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 101 题请详细讲解大模型在意图识别任务中的应用方法与关键环节。 考察对大模型意图识别原理、流程与工程细节的系统理解第 102 题微调的使用场景是什么？ 考察对模型微调适用场景的理解和判断能力第 103 题微调和RAG的优劣势分别是什么 考察对大语言模型应用中微调与RAG两种主流方法的技术理解与适用场景判断第 104 题你了解大模型吗？实习中有哪些使用经历？ 考察对大模型技术的基本认知与实习中实际应用经验第 105 题如何判断一个基于大模型的校验功能是否是 Workflow？ 考察对 Workflow 概念的理解及判别能力第 106 题请简述你对大语言模型基本原理的了解，包括其训练和推理的核心流程。 考察对大语言模型整体架构和运行机制的理解深度第 107 题请概述一篇你熟悉的大模型相关论文，包括其核心任务、使用的数据集以及评估指标。 考察对大模型研究的理解深度及信息提炼能力第 108 题请介绍你对AI Agent及底层技术架构的理解，并说明它们如何支撑实际业务应用。 考察对AI Agent概念、底层技术栈及业务落地价值的综合理解第 109 题请列举大语言模型常见的微调方法，并说明各自的适用场景。 考察对模型微调方法的掌握程度及其适用场景的理解第 110 题在前端缺陷检测工具中，有哪些策略可以提升大模型缺陷检测的准确率？ 考察对提升大模型在特定领域检测准确率的系统性方法理解第 111 题调用大模型识别敏感词如何写提示词？ 考察提示词工程中敏感词识别任务的指令设计能力第 112 题请介绍当前大模型推理的最新技术进展，并说明如何获取和跟踪这些最新技术。 考察对大模型推理前沿技术的了解、信息获取途径及持续学习能力第 113 题请介绍你参与的大模型代码生成项目，包括项目目标、技术方案以及你个人的具体贡献。 考察候选人项目理解深度、技术方案设计能力与个人贡献的真实性第 114 题请解释大模型生成中的三大调试参数：Temperature、Top-K 和 Top-P，并说明它们各自的作用与适用场景。 考察对大模型采样参数的理解与工程应用能力第 115 题你了解大模型有哪些应用场景吗？ 考察对大模型实际应用和市场趋势的理解广度与深度第 116 题大模型擅长做什么、不擅长做什么？ 考察对大模型能力边界和局限性的理解第 117 题如果大模型出现了幻觉，该怎么办？ 考察对大模型幻觉问题的理解、排查与缓解方案第 118 题大模型对话时的记忆功能是其自身提供的能力吗？请区分模型本身与外部机制的作用。 考察对大模型对话记忆机制的理解，区分模型能力与工程实现第 119 题请描述LLM与外部工具配合调用的整体流程。 考察对LLM工具调用机制和协同流程的理解第 120 题利用大模型进行代码的缺陷检测，你了解大模型底层是怎么做到输入代码返回缺陷的吗？ 考察对大模型处理代码的机理理解，包括预训练、上下文编码、注意力机制与生成/分类原理