互联网/IT行业面试题 · 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 219 道 · 更新 2026-08-05
筛选题目已选：tech:llm
考察点
技术栈
第 41 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 42 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 43 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 44 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 45 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 46 题你日常会使用大模型工具吗？主要用在哪些场景？ 考察对大模型工具的实际使用频率、场景与个人工作流的结合第 47 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 48 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 49 题你日常学习、工作或生活中用过哪些大模型工具？ 考察候选人对大模型工具的实际使用广度与真实性第 50 题探讨LLM是否适合生成embedding，分析encoder和decoder架构的适配性，以及Decoder-only架构的Qwen用作encoder的原因。 考察对LLM架构差异、embedding生成原理及模型适配性的理解第 51 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 52 题请介绍你对大模型和多模态技术的理解，以及它们在实际应用中的价值和挑战。 考察对大模型、多模态技术的知识掌握、应用意识与风险认知第 53 题请具体说明 LoRA 的原理和实现步骤。 考察对参数高效微调技术的深入理解与动手细节第 54 题请介绍你了解的大模型和多模态大模型，并说明它们各自的主要能力。 考察对大模型和多模态模型的广度认知与分类能力第 55 题微调大语言模型通常有哪几种方式？各有什么适用场景和优缺点？ 考察对主流大模型微调方式的体系化认知与场景判断第 56 题在模型微调或训练过程中，你们如何评估效果并迭代优化？ 考察训练评估闭环与迭代优化能力第 57 题训练一个 8B 参数的大模型，大概需要多少显存？ 考察显存估算能力和对训练过程中显存主要来源的理解第 58 题你如何看待大模型幻觉？它一定是弊端吗？ 考察对幻觉的辩证理解和价值判断第 59 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 60 题请介绍你对 DAPO 的了解，并阐述它的主要创新点。 考察对 DAPO 算法原理与创新点的理解深度