人工智能面试题 · 系统设计
人工智能相关岗位面试题。
共 11389 道真题 · 当前筛选命中 1113 道 · 更新 2026-08-05
筛选题目已选：系统设计
考察点
技术栈
第 101 题请比较 DeepFM 与 FM 的计算复杂度，并说明各自适用的场景。 考察对 FM 与 DeepFM 复杂度分析和模型选型的理解第 102 题对应面试组的具体场景题 考察候选人对具体场景的应变能力与解决方案设计第 103 题项目:自主构建的评估体系里如何分离知识幻觉与推理幻觉 考察对幻觉类型区分及评估体系设计的能力第 104 题在设计 Agent 的工具（Tool）时，你会如何考量其设计形态，例如是否采用 Workflow 形式？ 考察对 Agent 工具设计理念、灵活性与可控性的权衡第 105 题入职后你将负责RLHF方向的研发工作，目前该方向团队有3-4人。请谈谈你如何规划这一方向的技术路线和团队协作。 考察对RLHF方向的理解、技术规划能力及团队协作意识第 106 题请介绍 Django 中 ORM、视图和中间件各自的作用及它们之间的关系。 考察对 Django 核心组件职责与协作机制的理解第 107 题四轮转向车辆控制相对于前轮转向的不同点是什么？ 考察对四轮转向控制原理、目标差异与优势场景的理解第 108 题你如何训练一个检索器（Retriever）？请结合具体场景说明训练目标、数据构造和训练流程。 考察对检索模型训练原理、数据构造和评估闭环的理解第 109 题如何实现一个无第三方依赖的 ISP pipeline？ 考察图像信号处理链路的设计与实现能力第 110 题如何部署一个高并发低延迟的大模型 API 服务？ 考察大模型服务的并发处理、延迟优化与资源调度能力第 111 题请介绍推荐系统中多路召回的设计：每一路召回是什么，为什么需要多路召回，以及每一路存在的理由。 考察对推荐系统多路召回架构的理解及每路召回的目标和适用场景第 112 题针对一个优化点，如何快速上线一个模型？ 考察模型从开发到上线的工程化流程与快速落地能力第 113 题请介绍一下你对搜索或推荐系统中排序与召回阶段的理解。 考察对检索系统两阶段框架及各自目标的理解第 114 题谈谈你对向量检索的看法，包括其优势、局限和未来演进方向。 考察对向量检索技术的理解深度和行业视野第 115 题除了i2i召回，你还了解哪些embedding召回方法？例如u2i召回，请结合多模态内容召回和YouTubeDNN谈谈你的理解。 考察候选人对embedding召回全貌的掌握，包括u2i与i2i的区别及经典模型第 116 题MCP和FC是什么？在你的项目中你是如何使用这两个功能的？ 考察对MCP（模型上下文协议）和FC（函数调用）原理的理解及实际项目应用能力第 117 题请描述WAN模型的结构特点。 考察对大模型架构的理解，特别是WAN模型的整体结构第 118 题大模型在推荐系统中一般有哪些应用或应用方向？ 考察对大模型在推荐系统中应用方向的理解广度与深度第 119 题请分享你在分布式架构方面的实践经验。 考察候选人在分布式系统设计、技术选型及问题排查上的实际经验与深度第 120 题你了解 GraphRAG 吗？请简述其核心思想、典型流程和可能的优势或局限。 考察对 GraphRAG 概念、流程及工程化认知的掌握程度