电商行业面试题 · 技术原理 · LLM
电商行业相关面试题，按题目行业基础数据聚合。
共 10617 道真题 · 当前筛选命中 65 道 · 更新 2026-08-05
筛选题目已选：技术原理 · LLM
考察点
技术栈
第 21 题LLM学习到的表征怎么跟推荐任务对齐？ 考察对LLM与推荐系统结合时表征对齐的理解和方案设计第 22 题你对AI技术（如大模型、多模态）的发展有哪些看法？ 考察对AI技术趋势的理解和行业认知深度第 23 题你了解大模型的基本原理和应用场景吗？ 考察对大模型技术的认知深度与广度第 24 题请谈谈你对大模型Agent的理解，包括其核心组成和典型应用场景。 考察对大模型Agent概念、架构组成及实际应用的掌握程度第 25 题比较BPE、WordPiece和Unigram等主流分词算法的主要差异。 考察对不同分词算法的原理和适用场景的理解第 26 题你认为使用提示词（Prompt）有门槛吗？门槛体现在哪些方面？ 考察对提示词工程本质的理解及对使用者能力要求的认知第 27 题大语言模型的长文本处理能力有限，目前有哪些技术可以缓解这一问题？ 考察对长上下文处理技术的了解、原理理解及权衡意识第 28 题你了解大模型吗？实习中有哪些使用经历？ 考察对大模型技术的基本认知与实习中实际应用经验第 29 题有哪些缓解大语言模型幻觉的工程方法？ 考察针对幻觉问题的实际解决手段与权衡第 30 题请分享你在大语言模型有监督微调（SFT）中的调参经验，重点说明关键超参数的选择依据和调整方法。 考察对大模型SFT关键超参数的理解、实践经验与调参方法论第 31 题怎么缓解大模型的幻觉问题？ 考察对大模型幻觉成因和缓解方法的理解第 32 题请描述LLM与外部工具配合调用的整体流程。 考察对LLM工具调用机制和协同流程的理解第 33 题大语言模型在推理时出现“幻觉”现象的原因有哪些？ 考察对大语言模型幻觉成因的深入理解第 34 题请谈谈你对大模型技术的了解和应用经验。 考察对大模型基础知识的掌握及实际应用能力第 35 题为什么大模型早期强调提示工程，中期较少提及，近期又重新被重视？请分析背后的技术演进逻辑。 考察对提示工程生命周期与技术演进关联的分析能力第 36 题在大语言模型应用开发中，为什么需要对预训练生成模型进行微调？如果不对模型做微调，多大的模型能够直接满足业务需求？ 考察对微调必要性、任务适配与模型规模选择的理解第 37 题如果大模型的输入上下文窗口是4k长度，能否让它输出8k长度的内容？ 考察对模型上下文窗口与输出长度限制的理解第 38 题在DPO训练中，你遇到过不收敛的问题吗？如何排查和解决？ 考察DPO训练不收敛的排查思路与解决能力第 39 题请谈谈你对AI Agent与大模型技术的理解，以及你在这方面的实践经验。 考察对AI Agent、大模型基础原理的认知深度，以及实际项目经验第 40 题项目中的OCR是怎么做的，为什么选择用大模型来做？ 考察OCR技术方案的设计理解与选型判断