技术面试从来不是走过场，每一道题都在考验你的知识深度和思维韧性。下面这份来自阿里云大模型算法岗的一面复盘，或许能给你带来一些启发。
一、项目深挖
面试官对你的项目经历展开了细致追问，这不是简单的“你做了什么”，而是要看你为什么这么做、遇到了什么困难、又是如何突破的。每个细节都可能成为亮点，也可能暴露短板。
二、Python基本功：List与Dict的操作及复杂度
基础不牢，地动山摇。对于列表和字典的常见操作，你不仅要会用，更要对时间复杂度心中有数。
python里的list和dic常见的操作以及复杂度，比如：
- List的
append是O(1)，但insert到头部是O(n) - Dict的
get和set在平均情况下都是O(1)
这些看似细微的差别，在高并发或海量数据的场景下会被无限放大。
三、数据结构：栈与队列的原理与使用场景
为什么要有栈？为什么要有队列？
栈和队列的原理和使用场景各有千秋。
- 栈遵循后进先出，适合处理函数调用、括号匹配、撤销操作这类“后来居上”的逻辑。
- 队列讲究先进先出，在消息排队、广度优先搜索、任务调度中扮演关键角色。
理解它们的原理不难，难的是在复杂问题中能第一时间想到用它们来优雅解题。
四、网络协议：TCP和UDP的区别
这是一道经典题，但能答出层次感的人并不多。
TCP和UDP的区别在于：
- TCP：面向连接、可靠传输、有拥塞控制和流量控制，适合文件传输、网页浏览等对准确性要求极高的场景。
- UDP：无连接、尽最大努力交付、低延迟，常用于视频直播、在线游戏、DNS查询等宁可丢包也不愿卡顿的场合。
更深一层，你可以谈谈它们在大模型分布式训练中的通信选择，比如梯度同步多用TCP保证正确性，而某些监控信息则可能走UDP降低开销。
五、归一化技术：RMSNORM和layernorm区别
两者都是对神经网络中间层的激活值进行归一化，但实现哲学略有不同。
RMSNORM和layernorm区别在于：
- LayerNorm：计算均值和方差进行标准化，再通过可学习的缩放和平移参数还原表达能力。
- RMSNorm：省略了均值计算，只依赖均方根进行缩放，计算量更小、训练更稳定，在LLaMA等大模型中得到广泛应用。
这种细节上的取舍，往往决定了模型能否在有限算力下顺利收敛。
六、注意力机制变体：GQA、MHA、MQA的区别
这三个缩写背后是效率与效果的精妙平衡。
GQA、MHA、MQA的区别具体如下：
- MHA：标准多头注意力，每个头独立计算，表达力强但显存开销大。
- MQA：所有头共享同一套Key和Value，大幅减少KV缓存，推理速度快，但可能牺牲部分质量。
- GQA：折中方案，将头分组，组内共享KV，在保持推理效率的同时尽量贴近MHA的效果。
大模型推理阶段的瓶颈常在于KV缓存，理解这些变体能帮助你从底层优化生成速度。
七、项目的创新点
项目的创新点在面试中反复出现，说明它在评价体系中权重极高。
面试官期待的不是罗列功能，而是听到你在解决某个具体痛点时，做出了哪些别人没想到、或想到了但没做好的设计。哪怕是微小的改进，只要逻辑清晰、效果可验证，就是竞争力。
八、基于RAGFlow的项目追问
基于RAGFlow的项目问的是以下两个核心问题，每一个都直击落地痛点。
1. 怎样精确把图片识别为一个块
文档解析中，图片常常与文字交错出现，粗暴切割会破坏上下文关联。
怎样精确把图片识别为一个块？这里涉及布局分析模型的运用，以及对视觉元素边界检测的精细化处理。你需要描述一套判断逻辑：如何区分嵌入图片、背景图、表格截图，并决定它们是否应该被提取为独立的检索单元。
2. 怎样减小幻觉的
幻觉是大模型落地最大的“拦路虎”。
怎样减小幻觉的？在RAG框架下，缓解幻觉的手段包括但不限于：
- 提升召回片段的相关性，让模型有据可依
- 引入引用标注机制，强制模型指出答案来源
- 设置置信度阈值，对不确定的回答触发澄清或拒答流程
这些策略的共同目标是：让生成内容牢牢扎根于检索到的真实文档。
九、手撕代码：原地合并两个升序数组
9.1 实现步骤
- 初始化指针
- i = m - 1 指向 nums1 有效元素末尾
- j = n - 1 指向 nums2 末尾
- k = m + n - 1 指向 nums1 最末位置（可用空间）
- 从后向前比较并填充
- 比较 nums1[i] 和 nums2[j]，将较大值放到 nums1[k]
- 移动对应指针和 k
- 处理剩余元素
如果 nums2 还有剩余，直接复制到 nums1 前面部分
9.2 Python 示例代码
from typing import Listdef merge(nums1: List[int], m: int, nums2: List[int], n: int) -> None: i, j, k = m - 1, n - 1, m + n - 1 while i >= 0 and j >= 0: if nums1[i] > nums2[j]: nums1[k] = nums1[i] i -= 1 else: nums1[k] = nums2[j] j -= 1 k -= 1 if j >= 0: nums1[:j+1] = nums2[:j+1]# 测试nums1 = [1,2,3,0,0,0]merge(nums1, 3, [2,5,6], 3)print(nums1) # 输出: [1,2,2,3,5,6]写在最后
一场高质量的技术面试，就像一面镜子，照出你的知识广度、思维深度和工程手感。
上面这些问题，你能流畅答出几道？不妨在评论区聊聊你的解法，或者转发给正在备战面试的朋友——一起查漏补缺，才能走得更远。
学AI大模型的正确顺序，千万不要搞错了
🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！
有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！
就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋
📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇
学习路线:
✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经
以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！
我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～
