与「面试题库」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#

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。

新的博客文章《后面试时代与 AI 刷题》： 为了准备面试，程序员都会去刷算法题，最常见的就是使用 LeetCode 题库。 生成式 AI 出现后，越来越多的人发现，有了 AI，人肉刷题似乎不那么必要了。 AI 厂商开始推出，针对面试的刷题工具，下面就是我的试用体会。

面试官：看你简历上写了做过公司内部 IM，那定位打卡这种功能应该做过吧？ 候选人：做过做过。 面试官：讲一下思路，还有遇到的困难吧。 候选人：思路倒是简单，先验系统完整性，完整性没问题直接拿 GPS 经纬度和设备信息上报给后端，由后端做打卡验证。 面试官：你们就没碰到过虚拟定位的？ 候选人：碰到过，我们后面加了点 xposed 检测，root 检测，等等，毕竟你也知道，安卓端那完整性检测好绕得很。 面试官：常见做法，后面呢？ 候选人：后面那帮用户想办法绕过了啊，手机是人家的，我们玩不过他们，不过再后面我们想了个完美解决办法。 面试官：完美？我已经很多年没见过有人面试敢说完美了，讲讲？ 候选人：我们不报失败了。 面试官：啊？ 候选人：不管用户开没开虚拟定位打卡，我们都显示打卡成功。 面试官：那检测呢？ 候选人：后台照样检测。检查到有问题就标高风险。 面试官：…… 候选人：这样一般人都会觉得我们根本不检测，根本不会上什么狠活来绕过我们。 面试官：等等，我突然想看看我上个月的考勤。

这周帮其他团队电话面试了几个应聘垂直业务 agent 研发的候选人，基本上我开头一个问题就能初筛掉 90% 的面试者： /goal 命令是如何实现的？ 真正做过 harness 的人才知道 goal 有多难搞：完成判断、验收标准、状态持久化、异常兜底、预算控制、上下文压缩不丢任务、缓存命中不被打乱。。。

朝鲜黑客真是毒瘤，什么招都能想出来。 他们除了盗交易所的钱，散户的也不放过，最近朝鲜的黑客在扮 AI 和加密公司的面试官，专找网页设计师，工程师和做 Web3 的人。 套路也不难。 约一场技术面试，让你从开发者平台下载项目做题，或者说视频卡了，下个文件修一下，文件里带着木马，偷的是钱包和密码。 面试官还会 AI 换脸，聊一会儿就借口网络差关掉视频。 美日德澳 7 个机构这几天联合警告，这套假面试感染了至少 3 万台设备，从 7000 多个钱包拿走资金或凭证，约 1071 万美元流进平壤。 面试让你下载东西跑一下的，别在装着钱包的电脑上跑了。。

准备面试 AI 岗位，想知道 Anthropic、OpenAI 这些大公司到底爱问什么，只能一个个帖子翻。 有人把 35 家公司公开流出的 AI 工程面试题，按公司逐家整理成了一个仓库，能找到解答的题目下面直接附了链接。 先看跨公司的高频题，注意力机制、KV 缓存、检索增强、Agent、系统设计这些分成 10 类，每题都标了哪几家问过。 GitHub： 每家公司还写了面试流程。像 Anthropic 是 30 分钟初筛、70 到 90 分钟编程测评，再加五轮左右，前后 3 周到 2 个月。 我觉得最有意思的是题目本身，比如「5 万份文档要跑一遍模型调用，接口只让开 100 个并发还会报错，代码怎么写」。 还有一题问，像 Claude Code 这样的编码 Agent，模型和外面那层框架哪个更重要，现在的面试确实很贴近实际工作了。 打算往大模型应用、Agent 方向投简历的，先把前面那 10 类高频题过一遍。

今天的面试真的很奇葩，一开始面试官告诉我，我们来一个js的live coding，然后说:“我看到你的vs code里面启用了github copilot，请把它禁用掉，但是你可以用google来查询信息。。。”，然后整场面试我就在用古法编程，手搓代码，连自动补全都不能用，然后还时不时的google一下，从StackOverflow上面copy & paste一些代码。好吧，我收回我昨天的话，现在在某些奇葩面试场合还是会访问到StackOverflow。 面试最后还超时了20分钟，然后快结束了我问面试官他们是否现在用AI来写代码，他说是的，现在基本只有人工review PR。 我是实在不明白，现在这种手搓代码的面试到底有什么意义？估计连他自己要下场手搓代码都搓不全。🤬