后端岗位面试题 · 问题拆解 · tech:llm
题库中标记为“后端”的结构化面试题。
共 89928 道真题 · 当前筛选命中 41 道 · 更新 2026-08-05
筛选题目已选：问题拆解 · tech:llm
考察点
技术栈
第 1 题如果要做微调，你会怎么做？ 考察对大模型微调流程、数据与策略的理解第 2 题你对大模型有哪些了解？比如 prompt、function call、RAG 这些方面。 考察对大模型关键技术方向的掌握程度和广度第 3 题如何设计一个高质量的Prompt来引导大语言模型完成指定任务？ 考察对大模型Prompt设计原则、结构化和迭代优化的理解第 4 题请简要介绍你了解或使用过的大模型，并说明它们的特点或适用场景。 考察对大模型的基础认知、技术理解与选型意识第 5 题在设计大模型生成代码的多agent工作流程时，你会如何划分各个agent的职责并协调它们协作？ 考察多agent系统设计能力和工作流编排思路第 6 题你认为与大模型之前的 workflow 相比，Agent 真的解决了更多问题吗？为什么？ 考察对 Agent 相对传统 workflow 的本质差异和实际收益的理解第 7 题介绍一下大语言模型的RAG？ 考察对RAG架构、核心流程和应用价值的理解第 8 题请解释LLM Agent（智能体）的组成部分，并说明其如何利用大模型完成复杂任务。 考察对AI智能体架构和任务拆解能力的理解第 9 题在大模型智能体的 replanning 机制中，通常通过哪些机制来判断调用失败的原因，并重新选择工具或调整参数？请结合具体实现谈谈。 考察对大模型智能体错误诊断与重规划机制的理解第 10 题在大语言模型中，“向量”这个概念是什么意思？它在模型的输入和内部计算中扮演什么角色？ 考察对词向量、嵌入表示及向量在模型内部作用的深入理解第 11 题大模型相关的学习或了解计划是什么？ 考察学习路径规划、持续学习能力和对大模型领域的了解第 12 题你理解大模型出现幻觉的原因是什么？ 考察对大模型幻觉机制的理解及分析深度第 13 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 14 题在为前端缺陷检测工具设计大模型提示词时，你会如何编写提示词？请给出具体思路和示例。 考察提示词工程实践能力和针对特定任务的定制化设计第 15 题请详细说明大模型Function Calling的具体细节和流程。 考察对Function Calling机制的理解、实现流程和工程落地细节第 16 题平常怎么用大模型的？ 考察候选人将大模型融入日常开发或工作流中的实践与思考第 17 题请解释大模型生成参数 temperature、top_k 和 top_p 的作用，以及它们如何影响生成结果。 考察对大模型采样策略的理解和参数调优能力第 18 题如何设计并实现一个基于大模型的 Agent 架构？请说明各模块的作用和关键设计点。 考察 Agent 架构设计能力与工程实现细节第 19 题大模型是如何理解用户意图的？ 考察对意图识别机制及模型原理的理解第 20 题请解释什么是上下文工程（Context Engineering），并说明它与提示词工程的区别。 考察对上下文工程概念及相关技术的理解