字节跳动面试题 · LLM
字节跳动相关面试题，按最终去重题目聚合。
共 3252 道真题 · 当前筛选命中 29 道 · 更新 2026-08-05
筛选题目已选：LLM
考察点
技术栈
第 1 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 2 题为什么大模型有few-shot能力？讲一下few-shot能力的原理。 考察对大模型上下文学习机制与少样本泛化原理的理解第 3 题知道哪些大模型微调方法？ 考察对大模型微调技术栈的了解和广度第 4 题当前大语言模型的推理能力达到了什么样的程度？ 考察对LLM推理能力现状、局限和评测基准的理解第 5 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 6 题你了解大模型幻觉吗？请说明产生原因以及如何缓解大模型幻觉。 考察对大模型幻觉的理解深度与系统性缓解策略第 7 题国内大语言模型（LLM）产品你了解哪些？请简要介绍。 考察对国内大模型生态的认知广度与技术理解第 8 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 9 题什么是大模型的幻觉，如何缓解？ 考察对大模型幻觉概念的理解和实用缓解策略第 10 题对目前LLM领域的最新进展一直在关注吗？ 考察候选人对LLM领域的持续学习和知识更新能力第 11 题请谈谈你如何看待AI与游戏结合的方式，可以举例说明你认可的应用场景。 考察对AI在游戏领域应用的理解与视野第 12 题主流LLM模型结构设计有什么特点？ 考察对现代大语言模型架构设计的理解与归纳能力第 13 题讲一下 LoRA 微调的原理。 考察对大模型参数高效微调方法 LoRA 的核心机制理解第 14 题请介绍你对RAG（检索增强生成）的理解，并说明其核心组件和工作流程。 考察对RAG原理、组件及流程的理解深度第 15 题你用到的大模型参数量是多少？为什么不用其他模型？ 考察对模型选型的依据和比较能力第 16 题你是否有过微调大语言模型的实战经历？如果有，请简要说明项目背景和你承担的工作。 了解候选人微调大模型的实际经验与个人职责第 17 题目前LLM领域关注到哪些最新进展？ 考察对LLM领域前沿动态的持续跟踪与理解深度第 18 题大模型工具调用的实现方式 考察对大模型工具调用机制和实现细节的理解第 19 题请谈谈开放性问题推荐与大语言模型技术结合的设计思路。 考察将大模型应用于推荐系统场景的架构设计与权衡能力第 20 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