互联网/IT行业面试题 · 技术原理 · 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 160 道 · 更新 2026-08-05
筛选题目已选：技术原理 · tech:llm
考察点
技术栈
第 21 题请列举大模型微调的主要方法，并简要说明各自的特点。 考察对大模型微调技术体系的理解广度与基本辨析第 22 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 23 题你有使用过大语言模型（如GPT）的经历吗？请谈谈你使用过程中的体验和感受。 考察对大语言模型的实际使用、体验理解和应用思考能力第 24 题现在的大模型如何应用到搜索检索层面？ 考察大模型在搜索检索中的技术应用与系统设计思路第 25 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 26 题LLM（大语言模型）有哪些微调方式？ 考察对大语言模型微调方法的理解和分类能力第 27 题你在做微调的时候，怎么解决遗忘的问题？ 考察对微调过程中灾难性遗忘问题的理解与应对能力第 28 题大模型数据集下都有哪些内容？ 考察对大模型训练数据组成、来源和预处理的理解第 29 题你了解哪些生成式推荐的论文？ 考察对生成式推荐领域前沿研究的了解深度与广度第 30 题你对大模型的基础原理（如 Transformer、预训练与微调）有哪些了解？ 考察对大模型核心概念的理解深度第 31 题你如何理解AI大语言模型，能否简要介绍其工作原理和应用？ 考察对AI大语言模型的基础认知和理解深度第 32 题请阐述元学习与大模型结合的技术思路和应用场景。 考察对元学习与大模型结合的技术理解与场景应用第 33 题请讲解大语言模型的基本工作原理，并阐述其核心组件。 考察对大语言模型整体架构和关键机制的理解第 34 题在检索增强生成系统中，为什么通常在向量相似度检索后还要将结果交给大模型生成答案，而不是直接输出检索文本？这样对幻觉和安全性有什么影响？ 考察对RAG架构中检索与生成分离的理解，以及其对幻觉和安全性的影响第 35 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 36 题请解释什么是RAG（检索增强生成），并说明其核心工作原理与适用场景。 考察对RAG概念、流程及适用场景的理解第 37 题AI Agent是怎么实现的？如何通过调用大模型的API、RAG、MCP等组件组合来实现这个Agent？ 考察对大模型应用架构、Agent实现模式和外部工具集成能力的理解第 38 题请分别说明大模型训练和推理阶段的主要性能优化手段。 考察对大模型训练与推理性能优化的系统理解与工程实践第 39 题大模型幻觉产生的原因有哪些？ 考察对大模型幻觉成因的理解深度第 40 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