与「大厂面试」相关的搜索结果

毕业季，想冲腾讯、阿里等大厂 offer，却不知道该刷哪些面试题？刷题资料又散又旧，效率极低……😭 分享一个专门收录大厂校园招聘面试真题的开源题库 GitHub项目，直接把2025最新大厂面试题整理好了，而且每道题都配有视频解析和文字讲解。😊 里面汇集了腾讯、阿里、字节跳动、网易、美团等多家大厂的最新面试题，每题都配备了详细的视频讲解和文字解析。 📍 持续更新，题库质量高 📍 完全免费开源，直接刷 特别适合正在准备秋招/春招、想系统刷大厂面试题的同学，能节省大量找资料的时间。😊 🔗 GitHub地址： 还在为大厂面试刷题发愁的朋友，建议收藏这个题库。 #大厂面试# #校园招聘# #面试题库# #秋招准备# #GitHub资源#

我正处于王虹在北大discouraged的时间。 应试教育cult卷过了，考过全市前二十，考研考过top2，雅思托福gre，cfa都考过了…… 中美big name的大厂也去体验过…… 互联网每个工种都体验过了 卷过…… 做交易一把子梭哈死了算了的日子也体验过了，亏麻。 也体验过某些拜高踩低，结果请客吃饭必开发票的某种金融行业。 总结下来，我的20s前半段完全在体验一种内卷毒化的toxic positivity，一种典型的意识形态，不允许脆弱、必须光鲜、必须积极进取，不能落后要当第一名，完全不可以average，不仅要竞争还要要体面，要不动声色，要融入集体的“奥德赛时期”。 但是你不想做的事情都是消耗你的。 凡是你想做的事情都是滋养你的。 关键是这样的价值观我以前也觉得没什么问题挺好的，直到我考研的时候开始呕吐，一直到我英文面试大厂的时候也会呕吐，一直到我开始排斥用英文。 事到如今感觉early 20s 经历的一切都像是一场邪教，我最震惊的是在我20出头听到一个很厉害的姐姐歇斯底里说她已经25岁了，再不成功就老了。 其实相对来讲我已经是相当松驰的一个人，但不可避免卷入优绩主义的漩涡中也会迷失自己，但是当初最恐惧的事情，比如生存的危机，比如一个人出国留下来，赚钱，这些都解决之后， 还是会怅然想一想自己最擅长最想要的是什么。 决定把最具创造力的年华奉献给什么东西呢，那个东西肯定不应该是赚钱了，但是是什么，我却完全不知道。

一点观察。 对于小镇做题家来说，大厂实现阶层跃升的门已经关闭。现在进大厂的年轻人，家里基本都是有积累的。 原因可能是： 1. 大厂越来越卡学历，而农村孩子在高考中的劣势越来越明显。尤其是近几年的高考出题方向，不是简单刷题就可以，再加上复读的严格限制，贫穷人家的孩子通过高考改变命运正在越来越难。 2. 新科技浪潮和内卷式市场竞争下更注重新商业模式的包装，让大厂越来越看认知，富裕家庭的孩子从小接触的世界就更广阔，更能够和大厂的面试官建立有效沟通。而贫穷家庭的孩子还在刷题。 3. 大厂已经过了早期的草莽时代，基本都是山头稳固，更看重沟通和协调能力，喜欢自信会表达的人，同时内核稳定不玻璃心，在面对复杂环境和模糊规则的时候更从容。小镇做题家这点也比较弱。 不知道现在除了互联网大厂外的新经济领域会好点吗？比如AI、机器人、新能源汽车之类的？

这个开源项目系统整理了 35 家 AI 公司的 AI 工程师面试题，全部来自 “公开报告的面试经历” 来自 @outcome_school 团队 @pallavishekhar_ 开源发布，内容几乎涵盖了 OpenAI、Anthropic、DeepMind、xAI、DeepSeek、Kimi、GLM 等 AI Labs，Cursor、Cognition、ElevenLabs 等 AI Native 团队和 Nvidia、Microsoft、Amazon、Apple 等头部大厂。 覆盖的岗位头衔也非常多：AI Engineer、LLM Engineer、Gen AI Engineer、ML Engineer、Research Engineer、Applied Scientist、FDE、MLOps/LLMOps 工程师等。 开源地址： # 内容架构：一个精心设计的双层结构 第一层：跨公司通用题（Common Questions）。 作者把在多家公司反复出现的题目只列一次，标注"Asked at"哪些公司，按十大主题组织： 1. LLM 内部机制与架构 — attention 缩放因子、KV cache 内存公式推导、MQA/GQA/MLA、FlashAttention、BPE、RoPE/YaRN、Chinchilla scaling laws、MoE、解码采样策略、lost-in-the-middle、RMSNorm、SwiGLU 2. 推理、服务与 GPU 性能 — prefill vs decode、continuous batching、PagedAttention、投机解码、量化（FP16→FP4）、五种并行策略、TTFT/TPOT 指标、H100 上的 roofline 计算、vLLM/SGLang/TensorRT-LLM 选型、“如何把服务成本降 10 倍” 3. RAG 与检索 — 分块策略、BM25 vs 稠密检索、重排序器、HyDE、权限感知检索、ANN 索引、索引新鲜度、答案归因 4. Agent 与工具调用 — ReAct、MCP、工具 schema 设计、多智能体编排、Agent 记忆、循环终止条件、人类审批 5. 微调与对齐 — RLHF/DPO/GRPO/RLVR 全谱系、LoRA/QLoRA 数学、灾难性遗忘、“提示 vs RAG vs 微调”决策框架、蒸馏、reward hacking 6. 评估与可观测性 — LLM-as-judge 及其偏差、幻觉检测、基准污染、Agent 评估、回归门禁 7. 安全与负责任 AI — 提示注入（直接/间接）、OWASP LLM Top 10、护栏、Constitutional AI、红队 8. 多模态与语音 — VLM、语音 Agent 延迟预算、barge-in 打断处理、级联 vs 端到端语音、ASR/TTS 评估 9. AI 系统设计 — 十类高频设计题（千万级文档企业 RAG、代码助手、客服 Agent、Text-to-SQL、LLM 网关、数亿用户聊天服务等） 10. 编码题 — 从零实现 attention、KV cache、BPE、采样；LRU 缓存、令牌桶限流器、异步批处理器、SSE 流解析器、最小 Agent 循环 第二层：35 家公司的专属章节，分为五大梯队： 1. 前沿实验室（12 家）：Anthropic、OpenAI、Google DeepMind、Meta、xAI、Mistral、Cohere、DeepSeek、月之暗面（Kimi）、智谱（GLM）、阿里（Qwen）、Sarvam AI（印度） 2. 大厂 AI 组织：Microsoft、Amazon、Apple、NVIDIA、Tesla，以及一组消费级 ML 公司（Uber/Netflix/LinkedIn/Airbnb/Pinterest/Spotify） 3. AI 基础设施公司：Databricks、Groq、Together AI、Hugging Face、Scale AI、Perplexity 4. AI 原生产品公司：Cursor、Cognition（Devin）、Sierra、Harvey（法律）、Glean、 AI（机器人）、Waymo 5. 前向部署/企业 AI：Palantir # 题目分布透露的行业信号同样值得关注 1. 公司的差异化考察方向，和它的商业模式严丝合缝。 这是最能体现整理功力的地方： · DeepSeek、月之暗面、智谱、Qwen 的题目深度绑定自家论文——MLA、auxiliary-loss-free 负载均衡、Multi-Token Prediction、MuonClip、DualPipe、长上下文扩展、GLM 的 thinking 模式。面试这些公司等于面试它们的论文，还要求 PyTorch 从零实现 MoE 路由。 · Groq 的题全是 SRAM-only 架构下的 roofline 重推演：“没有 HBM，decode 的 roofline 论证哪里变了”、“确定性在 p99 层面到底买到什么”。 · Apple 清一色端侧：3B 模型在手机上跑、PTQ vs QAT、不采集用户内容的前提下用设备信号改进模型、30+ 语言区无法记录用户内容的评估方案。 · CharacterAI 是推理经济学：“我们的服务成本被 KV cache 而非权重主导，降一个数量级，代价是什么”。 · Harvey（法律）和 Abridge（医疗） 考的是领域约束下的工程：200 页信贷协议里第 140 页的条款依赖第 8 页的定义术语怎么检索、生成的病历中出现了患者没提过的药怎么当作安全事故处理、PHI 如何约束整个架构。 · Palantir 的招牌是 "decomposition" 轮：把“一家货运铁路公司每年因机车非计划停机损失数千万”分解成工程计划。 2. 编码轮的形态正在发生实质性变化。 文档里反复出现的一类题，与传统 LeetCode 明显不同： · “实现一个内存 KV 存储：先 SET/GET/DELETE，再加事务 BEGIN/COMMIT/ROLLBACK，包括嵌套事务”（OpenAI、xAI 都问） · “给你一个 LLM 推理引擎的调度器类，其中一个方法是空壳，没有规格没有文档。说说你头三十分钟干什么”（xAI） “重构这 120 行能跑但很乱的代码，不许破坏测试”（OpenAI） · “对 5 万个文档跑 LLM 调用，API 限 100 并发、偶发 429 和超时，把 Python 写出来”（Anthropic） 考察重心从算法记忆转向增量需求下的代码演进能力、并发正确性、真实工程约束下的取舍。 3. “AI 协作轮”作为新题型已经进入正式面试流程。 这是文档里最前沿的信号： · Anthropic 部分机器学习岗有 AI-collaboration 轮：现场给你 Claude，考察的是你如何指挥它和验证它的产出，而不是你自己写。 · Meta 2026 年的流程新增三阶段 AI 辅助编码轮（探索修复 → 实现新功能 → 扩展改进）。 · Cursor 的 onsite 是两天在真实 Cursor 代码库上做一个功能（或 8 小时远程版），明确考核你对 AI 工具的使用效率和自主 scoping 能力。 · Sierra 给你两小时和任意 AI 工具，看你选择做什么。 xAI 有四小时限时产品构建。 4. FDE 成为一级岗位类别。 Anthropic、OpenAI、Databricks、Scale、Together、Sierra、Harvey、ElevenLabs、Palantir 的章节里都有 "Applied and Forward-Deployed Scenarios" 专属题库——典型题目如“企业客户说 Claude 幻觉太多，你是驻场工程师，头 48 小时做什么”。这对应了 AI 公司向企业交付方式的转变：模型能力差距收窄后，落地能力成为差异化。 5. 硬核系统题的普及。 "H100 上 70B 模型 batch size 1 的 roofline 计算"、"估算 70B 模型的 GPU 显存（权重 + KV cache + 激活 + 碎片）"、"p99 延迟在部署后翻倍但模型没变，走一遍诊断”——这类题横跨 NVIDIA、Together、OpenAI、Perplexity 等多家，说明推理性能的量化直觉已成为 AI 工程师的通用素养，而非基础设施工程师的专属。

前两周面了一家硅谷背景的 AI 基础设施团队，考官抓着大模型结构化输出的容错刨根问底。 面试官发难：考官指着屏幕上的 Python 代码：“我们需要大模型提取实体并返回纯 JSON 供后端解析，怎么彻底防止它偶尔在开头输出一段‘好的，这是为您生成的回复：’或者把 Markdown 反引号带进去？” 我心里怎么想的：我强忍住想笑的冲动：“这不就是我们日常调教大模型的基本功吗？恐吓它、教育它、多给两个 Few-shot 样例，它不就老实了？！” 我嘴上怎么答的：“呃,在 Prompt 里加粗强调：‘【死命令】：只许输出纯 JSON，严禁输出任何多余废话或 Markdown 符号，违者扣分！’” 面试官的反应：考官推了推眼镜，眼神里满是看破红尘的无奈：“不管你怎么用感叹号恐吓大模型，在概率采样的世界里，它总有千分之一的几率抽风，你的后端解析就会在半夜报 500。” 后来进了大厂跟组里负责推理引擎的 Tech Lead 聊起这事，才发现我当时有多天真。靠自然语言 Prompt 永远无法保证 100% 确定性。大厂的做法是走底层约束解码（Grammar-Guided Decoding），比如通过 Outlines、Jsonformer 或者模型官方原生的 Structured Outputs API，直接在 Logits 采样阶段把所有非合规字符的概率强行置零！

最近几天密集面试研发实习生，感叹后生可畏！ 参加面试的同学们基本是研二或大三，01-02 年、05-06 年左右居多，这些 00 后同学的想法让我很意外。 想想自己大三时，还在到处做促销和家教工作赚生活费，因为物理学专业本科不好找工作，也没实习单位，对秋招来迷茫的要命，完全不知道自己毕业后要做什么工作，更别说更长远的所谓「规划」，完全没有。 这些同学，普遍都经历过至少一段大厂实习，字节和腾讯的更多。在实习后，大多数都决定下一段实习找 AI 方向的初创团队（当然也有大厂 HC 紧张的原因），希望能通过实习转正留在初创团队，寻求个人更快的成长和拼一次能带来财务自由的长期激励。 谈及对大厂的工作感受，也普遍祛魅，不像 10 多年前我们对大厂的向往了，他们很多都受不了大厂繁琐的流程，也不愿接受自己长期只做一小块业务，看到工作了几年的 mentor 们，也明显不是他们想成为的样子。

互联网大厂选打工人特质： 1️⃣字节：喜欢聪明人，思考有深度，千万不要谦虚（喜欢能装b+深谙互联网话术+看上去就很厉害的人） 2️⃣腾讯：温和抗压、擅长产品思维，有自己&用户&行业的视角（喜欢能画饼or做饼+知道怎么抄同行+抄出风格特色） 3️⃣华为：喜欢家里穷的，野山沟里面飞出来的凤凰（没有任何退路） 4️⃣美团：喜欢务实的人，数据驱动业务闭环，落地一把好手（如果面试跳脱逻辑讲那些虚的宏观的，在美团可能过不了） 5️⃣阿里：看重个人认知和想法，有逻辑，有操盘能力（对不对不重要） 6️⃣京东：大促战神级靠谱，兄弟局里最能扛（能当兄弟的）

最近几个月的面试中，候选人离职比例最高的原因是「组织架构调整」，俗称裁员。。 这个原因也是中国互联网最普遍的，特别是大厂。 在这之外，还有一类原因：公司 CTO/负责人 离职了，新人过来后，带了自己的人来，我就被边缘化了，所以不得不离职。 这个原因我是到现在为止都不理解的，CTO 空降，为什么一定要带着自己的人过来？这也太「一朝天子一朝臣」了！