与「面试题库」相关的搜索结果

你难道就没想过要在闲鱼上卖虚拟资料，卖PPT模板、卖Excel表格、卖Word简历模板、卖Canva模板、卖Notion模板、卖思维导图、卖考公笔记、卖驾考题库、卖Python入门包、卖剪辑教程、卖PS教程、卖AI提示词合集、卖Midjourney提示词、卖ChatGPT指令包、卖短视频脚本模板、卖小红书文案模板、卖直播话术、卖带货话术、卖私域话术、卖客服话术、卖简历范文、卖求职攻略、卖面试题库、卖商业计划书模板、卖合同模板、卖财务报表模板、卖运营SOP、卖社群运营手册、卖电商选品表、卖跨境选品表、卖亚马逊Listing模板、卖小程序模板、卖浏览器插件、卖自动化脚本、卖闲鱼话术、卖闲鱼标题公式、卖设计素材包、卖图标包、卖UI组件、卖海报模板、卖封面模板、卖表情包、卖壁纸包、卖头像包、卖摄影预设、卖调色LUT、卖字幕模板、卖转场包、卖游戏攻略、卖起号教程、卖涨粉教程、卖变现教程、卖副业手册、卖搞钱合集、卖信息差清单、卖读书笔记、卖思维模型卡片、卖复盘模板、卖日程计划表、卖电子手帐、卖健身计划表、卖减脂食谱、卖烘焙配方、卖咖啡冲煮笔记、卖旅行攻略、卖民宿避坑指南、卖酒店比价表、卖留学申请清单、卖签证材料清单、卖早教闪卡、卖英语口语素材、卖日语五十音包、卖Figma组件库、卖电商主图模板、卖详情页模板、卖利润测算表、卖定价公式、卖成本核算表、卖库存表格、卖CRM表格、卖OKR模板、卖周报模板、卖述职PPT、卖路演PPT、卖融资BP模板、卖竞品分析框架、卖用户画像模板、卖问卷模板、卖内容日历、卖选题库、卖爆款标题库、卖钩子库、卖评论区话术、卖私信转化话术、卖差评处理话术，同一套东西挂几个价，AI 打包自动发货，不进货、不发物流、没库存、几乎没人退，链接多挂几条把单量堆起来，然后这辈子都不用再找工作了？

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。

保密的活交给 AI，第一句该问的不是它能干什么，是它会不会把秘密带出门？ Anthropic 官方新课《Introduction to Claude Tag》第四课，先把一句话说死：非公开频道里的 Claude 和公开频道里是同一个同事，但它认墙。人事、财务、法务、带保密细节的客户升级，本来就放在非公开频道里，频道有墙，Claude 也认这堵墙——它在频道里学到的东西只留这个频道，出了频道，它就当这个频道不存在。 非公开频道里第三课的活照样干：财务频道里去开票系统把客户的账拉出来；人事频道里把面试反馈整理好贴回帖子；法务频道里把合同要改的几条标出来；客户升级频道里把跟进工单开好。活干完回帖子里，只有频道里的人看得见、改得了、接得上。 动手之前先分清两件事。第一，工具只给成员用：可以只连在这个频道上，比如财务频道里连上开票系统，只有频道成员能让 Claude 用它，它能干的，也只限那个账号被允许干的，权限给到刚好够干活。第二，成员名单就是权限名单：频道连上的工具账号能看到什么，频道里每个人通过 Claude 就都能看到什么，名单多一个人，就多一个人能看到，先把名单收紧。 还有一条要记死：它在这里学到的东西，只存这个频道的笔记里，绝不存全组共用的笔记里。公开频道里教给它的，这个频道能沾光；这个频道里学到的，别的频道沾不到。带客人的频道、和别的公司共用的频道里它回不回答，是管理员定的，它回答也只待在这个频道里。 S1哥观点：说“保密的活只能藏在私信里，一个人干”的人，和说“非公开频道就是人少一点的公开频道”的人，错的是同一处，都没看懂第四课——非公开频道不是人少的地方，是秘密不出门的地方。私信里一个人干是第 2 课的活，几个人才能干的保密活，本来就该放在非公开频道里；反过来，把不该进频道的人随手拉进来，名单一松，秘密就跟着出门了，那也叫不负责。分得清什么时候该私信、什么时候该公开频道、什么时候该非公开频道，才叫会用。你呢？你们团队有没有那种只有几个人能进、却没人敢第一个艾特它的频道？你第一件想让它在非公开频道里干的保密活是什么？评论区说说。 收藏用清单（照着做）： 1. 先问清这个频道连了什么工具、能看到多少历史，再派活。 2. 再看一眼成员名单，名单里不该有的人先请出去。 3. 派活之前先想想这件活该放在这里吗，全组能看的挪到公开频道，只属于你的挪到私信。 4. 活干完先在帖子里看一遍，错了在帖子里纠正，说“以后这个频道都这样”。 转给那个还在私信里一个人翻账、再一条一条发给频道里几个人的同事，先派一件小活试试，再说它有没有用。 #Claude中文教程#

交作业了！ 之前聊到那套《2026 AI 工程面试 100 题》，私信和评论区不少朋友在问完整内容。 其实如果只看题目，不仅很难抓住重点，甚至越看越焦虑。所以我花时间把整整 100 道题重新做了工业化梳理，给每一道题都补充了【核心考点剖析】与【生产级排障参考答案】，顺带把 7 道系统大题的架构方案也完整补齐了。 已经整理并开源到 GitHub，大家可以直接自取： 👉 这份手册的核心亮点： 1. 真实线上事故全覆盖：覆盖 Prompt 踩坑、RAG 检索、Agent 状态机死循环、微调选型、vLLM 推理排队、生产安全与成本治理 8 大板块； 2. 折叠卡片式设计：每道题点击即可展开工业级题解，非常适合用来做个人自测或团队技术选型查漏补缺； 3. 7 道系统设计大题：包含 5 万人企业级 RAG、10 万单电商客服 Agent、共享推理网关、万圣节数据穿透应急等完整端到端架构。 不管是准备接下来的技术面试，还是正在线上做大模型落地排障，都可以存一份备用。 如果对你有帮助，欢迎去 GitHub 顺手点个 ⭐️ Star 支持一下！

一人公司如今确实落地成真了，马斯克推出的 Grok Bot 能让你亲身感受当老板是啥滋味！ GitHub 上已经有人把一整套现成方案梳理完毕：150 个 bot，再配上一份零成本搭建路线图👇 → 写作方面：起稿、润色、编校 → 设计方面：头像、品牌物料、插图 → 视频方面：剪片、字幕、动效 → 社媒方面：发帖、排内容日程、推送 → 调研方面：搜集资料、撰写简报、分析市场 → 编程方面：开发搭建、排查问题、审阅代码 → 网站与界面方面：页面制作、交互设计、用户体验 → 数据与文档方面：制表、出报告、整理文件 → 销售方面：挖掘客户、主动触达、持续跟进 → 营销与 SEO 方面：市场定位、搜索优化、推广活动 → 邮箱与日程方面：分类邮件、安排日程、发出提醒 → 项目与流程方面：任务分配、环节交接、自动化处理 → 财务与行政方面：开具发票、编制预算、日常运营 → 学习方面：制定学习计划、整理笔记、安排练习 → 求职方面：搜寻岗位、撰写简历、准备面试 这个公开的 bot 资源库完全免费，一分钱都不用掏。 哪件事每天最耗你的时间，就挑一个专门的 bot 帮你代劳。 项目地址：

面试时我问了个特别接地气的问题：Tool Call 少传字段怎么不崩？ 对面是个做过一年 Agent 项目的候选人，简历写着熟悉工具调用。他先说让模型自己补，我又问写入工具收不到分区字段会怎样。 他停了大概十秒：「那就……在提示词里再强调一次必填吧。」我又追一句，写分区表的工具漏了 dt 该让流程停在哪。他没再接，说之前都是框架兜的。 三个候选人里有两个停在这一步，差别不在会不会调模型，在有没有亲手接过参数不全的工具返回。 我让他现场补一段 Pydantic 校验，他写完才反应过来，失败时该回传报错让模型自纠，而不是抛异常断掉整条链。 你们面 Agent 岗，会追到参数不全那一步，还是到能跑通就收？

Vibe coding 越来越普遍，不少应届生大学期间几乎没亲手写过几行代码。 有没有发现一个很荒谬的现象。 现在应届生、实习生简历，到处都是精通Agent开发、熟练搭建RAG架构、基于LangChain/Harness做全栈项目这类描述。 真到面试深挖，问到向量检索底层逻辑、上下文溢出怎么处理、Agent状态机和重试机制，大多只停留在背名词的程度。 更矛盾的是，并发、数据库索引、计算机网络这些基础工程内容，一问就卡壳。 所有人都急着把自己包装成AI时代前沿开发者，却没有把最底层的工程基本功打扎实。