌答案，下面保留了作者整理的参考资料。建议先口述你的答案，再打开资料核对。

原题库参考资料 LPU 是如何工作的？How does an LPU work?↗

#414 专项 1 家 · Groq 收起问题

QUESTION

在 GPU 上，你可以批量分摊权重读取。仅 SRAM 机器上的批处理演算是什么？这应该如何改变我们的定价方式？

On a GPU you batch to amortise weight reads. What is the batching calculus on an SRAM-only machine, and how should that change how we price?

Groq

显示答案

原题库没有内嵌答案，下面保留了作者整理的参考资料。建议先口述你的答案，再打开资料核对。

原题库参考资料 LPU 是如何工作的？How does an LPU work?↗

#415 专项 1 家 · Groq 收起问题

QUESTION

决定论是主要主张。它实际上以 p99 购买了什么？为什么它对于Agent工作负载尤其重要？

Determinism is the headline claim. What does it actually buy at p99, and why does it matter especially for agentic workloads?

Groq

显示答案

原题库没有内嵌答案，下面保留了作者整理的参考资料。建议先口述你的答案，再打开资料核对。

原题库参考资料 LPU 是如何工作的？How does an LPU work?↗

#416 专项 1 家 · Groq 收起问题

QUESTION

Price a dedicated endpoint: estimate cost per million output tokens for a 70B model, and explain the throughput-latency trade.

Together AI

显示答案

原题库暂未提供参考答案。建议按「定义 → 原理 → 权衡 → 工程指标 → 验证方法」组织回答。

#454 专项 1 家 · Perplexity 收起问题

QUESTION

释放后，p95 首次Token时间从 1.2 秒缩短至 3 秒。引导我找到并修复它。

p95 time-to-first-token regressed from 1.2 s to 3 s after a release. Walk me through finding and fixing it.

Perplexity

显示答案

原题库没有内嵌答案，下面保留了作者整理的参考资料。建议先口述你的答案，再打开资料核对。

原题库参考资料 LLM 中的第一个Token延迟问题The First-Token Latency Problem in LLMs↗

#470 专项 1 家 · Cursor (Anysphere) 收起问题

QUESTION

为数百万 DAU 提供自定义完成模型：带我了解推理成本模型和你最常用的三个杠杆。

Serving a custom completion model to millions of DAU: walk me through the inference-cost model and your top three levers.

Cursor (Anysphere)

显示答案

原题库没有内嵌答案，下面保留了作者整理的参考资料。建议先口述你的答案，再打开资料核对。

原题库参考资料 LLM 推理优化LLM Inference Optimization↗ 游标如何工作？How does Cursor work?↗

#515 专项 1 家 · Glean 收起问题

QUESTION

Estimate what one message costs us to serve, and tell me which lever moves it most.

Character.AI

显示答案

原题库暂未提供参考答案。建议按「定义 → 原理 → 权衡 → 工程指标 → 验证方法」组织回答。

#537 专项 1 家 · ElevenLabs 收起问题

QUESTION

提供实时 TTS 服务与提供文本 LLM 是不同的容量问题。为什么以及如何规划容量？

Serving real-time TTS is a different capacity problem from serving a text LLM. Why, and how do you plan capacity?

ElevenLabs

显示答案

原题库暂未提供参考答案。建议按「定义 → 原理 → 权衡 → 工程指标 → 验证方法」组织回答。

#545 专项 1 家 · Abridge 收起问题

QUESTION

该便条应在临床医生离开房间之前准备好。为我制定延迟预算，并告诉我钱花在哪里。

The note should be ready before the clinician leaves the room. Build me the latency budget, and tell me where the money goes.

Abridge

显示答案

原题库暂未提供参考答案。建议按「定义 → 原理 → 权衡 → 工程指标 → 验证方法」组织回答。

#558 专项 1 家 · Figure AI 收起问题

QUESTION

一位同事希望将语义层移至云端，以便你可以使用更大的模型。带我了解一下延迟预算。

A colleague wants to move the semantic layer to the cloud so you can use a much bigger model. Walk me through the latency budget.

Figure AI

显示答案

原题库暂未提供参考答案。建议按「定义 → 原理 → 权衡 → 工程指标 → 验证方法」组织回答。

#571 专项 1 家 · Waymo 收起问题

QUESTION

对板载堆栈的计算和延迟进行预算。当模型变大时，什么会破坏？

Budget the compute and latency for the onboard stack. What breaks when a model gets bigger?

Waymo

显示答案

原题库暂未提供参考答案。建议按「定义 → 原理 → 权衡 → 工程指标 → 验证方法」组织回答。

MODULE 03

RAG 与检索

28 QUESTIONS

#39 中频 4 家 · Microsoft / Databricks / Glean… 收起问题

QUESTION

How do you attribute every claim in a generated answer to a specific retrieved span?

PerplexityHarveyAbridge

显示答案

原题库暂未提供参考答案。建议按「定义 → 原理 → 权衡 → 工程指标 → 验证方法」组织回答。

#32 中频 2 家 · Glean 收起问题

QUESTION

对于大型技术文档语料库，你会使用什么分块策略，为什么？

What chunking strategy would you use for a large technical documentation corpus, and why?

Glean

显示答案

原题库没有内嵌答案，下面保留了作者整理的参考资料。建议先口述你的答案，再打开资料核对。

原题库参考资料 RAG 的分块策略Chunking Strategies for RAG↗

#35 中频 2 家 · Cohere 收起问题

QUESTION

你如何评估 RAG 管道的质量：分别检索和生成？

How would you evaluate the quality of a RAG pipeline: retrieval and generation separately?

Cohere

显示答案

原题库没有内嵌答案，下面保留了作者整理的参考资料。建议先口述你的答案，再打开资料核对。

原题库参考资料 LLM评估LLM Evaluation↗

#36 中频跨公司通用题收起问题

QUESTION

什么是 HyDE（假设文档嵌入）以及它何时优于标准密集检索？

What is HyDE (hypothetical document embeddings) and when does it outperform standard dense retrieval?

显示答案

原题库没有内嵌答案，下面保留了作者整理的参考资料。建议先口述你的答案，再打开资料核对。

原题库参考资料 HyDE 在 RAG 中如何工作？How does HyDE work in RAG?↗

#37 中频跨公司通用题收起问题

QUESTION

Agent RAG 与标准 RAG 有何不同？何时需要额外的复杂性？

How does agentic RAG differ from standard RAG, and when is the extra complexity justified?

显示答案

原题库没有内嵌答案，下面保留了作者整理的参考资料。建议先口述你的答案，再打开资料核对。

原题库参考资料 AgentRAGAgentic RAG↗

#38 中频 2 家 · Cohere 收起问题

QUESTION

是什么导致嵌入搜索中出现语义漂移以及如何检测它？

What causes semantic drift in embedding search and how do you detect it?

Cohere

显示答案

原题库暂未提供参考答案。建议按「定义 → 原理 → 权衡 → 工程指标 → 验证方法」组织回答。

#40 中频跨公司通用题收起问题

QUESTION

比较 HNSW、IVF-PQ 和扁平指数。你如何选择，recall@k 的延迟成本是多少？

Compare HNSW, IVF-PQ and flat indexes. How do you pick, and what does recall@k cost in latency?

显示答案

原题库没有内嵌答案，下面保留了作者整理的参考资料。建议先口述你的答案，再打开资料核对。

原题库参考资料 近似最近邻 (ANN) 搜索如何工作？How does Approximate Nearest Neighbor (ANN) search work?↗ 矢量数据库如何工作？How does a Vector Database work?↗

#41 中频跨公司通用题收起问题

QUESTION

你如何在检索管道中处理表格、图形和多列 PDF？

How do you handle tables, figures and multi-column PDFs in a retrieval pipeline?

显示答案

原题库暂未提供参考答案。建议按「定义 → 原理 → 权衡 → 工程指标 → 验证方法」组织回答。

#42 中频 2 家 · Perplexity / Cursor (Anysphere) 收起问题

QUESTION

How would you evaluate multilingual retrieval quality when employees query in French and Korean over mostly-English documents?

Cohere

显示答案

原题库暂未提供参考答案。建议按「定义 → 原理 → 权衡 → 工程指标 → 验证方法」组织回答。

#259 专项 1 家 · Cohere 收起问题

QUESTION

一位客户对其索引文档进行了 10 倍检查，结果报告答复质量“明显变差”。推动调查。

A customer 10x'd their indexed documents and reports answer quality “got noticeably worse.” Drive the investigation.

Cohere

显示答案

原题库暂未提供参考答案。建议按「定义 → 原理 → 权衡 → 工程指标 → 验证方法」组织回答。

#280 专项 1 家 · Moonshot AI (Kimi) 收起问题

QUESTION

对于长上下文助手，1M Token上下文窗口什么时候是正确的工具，什么时候应该使用检索？

For a long-context assistant, when is a 1M-token context window the right tool, and when should you use retrieval instead?

Moonshot AI (Kimi)

显示答案

原题库没有内嵌答案，下面保留了作者整理的参考资料。建议先口述你的答案，再打开资料核对。

原题库参考资料 LLM中迷失的问题The Lost in the Middle Problem in LLMs↗

#308 专项 1 家 · Sarvam AI 收起问题

QUESTION

The patient's chart already lists their medications. How would you use that to improve transcription of drug names, and how would you keep it from backfiring?

Abridge

显示答案

原题库暂未提供参考答案。建议按「定义 → 原理 → 权衡 → 工程指标 → 验证方法」组织回答。

#586 专项 1 家 · Palantir 收起问题

QUESTION

用户询问“有多少未结订单因供应商问题而被阻止？”普通的 RAG 就犯了这个错误。为什么，什么是正确的架构？

Users ask “how many open orders are blocked on a supplier issue?” Plain RAG gets this wrong. Why, and what's the right architecture?

Palantir

显示答案

原题库暂未提供参考答案。建议按「定义 → 原理 → 权衡 → 工程指标 → 验证方法」组织回答。

MODULE 04

Agent 与工具使用

35 QUESTIONS

#44 中频跨公司通用题收起问题

QUESTION

How does an agent decide when to call a tool versus answer from its own knowledge?

显示答案

原题库没有内嵌答案，下面保留了作者整理的参考资料。建议先口述你的答案，再打开资料核对。

原题库参考资料 函数调用在LLM中如何工作？How does Function Calling work in LLMs?↗

#52 中频跨公司通用题收起问题

QUESTION

是什么让Agent 循环正确终止？如何约束成本和步骤？

What makes an agent loop terminate correctly? How do you bound cost and steps?

显示答案

原题库没有内嵌答案，下面保留了作者整理的参考资料。建议先口述你的答案，再打开资料核对。

原题库参考资料 AIAgent 循环AI Agent Loop↗ 修复 AI Agent中的无限循环Fix an infinite loop in an AI agent↗

#53 中频 2 家 · Palantir 收起问题

QUESTION

如何在生产系统中使Agent的操作可逆，或者至少可审计？

How do you make an agent's actions reversible, or at least auditable, in a production system?

Palantir

显示答案

原题库暂未提供参考答案。建议按「定义 → 原理 → 权衡 → 工程指标 → 验证方法」组织回答。

#54 中频 2 家 · OpenAI / Palantir 收起问题

QUESTION

为采取相应行动的Agent设计人机交互批准。

Design human-in-the-loop approval for an agent that takes consequential actions.

OpenAIPalantir

显示答案

原题库暂未提供参考答案。建议按「定义 → 原理 → 权衡 → 工程指标 → 验证方法」组织回答。

#55 中频 2 家 · Cognition (Devin, Windsurf) 收起问题

QUESTION

You're dropped into an unfamiliar multi-file codebase with a failing behaviour and an LLM assistant available. Walk me through how you'd fix it.

Meta (Superintelligence Labs, FAIR, Llama)

显示答案

原题库暂未提供参考答案。建议按「定义 → 原理 → 权衡 → 工程指标 → 验证方法」组织回答。

#251 专项 1 家 · Mistral AI 收起问题

QUESTION

函数调用实际上如何与LLM一起工作，以及如何使其对于生产级 Agent足够可靠？

How does function calling actually work with an LLM, and how do you make it reliable enough for production agents?

Mistral AI

显示答案

原题库没有内嵌答案，下面保留了作者整理的参考资料。建议先口述你的答案，再打开资料核对。

原题库参考资料 函数调用在LLM中如何工作？How does Function Calling work in LLMs?↗

#260 专项 1 家 · Cohere 收起问题

QUESTION

Design an agentic AI system that can autonomously adapt to new tasks.

Cursor (Anysphere)

显示答案

原题库暂未提供参考答案。建议按「定义 → 原理 → 权衡 → 工程指标 → 验证方法」组织回答。

#482 专项 1 家 · Cognition (Devin, Windsurf) 收起问题

QUESTION

Design the human-handoff path for a customer-service agent. When should it escalate, and what does a good handoff look like?

Sierra

显示答案

原题库暂未提供参考答案。建议按「定义 → 原理 → 权衡 → 工程指标 → 验证方法」组织回答。

#506 专项 1 家 · Harvey 收起问题

QUESTION

设计一个Agent，接受 NDA 草案并返回反映公司策略的红线 Word 文档，而不是聊天响应。

Design an agent that takes a draft NDA and returns a redlined Word document reflecting the firm's playbook, not a chat response.

Harvey

显示答案

原题库暂未提供参考答案。建议按「定义 → 原理 → 权衡 → 工程指标 → 验证方法」组织回答。

#518 专项 1 家 · Glean 收起问题

QUESTION

What is an ontology in the Palantir sense, and why put LLM agents on top of one instead of on raw tables and documents?

Palantir

显示答案

原题库暂未提供参考答案。建议按「定义 → 原理 → 权衡 → 工程指标 → 验证方法」组织回答。

#588 专项 1 家 · Palantir 收起问题

QUESTION

设计一个 LLM Agent，用于在客户的 ERP 中归档和更新工作订单：真正写入生产系统。你如何确保安全？

Design an LLM agent that files and updates work orders in a customer's ERP: real writes to a production system. How do you make that safe?

Palantir

显示答案

原题库暂未提供参考答案。建议按「定义 → 原理 → 权衡 → 工程指标 → 验证方法」组织回答。

MODULE 05

微调、后训练与对齐

43 QUESTIONS

#63 高频 6 家 · OpenAI / Mistral AI / Cohere… 收起问题

QUESTION

提示、RAG 或微调：给我你的决策框架，并附上成本和延迟。

Prompting, RAG or fine-tuning: give me your decision framework with cost and latency attached.

OpenAIMistral AICohereMicrosoftDatabricksGlean

显示答案

参考回答要点

先用提示词解决“模型本来会、只是没被正确引导”的问题，成本最低、上线最快，但稳定性和可控性有限。
知识需要频繁更新、必须引用来源或涉及私有数据时选 RAG；它增加检索延迟与索引运维，但可追溯、可更新。
需要稳定改变风格、格式、行为或注入大量示例规律时考虑微调；它有数据、训练、评测和版本维护成本，也不能替代实时知识。实际系统常是提示词 + RAG，必要时再叠加微调。

原题库参考资料 AI 工程讲解：LLM、RAG、MCP、Agent、微调、量化AI Engineering Explained: LLM, RAG, MCP, Agent, Fine-Tuning, Quantization↗

#65 中频 4 家 · Zhipu AI (GLM) / Alibaba (Qwen) / Sarvam AI… 收起问题

QUESTION

什么是 RLVR（具有可验证奖励的 RL）？它在哪些方面优于学习奖励模型？

What is RLVR (RL with verifiable rewards) and where does it beat a learned reward model?

Zhipu AI (GLM)Alibaba (Qwen)Sarvam AIScale AI

显示答案

原题库没有内嵌答案，下面保留了作者整理的参考资料。建议先口述你的答案，再打开资料核对。

#56 中频跨公司通用题收起问题

QUESTION

让我从头到尾了解 RLHF：奖励模型、策略优化、KL 惩罚。

Walk me through RLHF end to end: reward model, policy optimisation, KL penalty.

显示答案

原题库没有内嵌答案，下面保留了作者整理的参考资料。建议先口述你的答案，再打开资料核对。

原题库参考资料 根据人类反馈进行强化学习 (RLHF)Reinforcement Learning from Human Feedback (RLHF)↗ 近端策略优化 (PPO)Proximal Policy Optimization (PPO)↗

#57 中频 2 家 · Hugging Face / Scale AI 收起问题

QUESTION

什么是 DPO？为什么它在许多实验室取代了基于 PPO 的 RLHF？在线强化学习什么时候更好？

What is DPO and why did it displace PPO-based RLHF at many labs? When is online RL still better?

Hugging FaceScale AI

显示答案

原题库没有内嵌答案，下面保留了作者整理的参考资料。建议先口述你的答案，再打开资料核对。

原题库参考资料 直接偏好优化 (DPO)Direct Preference Optimization (DPO)↗

#58 中频 2 家 · DeepSeek 收起问题

QUESTION

解释 GRPO 以及为什么大规模放弃价值网络很重要。

Explain GRPO and why dropping the value network matters at scale.

DeepSeek

显示答案

原题库没有内嵌答案，下面保留了作者整理的参考资料。建议先口述你的答案，再打开资料核对。

#59 中频跨公司通用题收起问题

QUESTION

Do the GPU memory maths for full fine-tuning a 7B model in bf16 with Adam. Now with LoRA.

Mistral AIHugging Face

显示答案

原题库暂未提供参考答案。建议按「定义 → 原理 → 权衡 → 工程指标 → 验证方法」组织回答。

#66 中频 2 家 · Scale AI 收起问题

QUESTION

解释 RLHF 中的奖励黑客攻击以及实验室如何解决该问题。

Explain reward hacking in RLHF and how labs address it.

Scale AI

显示答案

原题库没有内嵌答案，下面保留了作者整理的参考资料。建议先口述你的答案，再打开资料核对。

原题库参考资料 根据人类反馈进行强化学习 (RLHF)Reinforcement Learning from Human Feedback (RLHF)↗

#67 中频 2 家 · Alibaba (Qwen) 收起问题

QUESTION

什么是蒸馏？如何从大型模型构建强大的小型模型？

What is distillation, and how do you build a strong small model from a large one?

你正在数以万计的 GPU 上进行训练，而硬件却不断出现故障。如何保持高产出？

You're training on tens of thousands of GPUs and hardware fails constantly. How do you keep goodput high?

xAI

显示答案

原题库暂未提供参考答案。建议按「定义 → 原理 → 权衡 → 工程指标 → 验证方法」组织回答。

#242 专项 1 家 · xAI 收起问题

QUESTION

在大型预训练工作中，损失会激增。带我完成你的调试过程。

Loss spikes mid-run on a large pretraining job. Walk me through your debugging process.

xAI

显示答案

原题库暂未提供参考答案。建议按「定义 → 原理 → 权衡 → 工程指标 → 验证方法」组织回答。

#243 专项 1 家 · xAI 收起问题

QUESTION

Qwen's reasoning models train with RL using verifiable rewards on maths and code. Why is that preferred over PPO with a learned reward model for these domains?

Alibaba (Qwen)

显示答案

原题库没有内嵌答案，下面保留了作者整理的参考资料。建议先口述你的答案，再打开资料核对。

#309 专项 1 家 · Sarvam AI 收起问题

QUESTION

Sarvam-M 提供混合思考/非思考模式，并使用 SFT 和 RLVR 进行后期训练。你将如何构建它？为什么使用 RLVR 而不是普通的 RLHF？

Sarvam-M ships hybrid think/non-think modes and was post-trained with SFT then RLVR. How would you build that, and why RLVR over vanilla RLHF?

Sarvam AI

显示答案

原题库没有内嵌答案，下面保留了作者整理的参考资料。建议先口述你的答案，再打开资料核对。

原题库参考资料 大型推理模型 (LRM)Large Reasoning Models (LRMs)↗ 组相关策略优化 (GRPO)Group Relative Policy Optimization (GRPO)↗

#310 专项 1 家 · Sarvam AI 收起问题

QUESTION

地方政府想要一名资源匮乏的语言助理，只有几千句干净的文字。如何使模型适应它？

A regional government wants an assistant in a low-resource language with only a few thousand sentences of clean text. How do you adapt a model to it?

Sarvam AI

显示答案

原题库没有内嵌答案，下面保留了作者整理的参考资料。建议先口述你的答案，再打开资料核对。

原题库参考资料 微调如何工作？How does fine-tuning work?↗ LoRA - LLM 的低阶适应LoRA - Low-Rank Adaptation of LLMs↗

#355 专项 1 家 · Apple 收起问题

QUESTION

你只有一个设备上的基本模型，但有十几个功能：摘要、重写、回复建议、语气调整。如何在不交付十几个型号的情况下专注于专业化？

You have one on-device base model but a dozen features: summarization, rewriting, reply suggestions, tone adjustment. How do you specialise without shipping a dozen models?

Apple

显示答案

原题库没有内嵌答案，下面保留了作者整理的参考资料。建议先口述你的答案，再打开资料核对。

原题库参考资料 LoRA - LLM 的低阶适应LoRA - Low-Rank Adaptation of LLMs↗

#356 专项 1 家 · Apple 收起问题

QUESTION

如何在不收集用户内容的情况下使用来自用户设备的信号改进设备上模型？

How would you improve an on-device model using signals from user devices without collecting user content?

Apple

显示答案

原题库暂未提供参考答案。建议按「定义 → 原理 → 权衡 → 工程指标 → 验证方法」组织回答。

#404 专项 1 家 · Databricks 收起问题

QUESTION

你什么时候会进行微调而不是使用 RAG 或即时工程？如果这样做，会使用 LoRA 还是完全微调？

When would you fine-tune instead of using RAG or prompt engineering, and if you do, LoRA or full fine-tuning?

Databricks

显示答案

原题库没有内嵌答案，下面保留了作者整理的参考资料。建议先口述你的答案，再打开资料核对。

原题库参考资料 AI 工程讲解：LLM、RAG、MCP、Agent、微调、量化AI Engineering Explained: LLM, RAG, MCP, Agent, Fine-Tuning, Quantization↗ 微调如何工作？How does fine-tuning work?↗

#424 专项 1 家 · Together AI 收起问题

QUESTION

客户在你的 GPU 集群上的分布式训练作业在 64 个节点上获得了 55% 的扩展效率。调试一下。

A customer's distributed training job on your GPU cluster gets 55% scaling efficiency at 64 nodes. Debug it.

Together AI

显示答案

原题库暂未提供参考答案。建议按「定义 → 原理 → 权衡 → 工程指标 → 验证方法」组织回答。

#433 专项 1 家 · Hugging Face 收起问题

QUESTION

在单个 24 GB GPU 上微调 8B 模型。引导我了解内存数学以及你将使用的确切堆栈。

Fine-tune an 8B model on a single 24 GB GPU. Walk me through the memory maths and the exact stack you'd use.

Hugging Face

显示答案

原题库没有内嵌答案，下面保留了作者整理的参考资料。建议先口述你的答案，再打开资料核对。

原题库参考资料 LoRA - LLM 的低阶适应LoRA - Low-Rank Adaptation of LLMs↗ 微调如何工作？How does fine-tuning work?↗

#434 专项 1 家 · Hugging Face 收起问题

QUESTION

你正在构建一个网络规模的预训练语料库（FineWeb 风格）。请带我了解整个管道，以及如何决定每个过滤器是否赢得其一席之地。

You're building a web-scale pretraining corpus (FineWeb-style). Walk me through the pipeline and how you decide whether each filter earns its place.

Hugging Face

显示答案

原题库暂未提供参考答案。建议按「定义 → 原理 → 权衡 → 工程指标 → 验证方法」组织回答。

#440 专项 1 家 · Scale AI 收起问题

QUESTION

比较 SFT、RLHF、DPO 和 RLVR 以改进指令调整模型。每个需要什么数据，你什么时候选择哪个？

Compare SFT, RLHF, DPO and RLVR for improving an instruction-tuned model. What data does each need, and when would you pick which?

Scale AI

显示答案

原题库没有内嵌答案，下面保留了作者整理的参考资料。建议先口述你的答案，再打开资料核对。

原题库参考资料 根据人类反馈进行强化学习 (RLHF)Reinforcement Learning from Human Feedback (RLHF)↗ 直接偏好优化 (DPO)Direct Preference Optimization (DPO)↗ 组相关策略优化 (GRPO)Group Relative Policy Optimization (GRPO)↗

#441 专项 1 家 · Scale AI 收起问题

QUESTION

我们销售强化学习环境。设计一个“在网络旅行应用程序中预订多城市旅行”的方案，指定奖励，并告诉我如何阻止政策对其进行攻击。

We sell RL environments. Design one for “book a multi-city trip in a web travel app”, specify the reward, and tell me how you stop the policy hacking it.

Scale AI

显示答案

原题库暂未提供参考答案。建议按「定义 → 原理 → 权衡 → 工程指标 → 验证方法」组织回答。

#485 专项 1 家 · Cognition (Devin, Windsurf) 收起问题

QUESTION

你正在自己的工具中使用端到端强化学习来训练Agent模型。浏览环境和奖励设计。

You are training an agent model with end-to-end RL in your own harness. Walk through the environment and reward design.

Cognition (Devin, Windsurf)

显示答案

原题库暂未提供参考答案。建议按「定义 → 原理 → 权衡 → 工程指标 → 验证方法」组织回答。

MODULE 06

评测与可观测性

48 QUESTIONS

#77 中频 4 家 · Moonshot AI (Kimi) / Zhipu AI (GLM) / Scale AI… 收起问题

QUESTION

与单一模型响应相比，你如何评估Agent？

How would you evaluate an agent, as opposed to a single model response?

Moonshot AI (Kimi)Zhipu AI (GLM)Scale AICognition (Devin, Windsurf)

显示答案

原题库没有内嵌答案，下面保留了作者整理的参考资料。建议先口述你的答案，再打开资料核对。

原题库参考资料 AI智能体评估AI Agent Evaluation↗

#70 中频 3 家 · Anthropic / OpenAI / Cursor (Anysphere) 收起问题

QUESTION

How do you build an eval set when there is no labelled ground truth and experts are expensive?

CohereHarvey

显示答案

原题库暂未提供参考答案。建议按「定义 → 原理 → 权衡 → 工程指标 → 验证方法」组织回答。

#71 中频 2 家 · Anthropic 收起问题

QUESTION

设计回归门来决定是否发布提示或模型更改。

Design the regression gate that decides whether a prompt or model change ships.

Anthropic

显示答案

原题库暂未提供参考答案。建议按「定义 → 原理 → 权衡 → 工程指标 → 验证方法」组织回答。

#72 中频 2 家 · Cognition (Devin, Windsurf) 收起问题

QUESTION

为什么基准分数提高了，而用户却说系统变得更糟了？列举原因。

Why do benchmark scores improve while users say the system got worse? Enumerate the reasons.

Cognition (Devin, Windsurf)

显示答案

原题库暂未提供参考答案。建议按「定义 → 原理 → 权衡 → 工程指标 → 验证方法」组织回答。

#74 中频跨公司通用题收起问题

QUESTION

生产LLM系统需要什么可观测性：Trace、Span、成本、反馈？

What observability does a production LLM system need: traces, spans, costs, feedback?

显示答案

原题库没有内嵌答案，下面保留了作者整理的参考资料。建议先口述你的答案，再打开资料核对。

原题库参考资料 AIAgent可观测性AI Agent Observability↗

#75 中频跨公司通用题收起问题

QUESTION

Build the evaluation harness for a new frontier model release. What does it need to do?

Google DeepMind and Google AI

显示答案

原题库没有内嵌答案，下面保留了作者整理的参考资料。建议先口述你的答案，再打开资料核对。

原题库参考资料 LLM评估LLM Evaluation↗

#208 专项 1 家 · Google DeepMind and Google AI 收起问题

QUESTION

100 万次西雅图乘车行程足以建立准确的 ETA 预测模型吗？你会如何决定？

Do 1 million Seattle ride trips suffice to build an accurate ETA prediction model? How would you decide?

Google DeepMind and Google AI

显示答案

原题库暂未提供参考答案。建议按「定义 → 原理 → 权衡 → 工程指标 → 验证方法」组织回答。

#230 专项 1 家 · Meta (Superintelligence Labs, FAIR, Llama) 收起问题

QUESTION

在每个模型发布之前和之后，你将如何构建 Meta AI 助手的评估系统？

How would you build the evaluation system for a Meta AI assistant before and after each model release?

Meta (Superintelligence Labs, FAIR, Llama)

显示答案

原题库没有内嵌答案，下面保留了作者整理的参考资料。建议先口述你的答案，再打开资料核对。

原题库参考资料 LLM评估LLM Evaluation↗

#262 专项 1 家 · Cohere 收起问题

QUESTION

How would you benchmark an LLM agent's tool use, say, for enterprise workflows composing 10+ APIs?

Scale AI

显示答案

原题库没有内嵌答案，下面保留了作者整理的参考资料。建议先口述你的答案，再打开资料核对。

原题库参考资料 AI智能体评估AI Agent Evaluation↗

#446 专项 1 家 · Scale AI 收起问题

QUESTION

你拥有的评估管道突然报告客户模型在周二到周三之间下降了 6 个百分点。模型没有改变。调试一下。

An eval pipeline you own suddenly reports a 6-point drop for a customer's model between Tuesday and Wednesday. The model didn't change. Debug it.

Scale AI

显示答案

原题库暂未提供参考答案。建议按「定义 → 原理 → 权衡 → 工程指标 → 验证方法」组织回答。

#462 专项 1 家 · Perplexity 收起问题

QUESTION

你如何使用自动信号和人工信号连续、大规模地评估答案引擎的答案质量？

How would you evaluate answer quality for an answer engine, continuously and at scale, with both automated and human signals?

Perplexity

显示答案

原题库没有内嵌答案，下面保留了作者整理的参考资料。建议先口述你的答案，再打开资料核对。

原题库参考资料 LLM评估LLM Evaluation↗ LLM作为裁判LLM as a Judge↗

#479 专项 1 家 · Cursor (Anysphere) 收起问题

QUESTION

How do you evaluate an LLM workflow before and after giving it access to production operations?

Palantir

显示答案

原题库暂未提供参考答案。建议按「定义 → 原理 → 权衡 → 工程指标 → 验证方法」组织回答。

MODULE 07

安全、攻防与负责任 AI

34 QUESTIONS

#78 中频 4 家 · Anthropic / OpenAI / Microsoft… 收起问题

QUESTION

什么是提示词注入（直接和间接），以及你的分层防御是什么？

What is prompt injection (direct and indirect), and what is your layered defence?

AnthropicOpenAIMicrosoftSierra

显示答案

原题库没有内嵌答案，下面保留了作者整理的参考资料。建议先口述你的答案，再打开资料核对。

原题库参考资料 LLM提示词注入Prompt Injection in LLMs↗

#79 中频跨公司通用题收起问题

QUESTION

请带我了解 OWASP LLM申请的前 10 名，以及哪些在实践中真正有效。

Walk me through the OWASP Top 10 for LLM applications and which ones actually bite in practice.

显示答案

原题库暂未提供参考答案。建议按「定义 → 原理 → 权衡 → 工程指标 → 验证方法」组织回答。

#80 中频跨公司通用题收起问题

QUESTION

越狱和对抗性提示有什么区别？

What is the difference between jailbreaking and adversarial prompting?

显示答案

原题库没有内嵌答案，下面保留了作者整理的参考资料。建议先口述你的答案，再打开资料核对。

原题库参考资料 LLM提示词注入Prompt Injection in LLMs↗

#81 中频 2 家 · Sierra / Character.AI 收起问题

QUESTION

为面向消费者的助理设计护栏。输入过滤器、输出过滤器或两者兼而有之？

Design guardrails for a consumer-facing assistant. Input filters, output filters, or both?

SierraCharacter.AI

显示答案

原题库没有内嵌答案，下面保留了作者整理的参考资料。建议先口述你的答案，再打开资料核对。

原题库参考资料 LLM护栏如何工作？How do LLM guardrails work?↗

#82 中频 2 家 · Anthropic 收起问题

QUESTION

什么是宪法人工智能？它与 RLHF 有何不同？什么是 RLAIF？

What is Constitutional AI and how does it differ from RLHF? What is RLAIF?

Anthropic

显示答案

原题库暂未提供参考答案。建议按「定义 → 原理 → 权衡 → 工程指标 → 验证方法」组织回答。

#83 中频 2 家 · OpenAI 收起问题

QUESTION

如何防止具有工具访问权限的Agent通过恶意网页窃取数据？

How do you prevent an agent with tool access from exfiltrating data via a malicious web page?

OpenAI

显示答案

原题库没有内嵌答案，下面保留了作者整理的参考资料。建议先口述你的答案，再打开资料核对。

原题库参考资料 LLM提示词注入Prompt Injection in LLMs↗

#84 中频 2 家 · Abridge 收起问题

QUESTION

你如何处理提示、日志和培训数据中的 PII？

How do you handle PII in prompts, logs and training data?

Abridge

显示答案

原题库暂未提供参考答案。建议按「定义 → 原理 → 权衡 → 工程指标 → 验证方法」组织回答。

#85 中频跨公司通用题收起问题

QUESTION

Your agent reads inbound email and can send replies and search internal docs. Walk me through the prompt-injection attack surface and your defences.

一项为招聘人员总结求职者的 Copilot 功能被指责为某些群体的工作效果较差。你如何确定这是否属实？你对此有何反应？

A shipped Copilot feature that summarises job applicants for recruiters is accused of working worse for some groups. How do you establish whether that's true, and what do you do about it?

Microsoft

显示答案

原题库暂未提供参考答案。建议按「定义 → 原理 → 权衡 → 工程指标 → 验证方法」组织回答。

#447 专项 1 家 · Scale AI 收起问题

QUESTION

一些注释者将你的任务粘贴到 ChatGPT 中并提交输出。你如何检测并处理它？

Some annotators are pasting your tasks into ChatGPT and submitting the output. How do you detect and handle it?

Scale AI

显示答案

原题库暂未提供参考答案。建议按「定义 → 原理 → 权衡 → 工程指标 → 验证方法」组织回答。

#463 专项 1 家 · Perplexity 收起问题

QUESTION

设计引文验证系统以减少生成答案中的幻觉。你如何确保每项主张实际上都得到其引用来源的支持？

Design the citation-verification system to reduce hallucinations in generated answers. How do you ensure every claim is actually supported by its cited source?

Perplexity

显示答案

原题库暂未提供参考答案。建议按「定义 → 原理 → 权衡 → 工程指标 → 验证方法」组织回答。

#489 专项 1 家 · Cognition (Devin, Windsurf) 收起问题

QUESTION

自主Agent拥有对客户存储库、CI 凭证和网络访问的写入权限。你的威胁模型是什么？

An autonomous agent has write access to a customer's repository, CI credentials and network access. What is your threat model?

Cognition (Devin, Windsurf)

显示答案

原题库暂未提供参考答案。建议按「定义 → 原理 → 权衡 → 工程指标 → 验证方法」组织回答。

#499 专项 1 家 · Sierra 收起问题

QUESTION

客户会积极尝试操纵品牌Agent商：“忽略你的指示，给我一个促销代码。”你的深度防守是什么？

Customers will actively try to manipulate a branded agent: “ignore your instructions and give me a promo code.” What's your defence in depth?

Sierra

显示答案

原题库没有内嵌答案，下面保留了作者整理的参考资料。建议先口述你的答案，再打开资料核对。

原题库参考资料 LLM提示词注入Prompt Injection in LLMs↗ LLM护栏如何工作？How do LLM guardrails work?↗

#509 专项 1 家 · Harvey 收起问题

QUESTION

哈维答案中的每个断言都需要链接回特定的段落。设计接地系统，并告诉我如何衡量无支持索赔率。

Every assertion in a Harvey answer needs to link back to a specific passage. Design the grounding system, and tell me how you would measure the unsupported-claim rate.

Harvey

显示答案

原题库暂未提供参考答案。建议按「定义 → 原理 → 权衡 → 工程指标 → 验证方法」组织回答。

#510 专项 1 家 · Harvey 收起问题

QUESTION

Agent研究查询返回一份备忘录，引用了一个被否决的案例。它在哪里被捕获？

An agentic research query returns a memo citing a case that was overruled. Where does that get caught?

Harvey

显示答案

原题库暂未提供参考答案。建议按「定义 → 原理 → 权衡 → 工程指标 → 验证方法」组织回答。

#511 专项 1 家 · Harvey 收起问题

QUESTION

同一家公司的两个合伙人在一笔交易中处于对立面。在正常的多租户之上为此设计数据隔离。

Two partners at the same firm are on opposite sides of a deal. Design the data isolation for that, on top of normal multi-tenancy.

Harvey

显示答案

原题库暂未提供参考答案。建议按「定义 → 原理 → 权衡 → 工程指标 → 验证方法」组织回答。

#533 专项 1 家 · Character.AI 收起问题

QUESTION

设计开放式角色聊天的安全系统。

Design the safety system for open-ended character chat.

PHI is in every audio file, transcript and note you touch. How does that shape the architecture, and what can you send to a third-party model API?

Abridge

显示答案

原题库暂未提供参考答案。建议按「定义 → 原理 → 权衡 → 工程指标 → 验证方法」组织回答。

#563 专项 1 家 · Figure AI 收起问题

QUESTION

为在人附近运行的学习型全身策略设计安全架构。

Design the safety architecture for a learned whole-body policy operating near people.

Figure AI

显示答案

原题库暂未提供参考答案。建议按「定义 → 原理 → 权衡 → 工程指标 → 验证方法」组织回答。

MODULE 08

多模态、语音与具身智能

25 QUESTIONS

#88 中频 2 家 · Meta (Superintelligence Labs, FAIR, Llama) / Alibaba (Qwen) 收起问题

QUESTION

视觉语言模型如何将图像输入LLM：投影仪、交叉注意力或本机标记？

How do vision-language models get images into an LLM: projector, cross-attention, or native tokens?

Meta (Superintelligence Labs, FAIR, Llama)Alibaba (Qwen)

显示答案

原题库没有内嵌答案，下面保留了作者整理的参考资料。建议先口述你的答案，再打开资料核对。

原题库参考资料 多模态人工智能Multimodal AI↗ 解码视觉变压器 (ViT)Decoding Vision Transformer (ViT)↗

#89 中频 2 家 · Meta (Superintelligence Labs, FAIR, Llama) 收起问题

QUESTION

How do you evaluate ASR quality beyond WER, and TTS quality when there is no single correct output?

ElevenLabs

显示答案

原题库暂未提供参考答案。建议按「定义 → 原理 → 权衡 → 工程指标 → 验证方法」组织回答。

#94 中频 2 家 · Sarvam AI / Abridge 收起问题

QUESTION

你如何处理生产 ASR 系统中的语码转换和重音？

How do you handle code-switching and accents in a production ASR system?

Sarvam AIAbridge

显示答案

原题库暂未提供参考答案。建议按「定义 → 原理 → 权衡 → 工程指标 → 验证方法」组织回答。

#95 中频 2 家 · ElevenLabs 收起问题

QUESTION

解释流式 TTS 分块和抖动缓冲区大小。

Explain streaming TTS chunking and jitter-buffer sizing.

ElevenLabs

显示答案

原题库暂未提供参考答案。建议按「定义 → 原理 → 权衡 → 工程指标 → 验证方法」组织回答。

#96 中频 2 家 · Abridge 收起问题

QUESTION

设计一个分类系统并解释如何归属角色，而不仅仅是集群。

Design a diarisation system and explain how you attribute roles, not just clusters.

Abridge

显示答案

原题库暂未提供参考答案。建议按「定义 → 原理 → 权衡 → 工程指标 → 验证方法」组织回答。

#97 中频跨公司通用题收起问题

QUESTION

Whisper transcribes Hinglish poorly, often forcing output into one language or hallucinating. Why, and how would you build an ASR that handles code-mixed speech?

Sarvam AI

显示答案

原题库暂未提供参考答案。建议按「定义 → 原理 → 权衡 → 工程指标 → 验证方法」组织回答。

#315 专项 1 家 · Sarvam AI 收起问题

QUESTION

Bulbul 风格的 TTS 必须自然地说出混合代码、混合脚本的文本。印度语 TTS 的文本规范化和韵律的难点是什么？

Bulbul-style TTS has to speak code-mixed, mixed-script text naturally. What are the hard parts of text normalization and prosody for Indian-language TTS?

Sarvam AI

显示答案

原题库暂未提供参考答案。建议按「定义 → 原理 → 权衡 → 工程指标 → 验证方法」组织回答。

#383 专项 1 家 · Tesla 收起问题

QUESTION

Why carry lidar, radar and cameras rather than cameras alone? Where would you fuse them?

Waymo

显示答案

原题库暂未提供参考答案。建议按「定义 → 原理 → 权衡 → 工程指标 → 验证方法」组织回答。

MODULE 09

AI 系统设计

82 QUESTIONS

#98 高频 5 家 · OpenAI / Microsoft / Amazon (AWS)… 收起问题

QUESTION

设计一个具有每用户权限的超过 1000 万个文档的企业 RAG 助手。

Design an enterprise RAG assistant over 10M documents with per-user permissions.

OpenAIMicrosoftAmazon (AWS)DatabricksScale AI

显示答案

参考回答要点

入口层完成身份认证与租户隔离，文档摄取流水线做解析、分块、元数据和增量索引；检索时必须在召回阶段执行 ACL 过滤，不能先召回再靠模型删掉敏感内容。
采用混合检索、重排与引用对齐；权限变更通过事件流传播到索引，并用短 TTL 缓存、版本号和删除墓碑避免旧权限泄漏。
评测要拆开看检索召回、生成忠实度、权限越界率、索引新鲜度、p95/p99 延迟与单次请求成本，并设计审计日志和红队测试。

#107 高频 5 家 · Anthropic / OpenAI / Google DeepMind and Google AI… 收起问题

QUESTION

为数亿用户的消费者聊天助手设计推理服务栈。

Design the serving stack for a consumer chat assistant at hundreds of millions of users.

AnthropicOpenAIGoogle DeepMind and Google AIMeta (Superintelligence Labs, FAIR, Llama)xAI

显示答案

参考回答要点

边缘层负责鉴权、限流和就近接入；请求经过会话/提示词服务、模型路由、内容安全，再进入支持连续批处理与 KV cache 的 GPU 推理集群。
按 prefill/decode、模型大小和延迟等级拆池，配合多区域流量调度、容量预测、降级模型、超时/取消传播和热点前缀缓存。
数据面与控制面分离；全链路记录 TTFT、TPOT、吞吐、队列时间、GPU 利用率、失败率、成本和质量反馈。隐私、数据驻留与滥用检测必须是架构的一部分。

原题库参考资料 ChatGPT 内部：按下 Enter 后会发生什么Inside ChatGPT: What Happens After You Hit Enter↗ LLM 推理优化LLM Inference Optimization↗

#99 中频 2 家 · Cursor (Anysphere) 收起问题

QUESTION

设计代码助手：存储库索引、上下文组装、编辑应用程序、评估。

Design a code assistant: repo indexing, context assembly, edit application, evaluation.

Cursor (Anysphere)

显示答案

原题库没有内嵌答案，下面保留了作者整理的参考资料。建议先口述你的答案，再打开资料核对。

原题库参考资料 游标如何工作？How does Cursor work?↗ 克劳德代码如何工作？How does Claude Code work?↗

#100 中频 2 家 · Consumer-Scale ML Companies (Uber, Netflix, LinkedIn, Airbnb, Pinterest, Spotify) / Sierra 收起问题

QUESTION

设计一个可以采取实际行动并升级到人类的客户支持Agent。

Design a customer-support agent that can take real actions, with escalation to humans.

Consumer-Scale ML Companies (Uber, Netflix, LinkedIn, Airbnb, Pinterest, Spotify)Sierra

显示答案

原题库暂未提供参考答案。建议按「定义 → 原理 → 权衡 → 工程指标 → 验证方法」组织回答。

#101 中频 2 家 · Character.AI 收起问题

QUESTION

针对大型产品目录设计语义搜索。

Design semantic search over a large product catalogue.

为 ChatGPT 规模的消费者助理设计推理服务栈：每周数亿用户、流式聊天、多个模型层。

Design the serving stack for a ChatGPT-scale consumer assistant: hundreds of millions of weekly users, streaming chat, multiple model tiers.

为印地语和三种区域语言的公民帮助热线设计实时语音Agent，目标是电话线感知延迟低于 250 毫秒。

Design a real-time voice agent for a citizen helpline in Hindi and three regional languages, targeting sub-250 ms perceived latency over a phone line.

Sarvam AI

显示答案

原题库没有内嵌答案，下面保留了作者整理的参考资料。建议先口述你的答案，再打开资料核对。

原题库参考资料 设计实时语音 AI AgentDesign a Real-Time Voice AI Agent↗

#321 专项 1 家 · Microsoft 收起问题

QUESTION

设计一个 Copilot 功能，可以回答有关用户工作电子邮件、文档和会议的问题，而不会泄露用户无法访问的内容。

Design a Copilot feature that answers questions over a user's work email, documents and meetings, without ever leaking content the user can't access.

Microsoft

显示答案

原题库暂未提供参考答案。建议按「定义 → 原理 → 权衡 → 工程指标 → 验证方法」组织回答。

#322 专项 1 家 · Microsoft 收起问题

QUESTION

设计一个可以在电子表格中执行操作的Agent（“按地区插入第三季度销售数据透视表”）：编排、工具和故障处理。

Design an agent that can take actions in a spreadsheet (“insert a pivot table of Q3 sales by region”): orchestration, tools and failure handling.

Microsoft

显示答案

原题库暂未提供参考答案。建议按「定义 → 原理 → 权衡 → 工程指标 → 验证方法」组织回答。

#344 专项 1 家 · Amazon (AWS) 收起问题

QUESTION

设计一个多租户推理平台，为数千名客户（基岩型）提供多种基础模型。

Design a multi-tenant inference platform that serves many foundation models to thousands of customers (Bedrock-shaped).

Amazon (AWS)

显示答案

原题库暂未提供参考答案。建议按「定义 → 原理 → 权衡 → 工程指标 → 验证方法」组织回答。

#345 专项 1 家 · Amazon (AWS) 收起问题

QUESTION

设计一个具有严重类别不平衡和敌对对手的欺诈检测系统。

Design a fraud-detection system with heavy class imbalance and an adversarial opponent.

Consumer-Scale ML Companies (Uber, Netflix, LinkedIn, Airbnb, Pinterest, Spotify)

显示答案

原题库暂未提供参考答案。建议按「定义 → 原理 → 权衡 → 工程指标 → 验证方法」组织回答。

#396 专项 1 家 · Consumer-Scale ML Companies (Uber, Netflix, LinkedIn, Airbnb, Pinterest, Spotify) 收起问题

QUESTION

Design the Hugging Face Hub: millions of git repos where individual files are tens to hundreds of GB.

Hugging Face

显示答案

原题库暂未提供参考答案。建议按「定义 → 原理 → 权衡 → 工程指标 → 验证方法」组织回答。

#436 专项 1 家 · Hugging Face 收起问题

QUESTION

设计无服务器推理层：数千个 Hub 模型中的任何一个都可以随时接收请求。

Design the serverless inference layer: any of thousands of Hub models can receive a request at any moment.

Hugging Face

显示答案

原题库暂未提供参考答案。建议按「定义 → 原理 → 权衡 → 工程指标 → 验证方法」组织回答。

#442 专项 1 家 · Scale AI 收起问题

QUESTION

设计一个为前沿实验室生成 RLHF 偏好数据的端到端管道：每周 10 万次即时响应比较，并有质量保证。

Design an end-to-end pipeline producing RLHF preference data for a frontier lab: 100k prompt-response comparisons a week, with quality guarantees.

Scale AI

显示答案

原题库没有内嵌答案，下面保留了作者整理的参考资料。建议先口述你的答案，再打开资料核对。

原题库参考资料 根据人类反馈进行强化学习 (RLHF)Reinforcement Learning from Human Feedback (RLHF)↗

#443 专项 1 家 · Scale AI 收起问题

QUESTION

设计私人 LLM 基准和排行榜（SEAL 风格）。当实验室针对它进行优化时，如何保持它的可信度？

Design a private LLM benchmark and leaderboard (SEAL-style). How do you keep it trustworthy as labs optimise against it?

Scale AI

显示答案

原题库暂未提供参考答案。建议按「定义 → 原理 → 权衡 → 工程指标 → 验证方法」组织回答。

#457 专项 1 家 · Perplexity 收起问题

QUESTION

设计答案引擎：用户输入问题并获得引用的流式答案。你的端到端预算是在 3 秒内完成简短回答。

Design an answer engine: a user types a question and gets a cited, streamed answer. Your end-to-end budget is 3 seconds to a complete short answer.

Perplexity

显示答案

原题库暂未提供参考答案。建议按「定义 → 原理 → 权衡 → 工程指标 → 验证方法」组织回答。

#458 专项 1 家 · Perplexity 收起问题

QUESTION

设计从 100B 网页提取的检索管道，具有亚秒级延迟和新鲜度保证。

Design the retrieval pipeline pulling from 100B web pages with sub-second latency and freshness guarantees.

Perplexity

显示答案

原题库暂未提供参考答案。建议按「定义 → 原理 → 权衡 → 工程指标 → 验证方法」组织回答。

#459 专项 1 家 · Perplexity 收起问题

QUESTION

设计结合 BM25、密集检索和跨多个索引的 LLM 重新排名的排名系统。

Design the ranking system combining BM25, dense retrieval and LLM reranking across multiple indexes.

Perplexity

显示答案

原题库没有内嵌答案，下面保留了作者整理的参考资料。建议先口述你的答案，再打开资料核对。

原题库参考资料 混合搜索如何工作？How does Hybrid Search work?↗ 重排序器如何工作？How does a Reranker work?↗

#460 专项 1 家 · Perplexity 收起问题

QUESTION

设计 Comet 的混合浏览器架构，将设备上的隐私与云人工智能辅助相结合。

Design Comet's hybrid browser architecture combining on-device privacy with cloud AI assistance.

Perplexity

显示答案

原题库暂未提供参考答案。建议按「定义 → 原理 → 权衡 → 工程指标 → 验证方法」组织回答。

#461 专项 1 家 · Perplexity 收起问题

QUESTION

The model is streaming a multi-file edit while the user keeps typing in one of those files. How do you apply the edits without corrupting the buffer?

Cursor (Anysphere)

显示答案

原题库暂未提供参考答案。建议按「定义 → 原理 → 权衡 → 工程指标 → 验证方法」组织回答。

#477 专项 1 家 · Cursor (Anysphere) 收起问题

QUESTION

你的Agent模型输出 500 行文件的编辑版本。逐字应用它是缓慢且容易出错的。如何使“申请”快速且可靠？

Your agent model outputs an edited version of a 500-line file. Applying it verbatim is slow and error-prone. How do you make “apply” fast and reliable?

Glean's ranking leans on a knowledge graph of people, content and activity. How would you build that graph, and how does it improve retrieval beyond embedding similarity?

97 QUESTIONS

#114 中频 4 家 · Anthropic / OpenAI / xAI… 收起问题

QUESTION

Implement an LRU cache with O(1) get/put, then add TTL.

OpenAIxAIAlibaba (Qwen)

显示答案

原题库暂未提供参考答案。建议按「定义 → 原理 → 权衡 → 工程指标 → 验证方法」组织回答。

#110 中频 2 家 · Moonshot AI (Kimi) 收起问题

QUESTION

实现 KV 缓存和单步解码。

Implement a KV cache and single-step decode.

Moonshot AI (Kimi)

显示答案

原题库没有内嵌答案，下面保留了作者整理的参考资料。建议先口述你的答案，再打开资料核对。

原题库参考资料 LLM 中的 KV 缓存是什么？What is KV Cache in LLMs?↗

#111 中频跨公司通用题收起问题

QUESTION

从头开始实施 BPE 训练和编码。

Implement BPE training and encoding from scratch.

显示答案

原题库没有内嵌答案，下面保留了作者整理的参考资料。建议先口述你的答案，再打开资料核对。

原题库参考资料 字节对编码Byte Pair Encoding↗

#112 中频 2 家 · Google DeepMind and Google AI / Apple 收起问题

QUESTION

在 Logits 向量上实现 top-k、top-p 和温度采样。

Implement top-k, top-p and temperature sampling over a logits vector.

Google DeepMind and Google AIApple

显示答案

原题库没有内嵌答案，下面保留了作者整理的参考资料。建议先口述你的答案，再打开资料核对。

原题库参考资料 温度如何控制LLM输出？How does Temperature control LLM output?↗ Top-k 和 Top-p 采样如何工作？How do Top-k and Top-p Sampling work?↗

#115 中频 2 家 · Anthropic / Perplexity 收起问题

QUESTION

Implement cosine similarity search over embeddings, then explain why you would not ship it.

显示答案

原题库没有内嵌答案，下面保留了作者整理的参考资料。建议先口述你的答案，再打开资料核对。

原题库参考资料 矢量数据库如何工作？How does a Vector Database work?↗

#119 中频 2 家 · Cognition (Devin, Windsurf) 收起问题

QUESTION

通过工具调度、错误处理和步骤预算实现最小Agent 循环。

Implement a minimal agent loop with tool dispatch, error handling and a step budget.

Design a token-based rate limiter for a multi-tenant LLM API. Implement the core, then tell me what changes when it's distributed.

Cohere

显示答案

原题库暂未提供参考答案。建议按「定义 → 原理 → 权衡 → 工程指标 → 验证方法」组织回答。

#295 专项 1 家 · Alibaba (Qwen) 收起问题

QUESTION

Qwen2.5-Coder 使用 <|fim_prefix|>、<|fim_suffix|>、<|repo_name|> 等标记进行存储库级中间填充训练。编写格式化存储库级 FIM 示例的函数，并解释为什么存储库级优于文件级。

Alibaba (Qwen)

显示答案

原题库暂未提供参考答案。建议按「定义 → 原理 → 权衡 → 工程指标 → 验证方法」组织回答。

#305 专项 1 家 · Sarvam AI 收起问题

QUESTION

编写代码来衡量分词器跨语言的丰富性，并解释你将如何处理结果。

Write code to measure a tokenizer's fertility across languages, and explain what you would do with the result.

Sarvam AI

显示答案

原题库没有内嵌答案，下面保留了作者整理的参考资料。建议先口述你的答案，再打开资料核对。

原题库参考资料 字节对编码Byte Pair Encoding↗

#317 专项 1 家 · Microsoft 收起问题

QUESTION

在大型查询日志上实施“top-k 最频繁的搜索查询”，然后告诉我当日志成为跨多台机器的无界流时会出现什么问题。

Implement “top-k most frequent search queries” over a large query log, then tell me what breaks when the log becomes an unbounded stream across many machines.

Microsoft

显示答案

原题库暂未提供参考答案。建议按「定义 → 原理 → 权衡 → 工程指标 → 验证方法」组织回答。

#318 专项 1 家 · Microsoft 收起问题

QUESTION

低级设计：为Agent主机的工具调用层绘制类和接口草图，其中工具可以来自本机代码、OpenAPI 规范或 MCP 服务器。

Low-level design: sketch the classes and interfaces for the tool-calling layer of an agent host, where tools can come from native code, an OpenAPI spec, or an MCP server.

Microsoft

显示答案

原题库没有内嵌答案，下面保留了作者整理的参考资料。建议先口述你的答案，再打开资料核对。

原题库参考资料 什么是 MCP（模型上下文协议）？What is MCP (Model Context Protocol)?↗ 函数调用在LLM中如何工作？How does Function Calling work in LLMs?↗

#327 专项 1 家 · Amazon (AWS) 收起问题

QUESTION

在内存有限的大容量事件流中查找前 K 个最频繁的项目。

Find the top-K most frequent items in a high-volume event stream with bounded memory.

Amazon (AWS)

显示答案

原题库暂未提供参考答案。建议按「定义 → 原理 → 权衡 → 工程指标 → 验证方法」组织回答。

#328 专项 1 家 · Amazon (AWS) 收起问题

QUESTION

Write the server-side handler for streaming token generation. Handle client disconnects correctly.

Implement a client pool over multiple LLM providers with failover: providers fail, time out, or rate-limit, and callers should just get a completion.

Paired coding: write a chunker for a legal document that never splits a clause and carries enough context that a retrieved chunk is self-contained.

Harvey

显示答案

原题库没有内嵌答案，下面保留了作者整理的参考资料。建议先口述你的答案，再打开资料核对。

原题库参考资料 RAG 的分块策略Chunking Strategies for RAG↗ 上下文检索如何工作？How does Contextual Retrieval work?↗

#514 专项 1 家 · Glean 收起问题

QUESTION

应用每用户权限过滤器，将 N 个连接器分片的排名结果合并到全局 top-k 中。高效地做事。

Merge ranked results from N connector shards into a global top-k, applying a per-user permission filter. Do it efficiently.

Glean

显示答案

原题库暂未提供参考答案。建议按「定义 → 原理 → 权衡 → 工程指标 → 验证方法」组织回答。

#524 专项 1 家 · Character.AI 收起问题

QUESTION

实时编码：在固定的代币预算下构建下一回合的提示。问题是我们的前缀缓存。

Live coding: build the prompt for the next turn under a fixed token budget. The catch is our prefix cache.

You inherit an 800-line pipeline script from a previous deployment. It's slow and occasionally produces wrong numbers. The original author is gone. Go.

Palantir

显示答案

原题库暂未提供参考答案。建议按「定义 → 原理 → 权衡 → 工程指标 → 验证方法」组织回答。

#585 专项 1 家 · Palantir 收起问题

QUESTION

给定来自三个客户系统的导出（每个系统都有自己的客户记录），编写代码来生成一组重复数据删除的实体并解释你的设计。

Given exports from three customer systems, each with its own customer records, write code to produce one deduplicated set of entities and explain your design.

Palantir

显示答案

原题库暂未提供参考答案。建议按「定义 → 原理 → 权衡 → 工程指标 → 验证方法」组织回答。

MODULE 11

机器学习与深度学习基础

43 QUESTIONS

#164 专项 1 家 · OpenAI 收起问题

QUESTION

计算给定不同随机变量的 KL 散度。

Compute the KL divergence given different random variables.

OpenAI

显示答案

原题库暂未提供参考答案。建议按「定义 → 原理 → 权衡 → 工程指标 → 验证方法」组织回答。

#165 专项 1 家 · OpenAI 收起问题

QUESTION

如果分类器的准确度为 1，那么单个训练示例的损失函数的下限/上限是多少？

If the accuracy of a classifier is 1, what is the lower/upper bound on the loss function for a single training example?

OpenAI

显示答案

原题库没有内嵌答案，下面保留了作者整理的参考资料。建议先口述你的答案，再打开资料核对。

原题库参考资料 交叉熵损失背后的数学Math Behind Cross-Entropy Loss↗

#166 专项 1 家 · OpenAI 收起问题

QUESTION

我们有两个模型，准确率分别为 85% 和 82%。你选哪个？

We have two models, 85% and 82% accuracy. Which do you pick?

OpenAI

显示答案

原题库暂未提供参考答案。建议按「定义 → 原理 → 权衡 → 工程指标 → 验证方法」组织回答。

#167 专项 1 家 · OpenAI 收起问题

QUESTION

如何处理 Pandas 中的缺失数据？

How do you handle missing data in Pandas?

OpenAI

显示答案

原题库暂未提供参考答案。建议按「定义 → 原理 → 权衡 → 工程指标 → 验证方法」组织回答。

#192 专项 1 家 · Google DeepMind and Google AI 收起问题

QUESTION

定义偏差-方差权衡并讨论两者之间的关系。

Define the bias-variance trade-off and discuss the relationship between the two.

Google DeepMind and Google AI

显示答案

原题库暂未提供参考答案。建议按「定义 → 原理 → 权衡 → 工程指标 → 验证方法」组织回答。

#193 专项 1 家 · Google DeepMind and Google AI 收起问题

QUESTION

Explain the SVD and give two places it shows up in modern deep learning.

Google DeepMind and Google AI

显示答案

原题库暂未提供参考答案。建议按「定义 → 原理 → 权衡 → 工程指标 → 验证方法」组织回答。

#197 专项 1 家 · Google DeepMind and Google AI 收起问题

QUESTION

平均来说，要抛几次硬币才能看到连续的两个正面？引导我完成它。

On average, how many fair coin flips until you see two heads in a row? Walk me through it.

Google DeepMind and Google AI

显示答案

原题库暂未提供参考答案。建议按「定义 → 原理 → 权衡 → 工程指标 → 验证方法」组织回答。

#198 专项 1 家 · Google DeepMind and Google AI 收起问题

QUESTION

你什么时候会选择 Q-learning 而不是策略梯度，反之亦然？

When would you choose Q-learning over policy gradients, and vice versa?

Google DeepMind and Google AI

显示答案

原题库暂未提供参考答案。建议按「定义 → 原理 → 权衡 → 工程指标 → 验证方法」组织回答。

#199 专项 1 家 · Google DeepMind and Google AI 收起问题

QUESTION

你有一个二元贷款批准分类器，并且对特征权重的访问受到限制。被拒绝怎么解释？

You have a binary loan-approval classifier and limited access to feature weights. How do you explain a rejection?

Google DeepMind and Google AI

显示答案

原题库暂未提供参考答案。建议按「定义 → 原理 → 权衡 → 工程指标 → 验证方法」组织回答。

#218 专项 1 家 · Meta (Superintelligence Labs, FAIR, Llama) 收起问题

QUESTION

How do bagging and boosting differ? What is the computational difference between XGBoost and Random Forest?

Amazon (AWS)

显示答案

原题库暂未提供参考答案。建议按「定义 → 原理 → 权衡 → 工程指标 → 验证方法」组织回答。

#334 专项 1 家 · Amazon (AWS) 收起问题

QUESTION

Where do vision-language models and foundation models genuinely help in an autonomy stack, and where are they a liability?

Waymo

显示答案

A customer's LLM chatbot on 8 GPUs is “too slow and too expensive.” You have one week with them. What do you do?

Design an application to catalog and log species while exploring an unfamiliar environment.

Palantir

显示答案

原题库暂未提供参考答案。建议按「定义 → 原理 → 权衡 → 工程指标 → 验证方法」组织回答。

#596 专项 1 家 · Palantir 收起问题

QUESTION

一位客户主管表示，“人工智能总是出错”，并希望取消试点。跟我一起度过接下来的 48 小时。

A customer executive says “the AI keeps getting things wrong” and wants to cancel the pilot. Walk me through your next 48 hours.

Palantir

显示答案

Palantir works with defence and intelligence agencies. How do you think about that, and what would you do if asked to build something you're uncomfortable with?

Palantir

显示答案

原题库暂未提供参考答案。建议按「定义 → 原理 → 权衡 → 工程指标 → 验证方法」组织回答。

APPENDIX

公司面试指南

35 COMPANIES

原仓库中的岗位范围与公开面试流程也已完整翻译。流程会随团队、级别和地区变化，请把它当作准备地图，而不是固定脚本。

前沿 AI 实验室Anthropic＋

覆盖岗位

技术人员 (MTS)、软件工程师（产品/基础设施/API 服务）、研究工程师、研究科学家、应用 AI 工程师、前线部署工程师（应用 AI）、性能工程师（推理和内核）、产品工程师 (Claude Code / Claude.ai)。

公开面试流程

招聘人员筛选（约 30 分钟，实质性且可失败）→ CodeSignal 式或实时编码评估（约 70-90 分钟，约 4 个渐进级别中的一个实际问题）→ 大约五轮的虚拟现场：项目深入探讨、一轮或两轮编码、系统设计和专门的价值观/文化轮。端到端报告：3 周至约 2 个月。一些 MLE 循环现在包括 AI 协作回合，其中提供 Claude，并根据你的指导和验证方式对你进行评分。

前沿 AI 实验室OpenAI＋

覆盖岗位

技术人员、软件工程师、机器学习工程师、研究工程师、研究科学家、应用人工智能工程师、前线部署工程师、解决方案架构师、数据科学家。

公开面试流程

招聘人员筛选 → 技术筛选（实际编码，通常是构建真实任务而不是 LeetCode）→ 现场：两到三轮编码/实践、一轮领域深度或 ML 轮、一轮系统设计以及行为/任务契合度。应用人工智能和 FDE 循环增加了客户场景和解决方案设计回合。

前沿 AI 实验室Google DeepMind and Google AI＋

覆盖岗位

研究工程师、研究科学家、机器学习工程师、软件工程师 (ML)、前线部署工程师、应用 AI 工程师（Google Cloud / Vertex AI）、数据科学家。

公开面试流程

招聘人员筛选 → 技术电话筛选（编码，有时是 ML 基础知识）→ 现场：两轮编码、一轮 ML 领域/广度轮、一轮 ML 系统设计轮和 Googleyness/领导力轮。 DeepMind 研究工程师循环添加了深入研究、数学/概率和从头开始的实施轮次；随后是招聘委员会和团队匹配。

前沿 AI 实验室Meta (Superintelligence Labs, FAIR, Llama)＋

覆盖岗位

机器学习工程师 (E4–E7)、研究工程师、研究科学家、人工智能基础设施工程师、软件工程师 (ML)、应用研究科学家。

公开面试流程

招聘人员筛选 → 技术筛选（45 分钟内 2 个编码问题）→ 现场：两轮编码、一轮 ML 系统设计、一轮 ML 领域/广度轮和一轮行为（“Jedi”）轮。一些 2026 循环现在包括人工智能辅助编码回合，分三个阶段：探索和修复问题、实现新功能、扩展和改进系统。

前沿 AI 实验室xAI＋

覆盖岗位

技术人员、人工智能工程师、基础设施工程师、研究工程师、产品工程师（Grok）、数据/强化学习环境工程师。

公开面试流程

快速、低进程循环。通常是招聘人员或招聘经理筛选→一到两轮实时编码，重点关注数据结构和系统→一轮实用的构建内容（通常是定时的四小时产品构建或真实代码库中的存根模块）→创始人/领导层对话。速度和原始运输能力非常重要。

前沿 AI 实验室Mistral AI＋

覆盖岗位

研究工程师、机器学习工程师、应用人工智能工程师、解决方案架构师/前线部署工程师、推理工程师、平台工程师。

公开面试流程

招聘人员筛选 → 技术筛选（Python + ML 基础知识）→ 结对编程回合构建小型 LLM 支持的服务 → 深入研究变压器/服务内部结构 → 针对应用角色的客户场景回合 → 文化/创始人回合。欧洲企业和本地部署环境贯穿始终。

前沿 AI 实验室Cohere＋

覆盖岗位

技术人员、机器学习工程师、应用人工智能工程师、解决方案架构师/前线部署工程师、平台和推理工程师。

公开面试流程

招聘人员筛选→技术筛选（实用Python、流式/API 型问题）→现场：编码、检索/RAG 深度、企业部署设计、客户场景回合和价值观回合。远程优先；自主权和所有权受到明确的考验。

前沿 AI 实验室DeepSeek＋

覆盖岗位

研究工程师、基础设施/系统工程师、推理工程师、数据工程师、算法工程师。

公开面试流程

大量研究和系统加权：论文深入研究、PyTorch 中的从头开始实现轮次、分布式训练和低精度深度，以及算法编码轮次。期待有关他们发表的架构和培训论文的直接问题。

前沿 AI 实验室Moonshot AI (Kimi)＋

覆盖岗位

研究工程师、基础设施工程师、推理/服务工程师、Agent工程师。

公开面试流程

重点研究和长上下文系统：架构深入研究、分布式服务设计、PyTorch 实施轮次和Agent评估讨论。

前沿 AI 实验室Zhipu AI (GLM)＋

覆盖岗位

研究工程师、Agent工程师、强化学习基础设施工程师、应用人工智能工程师。

公开面试流程

架构和训练后深度、强化学习基础设施设计回合、GUI Agent设计回合以及 PyTorch 中的实施回合。

前沿 AI 实验室Alibaba (Qwen)＋

覆盖岗位

算法工程师（LLM）、研究工程师、推理工程师、多模态工程师、应用AI工程师（阿里云/Model Studio）。

公开面试流程

阿里巴巴的经典结构：两到三轮技术轮（算法+ML深度），一轮与高级经理的盘问，一轮HR轮，上面有Qwen特定的架构和多语言问题。

前沿 AI 实验室Sarvam AI＋

覆盖岗位

研究工程师（LLM/语音）、机器学习工程师、应用人工智能/前线部署工程师、语音工程师、边缘/推理工程师。

公开面试流程

研究和应用轮次并行：印度语 NLP 和标记器深度、语音/ASR 轮次、实施轮次、受限硬件部署轮次以及政府/企业部署场景。

大型科技公司 AI 团队Microsoft＋

覆盖岗位

AI 工程师、应用科学家、机器学习工程师、软件工程师（AI 平台/副驾驶）、Azure AI 解决方案架构师、首席应用 AI 工程师。

公开面试流程

招聘人员筛选 → 技术电话筛选（编码 + 一点机器学习）→ 4-5 轮现场循环：两轮编码、一轮机器学习/人工智能深度、一轮人工智能系统设计或底层设计，以及与高级领导的适当聘用轮。 Azure AI 和 Copilot 角色添加了客户架构回合。

大型科技公司 AI 团队Amazon (AWS)＋

覆盖岗位

应用科学家 (I/II/III)、机器学习工程师、数据科学家、软件开发工程师 (AI/ML)、GenAI 专家解决方案架构师、应用 AI 工程师（Bedrock、Q、SageMaker）。

公开面试流程

在线评估或电话筛选 → 4-6 轮现场“循环”，每一轮都以领导力原则为基础：两种编码、一种机器学习广度、一种机器学习深度/研究深入或机器学习系统设计、一种提高标准。应用科学家循环添加研究演示。

大型科技公司 AI 团队Apple＋

覆盖岗位

机器学习工程师、AI/ML 研究工程师、设备端 ML 工程师、软件工程师（Apple Intelligence / Siri）、应用科学家。

公开面试流程

招聘人员筛选 → 招聘经理技术电话会议 → 与特定团队进行 4-6 轮现场会议：编码、机器学习深度、设备上/效率深度、系统设计和行为。保密意味着你可能会因无法透露的工作而接受面试。

大型科技公司 AI 团队NVIDIA＋

覆盖岗位

深度学习软件工程师（推理/LLM性能）、CUDA 内核工程师、机器学习工程师、解决方案架构师、应用科学家、TensorRT-LLM / Dynamo 工程师。

公开面试流程

招聘人员筛选 → 招聘经理技术电话会议 → 4-6 轮现场：CUDA/C++ 或 Python 编码、GPU 性能和屋顶推理、LLM 推理深度、ML 基础知识和系统/解决方案设计。解决方案架构师循环用客户场景循环取代了内核深度。

大型科技公司 AI 团队Tesla＋

覆盖岗位

AI / ML 工程师（Autopilot、Optimus）、深度学习工程师、计算机视觉工程师、数据工程师（Autopilot）、推理 / 芯片软件工程师。

公开面试流程

招聘人员屏幕 → 招聘经理技术电话 → 现场：编码（通常是 C++/Python）、专注于视觉和培训管道的深度学习、数据/基础设施轮和实践调试轮。在实际工程中，循环速度快且繁重。

大型科技公司 AI 团队Consumer-Scale ML Companies (Uber, Netflix, LinkedIn, Airbnb, Pinterest, Spotify)＋

覆盖岗位

机器学习工程师、MLE 高级/职员、应用科学家、ML 平台工程师、GenAI 工程师。

公开面试流程

所有这些都具有一致的形状：编码屏幕→现场两轮编码、一轮机器学习系统设计轮（差异化因素）、一轮机器学习广度/深度轮和行为轮。自 2024 年以来，大多数循环中都添加了 GenAI 回合。

AI 基础设施与平台公司Databricks＋

覆盖岗位

软件工程师（ML 平台/Mosaic AI）、机器学习工程师、GenAI 解决方案架构师、前线部署/交付解决方案架构师、应用 AI 工程师。

公开面试流程

招聘人员筛选→技术筛选（实际编码，通常是并发或数据量大）→现场：两轮编码，一轮分布式系统或 Spark 内部轮次，一轮 GenAI/ML 设计轮次，以及一轮针对现场角色的客户场景轮次。

AI 基础设施与平台公司Groq＋

覆盖岗位

编译器工程师、运行时/系统工程师、推理工程师、芯片软件工程师、解决方案架构师。

公开面试流程

深度系统和编译器回合：纯 SRAM 机器的屋顶线和内存层次结构推理、编译器 IR 设计、主机运行时设计、调试回合以及客户/单位经济学回合。

AI 基础设施与平台公司Together AI＋

覆盖岗位

推理工程师、内核工程师、机器学习系统工程师、解决方案/正向部署工程师、平台工程师。

公开面试流程

推理性能深度、调度程序/服务设计回合、实用的流服务器编码回合、分布式训练调试回合以及针对现场角色的客户咨询回合。

AI 基础设施与平台公司Hugging Face＋

覆盖岗位

机器学习工程师（开源维护者）、研究工程师、基础设施工程师、开发倡导工程师、推理工程师。

公开面试流程

开源风格：图书馆内部深入研究、维护者/代码审查轮、实用微调或内存预算轮、集线器/系统设计轮和文化轮。你的公共 GitHub 历史记录确实是评估的一部分。

AI 基础设施与平台公司Scale AI＋

覆盖岗位

软件工程师、机器学习工程师、研究工程师（SEAL 评估）、前线部署工程师、产品工程师（数据引擎、强化学习环境）。

公开面试流程

招聘人员筛选→技术筛选（实用编码）→现场：具有渐进式要求的编码、数据质量/注释设计轮次、评估设计轮次以及 FDE 的客户场景轮次。

AI 基础设施与平台公司Perplexity＋

覆盖岗位

软件工程师（搜索/基础设施）、人工智能工程师、研究科学家、机器学习工程师（排名和检索）、产品工程师（Comet）。

公开面试流程

招聘人员筛选→技术筛选→现场：网络规模检索/排名的系统设计轮、机器学习/搜索深入研究、实用编码轮、产品/工艺轮和行为轮。他们自己的应用程序的产品品味得到了明确的评估。

AI 原生产品公司Cursor (Anysphere)＋

覆盖岗位

软件工程师（产品、基础设施、模型服务）、机器学习工程师、研究工程师、基础设施工程师。

公开面试流程

招聘人员/招聘经理屏幕（约 45 分钟）→ 一到三个 60 分钟的技术屏幕，你可以根据 Cursor 的实际代码库构建数据结构（AI 工具访问权限因轮次而异）→ 为期两天的现场项目（或约 8 小时的远程版本），你可以在真实的 Cursor 代码上设计和发布功能。范围、自主性和有效的人工智能工具使用都有明确的分级。

AI 原生产品公司Cognition (Devin, Windsurf)＋

覆盖岗位

技术人员、Agent工程师、基础设施工程师、部署工程师、研究工程师（Agent RL）。

公开面试流程

快速循环侧重于构建：实用的Agent构建或调试回合、基础设施设计回合、Agent评估回合以及面向客户的角色的部署工程场景。

AI 原生产品公司Sierra＋

覆盖岗位

Agent工程师、软件工程师、前线部署工程师、机器学习工程师、产品工程师。

公开面试流程

招聘人员屏幕 → 技术屏幕 → 两小时的构建会议，你可以在其中使用你喜欢的任何人工智能工具 → Agent设计和评估轮次 → 客户场景轮次 → 创始人/价值观。判断在哪里放置护栏是核心信号。

AI 原生产品公司Harvey＋

覆盖岗位

软件工程师、机器学习/应用人工智能工程师、前线部署工程师、研究工程师（法律领域）。

公开面试流程

招聘人员筛选 → 配对编码轮 → 法律工作流程系统的架构演示轮 → 评估设计轮 → 客户/合作伙伴场景轮。领域的严谨性和基础比算法难题更重要。

AI 原生产品公司Glean＋

覆盖岗位

软件工程师（搜索/排名）、ML 工程师、AI 工程师（Agent）、前线部署工程师、基础设施工程师。

公开面试流程

招聘人员屏幕→编码屏幕→现场：检索/排名设计回合、权限和连接器系统回合、实用编码回合、评估回合和行为回合。

AI 原生产品公司Character.AI＋

覆盖岗位

机器学习工程师（推理）、研究工程师、软件工程师（产品/安全）、基础设施工程师。

公开面试流程

推理经济学和服务深度、快速构建编码回合、安全系统设计回合以及发现和参与的产品回合。

AI 原生产品公司ElevenLabs＋

覆盖岗位

研究工程师（语音）、机器学习工程师、软件工程师（实时音频）、前线部署工程师、基础设施工程师。

公开面试流程

实时音频系统回合、语音模型深度回合、实用流编码回合、语音克隆安全回合以及 FDE 角色的客户部署回合。

AI 原生产品公司Abridge＋

覆盖岗位

ML 工程师（ASR / NLP）、研究科学家、软件工程师（临床产品）、前线部署/实施工程师。

公开面试流程

临床 ASR 深度回合、评估设计回合（很少有一个正确的注释）、医疗保健集成系统回合和隐私/合规回合。

AI 原生产品公司Figure AI＋

覆盖岗位

机器人人工智能工程师、研究工程师（VLA/操纵）、控制工程师、数据工程师（远程操作）、部署工程师。

公开面试流程

机器人学习深度（VLA、模仿、RL）、数据管道设计回合、模拟到真实回合、安全架构回合以及数值/实施实践回合。

AI 原生产品公司Waymo＋

覆盖岗位

软件工程师（感知、预测、规划）、研究科学家、ML 基础设施工程师、模拟工程师、安全工程师。

公开面试流程

编码屏幕 → 现场：两轮编码（通常是数字化/矢量化）、一轮感知或规划深度轮、一轮机器学习基础设施或模拟设计轮以及行为轮。安全案例推理对于高级职位来说非常重要。

前线部署与企业 AIPalantir＋

覆盖岗位

前沿部署工程师、前沿部署软件工程师、软件工程师、数据工程师、部署策略师、AIP 工程师。

公开面试流程

招聘人员电话（约 30 分钟）→ 技术筛选（实时编码或 HackerRank：编码挑战、SQL 查询和 API 任务）→ 现场三轮 60 分钟的回合，包括分解、学习、编码、重新设计和系统设计→ 招聘经理回合，重新审视薄弱环节。分解是签名回合。

FINAL MODULE · GENERALIZATION

显示答案

把目标、约束和完成条件结构化保存；每个阶段重新规划并验证；压缩历史为可检查的状态而非原样堆叠；限制步数/成本，加入检查点、回滚和必要的人类审批。