电商行业面试题 · 方案权衡 · 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 34 道 · 更新 2026-08-05
筛选题目已选：方案权衡 · LLM
考察点
技术栈
第 1 题假设我们是做电商的，你觉得可以怎么用大语言模型来解决我们的一些实际业务问题？ 考察对LLM能力边界和电商业务场景的理解与方案设计能力第 2 题在项目中，你是否考虑过用大模型搭建点云处理框架？请说明理由。 考察大模型技术选型的思考能力和项目适配性判断第 3 题什么是大语言模型的“上下文窗口”？扩展上下文窗口对模型性能有何影响？ 考察对大语言模型上下文窗口概念的理解及其扩展带来的性能权衡第 4 题长上下文（long context）是当前大语言模型的研究热点，你知道有哪些方法可以解决或缓解长上下文问题？ 考察对长上下文技术方案的系统理解与广度第 5 题在零售电商或本地生活类业务中，哪些场景适合落地AI技术产品？请结合客服、搜索等举例说明。 考察将AI技术映射到真实业务场景的产品化能力第 6 题请介绍KV Cache的原理及其在推理过程中的作用，并谈谈常见的优化和压缩方法。 考察对大模型推理KV Cache机制的理解及优化方案的设计能力第 7 题优化大模型的指令跟随能力与推理能力，哪个挑战更大？各自的关键难点是什么？ 考察对LLM能力维度的理解深度与对比分析第 8 题请介绍你进行大模型微调的整体流程，包括数据准备、训练策略和效果评估。 考察大模型微调的实际操作经验与关键环节把控第 9 题对于大模型落地某个具体任务，优化有哪些方向？ 考察大模型落地任务时的综合优化思路与系统性第 10 题在你使用LLM解决该分类问题的场景中，相比传统分类模型，它的优势具体体现在哪里？ 考察对LLM相对传统分类模型优势的理解深度第 11 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 12 题为什么通常采用LLM最后一层隐藏状态做pooling？ 考察对语言模型表征生成机制的理解及其在下游任务中的应用第 13 题对比Zero-Shot、Few-Shot和In-Context Learning，它们在大语言模型中的应用场景和局限性分别是什么？ 考察对大语言模型提示范式差异的理解及实际取舍第 14 题多模态大模型训练时，是只训练LLM部分，还是与ViT图像编码模块一起训练？ 考察对多模态模型训练策略、参数冻结与联合训练原理的理解第 15 题请介绍一下你对大型语言模型微调（Fine-tuning）的理解，包括其目的、常用方法以及适用场景。 考察对模型微调技术原理、常用方法的掌握及场景判断能力第 16 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 17 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 18 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 19 题当使用不常见语言或领域术语时,分词效果不佳如何应对? 考察对分词局限性的理解及实际处理策略第 20 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