互联网/IT行业面试题 · 问题拆解 · tech:llm
互联网/IT行业相关面试题，按题目行业基础数据聚合。
共 47588 道真题 · 当前筛选命中 50 道 · 更新 2026-08-05
筛选题目已选：问题拆解 · tech:llm
考察点
技术栈
第 1 题你提到大模型推理速度慢，请分析一下推理慢的主要原因。 考察对大模型推理性能瓶颈的理解和系统性分析能力第 2 题请解释AI Agent（智能体）的核心实现原理和工作机制。 考察对AI Agent架构、工作流程和关键机制的理解第 3 题如何构造大语言模型微调所需的训练数据？ 考察对微调数据构造流程、数据质量与多样性管理的理解第 4 题你如何训练一个垂类大模型？请说明从数据准备到训练完成的关键流程。 考察垂类大模型训练流程的完整理解第 5 题如何理解AI幻觉问题？ 考察对AI幻觉现象本质、成因和类型的基本认知第 6 题LLM训练的时候为什么warmup？ 考察对学习率调度、训练稳定性和优化器行为的理解第 7 题大模型相关的学习或了解计划是什么？ 考察学习路径规划、持续学习能力和对大模型领域的了解第 8 题在设计一个基于大语言模型的 Agent 时，你认为主要的技术难点有哪些？ 考察对 Agent 系统核心挑战的理解与结构化分析能力第 9 题请谈谈你对大模型应用场景的理解，并举例说明如何通过提示词工程优化实际任务效果。 考察对大模型应用场景的认知及提示词工程在实际任务中的运用能力第 10 题调用大模型识别敏感词如何写提示词？ 考察提示词工程中敏感词识别任务的指令设计能力第 11 题询问LLM推理时，如何从prompt中分离出response？ 考察对LLM接口调用与提示词设计的理解，以及解析生成结果的基本能力第 12 题LLM和NLP有什么关系？ 考察对LLM与NLP学科基础和演进关系的理解第 13 题你理解大模型出现幻觉的原因是什么？ 考察对大模型幻觉机制的理解及分析深度第 14 题请解释大模型推理时 top-p、top-k 和 temperature 参数各自的含义与作用。 考察对大模型采样策略中关键参数的理解第 15 题你了解哪些大模型的主要应用场景？请结合具体案例说明。 考察对大模型应用领域的认知广度与深度，以及结合实际案例分析的能力第 16 题请解释什么是上下文工程（Context Engineering），并说明它与提示词工程的区别。 考察对上下文工程概念及相关技术的理解第 17 题当输入超过模型上下文长度时，有哪些主流解决方案？（如滑动窗口、压缩、摘要） 考察对长上下文处理技术的理解与权衡第 18 题你觉得LLM的原子能力有哪些，它为什么能被用来做应用？ 考察对LLM核心能力的理解及其应用基础第 19 题请介绍一个你最近使用大模型完成的项目，包括项目背景、技术方案和成果。 考察大模型实际应用能力、项目完整性和技术理解第 20 题你了解大模型有哪些应用场景吗？ 考察对大模型实际应用和市场趋势的理解广度与深度