匹配正文：适合建设过大模型监控或 Trace 的人，重点练日志、指标、故障定位，以及如何避免同类问题再次发生。教学示例：先换成自己的真实项目描述，再逐题练习。下面保留完整追问分支、检查重点与评分规则。项目描述示例负责【真实大模型应用】可观测体系，承担【Trace、指标、日志或告警模块】。需要准备：系统范围；个人职责；可观测工件。通过【真实追踪或监控改动】定位【真实线上问题】，并用【真实记录】验证修复。需要准备：事故时间线；根因证据；修复与回归；遗留风险。逐层练习 1. o…

#模拟面试#简历项目#连续追问

面试题·RLHF与对齐· 阿里

DPO vs PPO 怎么选?

匹配题目：请比较直接偏好优化（DPO）与基于人类反馈的强化学习（PPO）在大模型对齐中的应用，从算法原理、实现复杂度、训练稳定性和效果表现等方面进行分析。

#DPO#PPO#RLHF

面试题·推理优化· 百度

模型优化方法有哪些？

匹配题目：在大模型应用中，常见的模型优化方法有哪些？请从训练、推理和部署角度阐述如何系统性地提升模型性能。

#模型量化#KV Cache优化#分布式训练

面试题·Agent

Function Calling 到底怎么跑？模型不会执行函数，完整工具结果循环怎么实现

匹配正文：…，才能从一次天气查询 Demo 继续讲到可控 Agent。先给出 30 秒回答 Function Calling 的完整链路是：应用把用户消息和工具 Schema 一起发给模型；模型判断是否需要工具，返回包含工具名、参数和调用 ID 的结构化请求；宿主程序解析并校验参数，检查权限，再调用真实函数或服务；程序把执行结果以 tool message 形式回传，并关联原调用 ID；模型在下一轮读取结果，决定继续调用工具还是生成最终答案。模型只负责提出调用意图和使用工具结果，不直接…

#Agent#工具调用与安全#Function Calling 完整流程

面试题·Agent

Agent 工具怎么设计和注册？Tool Schema、Registry 与执行器如何解耦

匹配正文：…显式注册服务启动时逐个注册工具，遇到重名、Schema 不合法或缺少策略就拒绝启动。这种方式简单、可预测，适合工具数量有限的单体应用。装饰器或注解注册执行函数通过装饰器声明元数据，启动时扫描并构建注册表。它减少样板代码，但仍要防止同名覆盖，并把自动生成的 Schema 纳入审查。配置或服务发现工具是独立服务时，可以从配置中心或服务发现加载端点和版本。动态更新需要快照语义：一次 Agent 运行最好绑定一份工具集合版本，避免执行到一半工具定义突然变化。无论使用哪种方…

#Agent#工具调用与安全#Agent Tool Registry

面试题·模型架构· 字节

LLaMA为何选RMSNorm?

匹配题目：在大模型的实际应用中，Layer Normalization 和 RMS Normalization 在实现机制、计算效率和训练稳定性方面有哪些主要区别？目前主流的大模型（如LLaMA系列）更倾向于使用哪种归一化方法？其优势是什么？

#Layer Normalization#RMS Normalization#归一化技术

面试题·Agent

Agent 短任务和长任务怎么记？工作记忆、长期记忆与任务状态怎样分层

匹配正文：…不同的信息，不应该塞进同一个 Messages 列表或向量库。先把上下文和记忆分开模型 API 通常是无状态的。每次请求只看到应用传入的消息和工具结果。用户感觉模型记得，是因为应用重新选择并发送了相关历史。上下文窗口是一次推理的工作区，不是数据库。把信息放进上下文意味着模型当前可见，但不代表下次请求仍在；把信息存进数据库也不代表模型会自动看到，应用必须检索并注入。这个区分能解释两个常见错误。第一，Messages 已经持久化，所以模型自然有长期记忆。实际如果不检索和选…

#Agent#记忆与存储#Agent 长期记忆设计

面试题·Agent

一次 Deep Research 到底花了多少钱，为什么只看总 Token 找不到成本黑洞？

匹配正文：…处理或缓存定价下成本不同。第三，它看不到工具成本。搜索、网页解析、学术数据库和第三方 API 可能按请求或结果计费，不体现在 LLM token 里。第四，它看不到失败浪费。超时重试、重复任务、无效循环和最终取消都可能已经消耗资源。第五，它看不到成本与质量关系。更便宜的任务如果漏答、无证据或需要用户重跑，未必更经济。总 Token 适合看趋势，不适合做根因分析和单位经济判断。总 Token 与全链路成本归因对比成本需要落到任务、步骤、资源和结果，不能停在总量…

#Deep Research#上线成本与评估#Deep Research 成本

面试题·Agent

Agent 能执行 Python 代码，怎样设计 Code Interpreter 沙箱才不会伤到宿主机

匹配正文：…略的拒绝发生在基础设施层，不靠 Python monkey patch requests。代码可以使用别的库或底层 socket，应用级拦截不是最终边界。沙箱隔离层与责任边界源码检查减少误用，操作系统和虚拟化边界负责真正隔离。资源限制怎样做模型很容易无意生成死循环、无限递归、大数组、进程炸弹或巨量输出。即使没有攻击意图，也会影响其他任务。每个执行任务限制总时间、CPU 时间、内存、进程和线程数量、磁盘与 inode、标准输出与错误输出大小、工件数量和单个文件大小。 …

#Agent#工具调用与安全#Agent 代码解释器沙箱

面试题·Agent

Agent 线上答错一次，怎样用 Trace 和 Replay 定位到底哪一步坏了

匹配正文：…到未知可选字段时保持兼容，遇到无法理解的关键版本时明确拒绝回放。 Prompt、工具 Schema、状态机和解析器版本不能只写一个应用发布号。同一次发布里它们可能独立变化，排障需要知道真正影响行为的是哪一层。迁移旧轨迹时不要伪造缺失字段。可以标记 unknown 或 unavailable，让评测排除无法公平比较的维度。把未知写成默认成功，会让历史回放产生虚假结论。事件时钟也要谨慎。并行节点的墙钟时间可能交错，因果关系主要靠 parent、依赖和 State 版本，而不是…

#Agent#多智能体与评估#Agent Trace 回放

面试题·模型训练· 商汤科技

Focal Loss 公式与作用机制

匹配正文：…留。因此 Focal Loss 解决的是大量易分类样本主导训练的问题。易/难是当前模型对样本的置信状态，不等同于背景/前景类别。应用与风险 Focal Loss 最初用于 RetinaNet 的密集目标检测，缓解大量易背景样本压过稀少前景信号。它不是所有类别不平衡的默认答案：错标或异常样本也可能长期保持低 p_t，不会像易样本那样被强烈下调，因此在总损失与梯度中的相对占比可能升高；这不等于相对普通 CE 的绝对梯度会被持续放大。应与加权 CE、重采样、类别均衡损失比较，并分…

#Focal Loss#类别不平衡#损失函数设计

面试题·模型训练· OPPO

MSE 损失函数怎么用?

匹配题目：请给出均方误差（MSE）损失函数的数学定义，并说明其在回归问题中的应用场景及优缺点。

#MSE#回归损失#损失函数

面试题·模型架构· 海尔

Layer Norm 怎么稳定训练?

匹配正文：…orm 还受深度、残差缩放、初始化和训练预算影响。 LayerNorm 不能让 warmup 自动变得不需要。许多 Pre-LN 大模型仍使用 warmup；是否需要、需要多久应由早期 loss、梯度/更新范数和数值溢出来决定。也不能用“训练快 2–10 倍”“深层模型必备”“GPT 系列全部如此”等无版本、无对照数字。如何比较固定数据、参数量、初始化、优化器和 token 预算，对比可稳定使用的学习率、早期发散率、训练/验证 loss、梯度与激活范数、吞吐以及最终任务质…

#Layer Normalization#Transformer#训练稳定性

面试题·模型架构· 百度

VQ-VAE 码本塌缩治理

匹配正文：…本可用梯度或EMA更新。质量取决于码本大小、潜空间分辨率、下采样率与解码器能力。码本太小信息不足，太大又可能利用率低或训练不稳。应用时要区分家族。VQGAN在感知和对抗损失下学习视觉code，再用Transformer建模；dVAE也是离散图像tokenizer的一类。SoundStream使用残差向量量化，让多个量化层逐步编码音频。Stable Diffusion常用的AutoencoderKL则是连续、KL正则的自编码器，Latent Diffusion论文也分别讨论K…

#VQ-VAE#变分自编码器#离散隐空间

面试题·模型架构· 海尔

Encoder vs Decoder 核心区别?

匹配追问：为什么现在大模型多为Decoder-only架构？Encoder-only（如BERT）和Decoder-only（如GPT）各适合什么场景？Transformer中编码器和解码器的注意力机制有何具体差异？场景切入假设你要做一个翻译系统，比如把英文邮件自动翻译成中文。你会怎么设计编码器和解码器的结构？它们各自负责什么，有什么区别？层层追问你理解序列到序列模型吗？……编码器和解码器在机器翻译里分别做什么？……那它们的注意力机制有什么不同？为什么解码器要用因果掩码？直球…

#Transformer#Encoder-Decoder架构#自注意力机制

面试题·多模态· 快手

固定间隔vs关键帧怎么选？

匹配题目：在多模态大模型处理视频数据时，通常需要进行视频切帧。请说明当前常用的视频切帧策略，包括固定时间间隔采样、关键帧提取等方法，并讨论其优缺点与应用场景。

#视频理解#时序采样#关键帧提取

面试题·项目与经历· 美团

Agent 未来规模化方向

匹配正文：…统和可量化结果，因此更容易先形成规模化收入。这里的 Agent 价值是理解非结构化输入、选择受限工具、生成草稿和协调步骤，不是把 LLM 变成确定性审批引擎。以财务报销为例，LLM 可以抽取发票和说明、识别缺失材料、生成审核摘要或把异常路由给合适人员；金额计算、重复报销、预算、权限、制裁名单、会计规则和最终审批必须由权威数据、确定性规则及人工复核负责。财务错误往往难以完全回滚，还可能造成资金、合规和审计损失，不能用“可回滚、损失不大”降低风险。商业化评估要同时看任务频率、…

#Agent商业化#B端落地#成本效益分析

面试题·多模态· 得物

多模态异构数据怎么统一存储?

匹配题目：在多模态大模型应用中，用户提供的文本、图像、音频等异构信息应如何统一存储、表示和调用？请讨论特征对齐、向量数据库、跨模态索引等解决方案。

#多模态融合#特征对齐#向量数据库

Agent 项目踩坑与恢复

RAG 解决了哪些核心问题?

电商Prompt设计陷阱

Context vs Prompt Engineering 区别?

向量检索加速：有哪些陷阱

RAG检索质量差：Embedding与Rerank调优

Trace、线上监控与问题复盘项目模拟面试

DPO vs PPO 怎么选?

模型优化方法有哪些？

Function Calling 到底怎么跑？模型不会执行函数，完整工具结果循环怎么实现

Agent 工具怎么设计和注册？Tool Schema、Registry 与执行器如何解耦

LLaMA为何选RMSNorm?

Agent 短任务和长任务怎么记？工作记忆、长期记忆与任务状态怎样分层

一次 Deep Research 到底花了多少钱，为什么只看总 Token 找不到成本黑洞？

Agent 能执行 Python 代码，怎样设计 Code Interpreter 沙箱才不会伤到宿主机

Agent 线上答错一次，怎样用 Trace 和 Replay 定位到底哪一步坏了

Focal Loss 公式与作用机制

MSE 损失函数怎么用?

Layer Norm 怎么稳定训练?

VQ-VAE 码本塌缩治理

Encoder vs Decoder 核心区别?

固定间隔vs关键帧怎么选？

Agent 未来规模化方向

多模态异构数据怎么统一存储?