后端岗位面试题 · 技术原理 · 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 129 道 · 更新 2026-08-05
筛选题目已选：技术原理 · tech:llm
考察点
技术栈
第 1 题请谈谈你对当前主流大语言模型技术路线的理解，以及它在实际业务中的应用价值。 考察对大模型基础原理、生态现状及业务落地的综合认知第 2 题请谈谈你在大模型或AI工具方面的使用经验，以及你对大模型技术的理解。 考察候选人对AI工具的实际应用能力及对大模型核心原理的理解深度第 3 题什么是大模型幻觉？请举例说明其典型表现。 考察对大模型幻觉概念与表现的理解第 4 题请说明RAG（检索增强生成）的核心原理和标准流程。 考察对RAG原理、流程与组件的理解深度第 5 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 6 题你了解大模型的基本原理和应用场景吗？ 考察对大模型技术的认知深度与广度第 7 题你了解大模型的基本原理吗？请简要介绍你熟悉的大模型架构和核心概念。 考察对大模型基础知识和核心概念的掌握程度第 8 题请描述大模型推理（inference）过程中 prefill 和 decode 两个阶段各自的作用和特点。 考察对大模型推理流程中 prefill 与 decode 阶段的理解第 9 题请谈谈你对LoRA等大模型微调技术的理解，包括其原理、优点和适用场景。 考察对大模型微调技术的原理理解与应用判断第 10 题请谈谈你对大模型安全攻防的理解，包括针对大语言模型本身的渗透测试、针对大模型训练与部署平台的测试，以及 LLM 相关的 OWASP Top 10 风险。 考察对大模型安全领域知识广度、深度及工程实践理解第 11 题请介绍对编码模型（如代码生成模型）的了解，包括原理和优缺点。 考察对代码生成模型原理及局限的认知第 12 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第 13 题有一些LLM支持超长上下文，怎么做到的？ 考察对超长上下文实现机制的深入理解与关键技术取舍第 14 题AI Agent是怎么实现的？如何通过调用大模型的API、RAG、MCP等组件组合来实现这个Agent？ 考察对大模型应用架构、Agent实现模式和外部工具集成能力的理解第 15 题请谈谈你对大模型智能体的了解。 考察对大模型智能体核心概念、技术组成与应用场景的理解第 16 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 17 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 18 题请你介绍几种常见的大模型微调方法，并说明它们的适用场景和优缺点。 考察对大模型微调技术体系的理解和应用选型能力第 19 题你对AI大模型有什么看法？用过哪些大模型，认为它们有什么弊端？ 考察对大模型的实践使用、技术理解与风险认知第 20 题如何构建大模型校验功能所需的知识库？ 考察知识库构建的完整方法论与落地细节