后端岗位面试题 · 技术选型 · tech:llm
题库中标记为“后端”的结构化面试题。
共 89928 道真题 · 当前筛选命中 35 道 · 更新 2026-08-05
筛选题目已选：技术选型 · tech:llm
考察点
技术栈
第 21 题请介绍大模型微调的主要技术方法及其适用场景。 考察对大模型微调技术体系的理解与选型能力第 22 题你用到的大模型参数量是多少？为什么不用其他模型？ 考察对模型选型的依据和比较能力第 23 题如何评估一个代码生成模型的能力？ 考察对代码模型评测维度与方法的理解第 24 题请介绍在你的项目中具体使用了哪些大语言模型（LLM）能力，以及它们如何解决业务问题或提升产品体验。 考察对LLM应用场景的理解、技术选型依据及落地效果第 25 题基于目前的日志处理，如何用大模型来获取我们需要的日志信息？ 考察将大模型应用于日志信息提取的设计思路第 26 题请描述大语言模型（LLM）、智能体（Agent）与模型上下文协议（MCP）之间的关系。 考察对LLM、Agent、MCP三者角色定位与协作关系的理解第 27 题除了RAG之外，针对大语言模型应用还有哪些优化方案？请重点讨论微调（Fine-tuning）的方法与适用场景。 考察对大模型优化技术全景的认知及微调方法的深度理解第 28 题介绍Agent项目的架构，如何解决LLM上下文长度不够的问题？ 考察Agent系统架构设计与上下文管理策略第 29 题微调和RAG的优劣势分别是什么 考察对大语言模型应用中微调与RAG两种主流方法的技术理解与适用场景判断第 30 题请解释大模型生成中的三大调试参数：Temperature、Top-K 和 Top-P，并说明它们各自的作用与适用场景。 考察对大模型采样参数的理解与工程应用能力第 31 题在设计大模型 Agent 时，工具集应采用动态加载还是静态加载？请说明各自适用场景、优缺点及你的选择依据。 考察对大模型 Agent 工具管理机制的理解与设计权衡能力第 32 题请解释大模型生成时常用的几个采样参数（如temperature、top_p、top_k）的作用，并说明它们之间的区别。 考察对大模型推理采样参数的理解与应用权衡第 33 题你平时是否有学习和运用AI及大模型相关的知识？具体使用过哪些AI大模型？ 考察候选人对AI大模型的技术了解程度和实际应用能力第 34 题公司内部coding应该使用第三方的大模型吗？ 考察技术选型、安全合规与成本收益的综合权衡第 35 题在大模型优化中，常用的算法有哪些？请举例说明。 考察对大模型优化算法的了解与应用