公司题·非Agent
公司题·非Agent
前端、职业经历、经典机器学习和与 Agent 无关的后端、算法题。来自 ai-engineering-interview-questions-company-wise-zh-cn，不并进 Agent 技术页。题干带「非Agent」。个人经历只给答法，不编履历和指标。
算法、编码与后端
532 · 中 · 非Agent · 实现 O(1) get/put 的 LRU 缓存,然后加上 TTL。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · 跨公司通用，也出现于 OpenAI、xAI、Alibaba
笔记整理，不是该仓库的原文。
哈希表指向双向链表的节点，做到 O(1) 查找。命中就把节点移到表头。满了就淘汰表尾。TTL 给节点一个过期时间，读取时懒删除，或者有一个按时间的顺序顺便清。分布式之后，单机的链表不再是全局顺序，过期和淘汰要接受近似，或者把顺序交给一个集中存储。
533 · 中 · 非Agent · 实现一个令牌桶限流器,然后让它分布式化。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · 跨公司通用，也出现于 Anthropic、OpenAI、xAI、Cohere
笔记整理，不是该仓库的原文。
桶以固定速率补充令牌，请求取走令牌，桶有上限所以允许短突发。分布式时不要每台机器各记各的，否则限额被乘以机器数。用一个集中计数并接受一点竞争，或者按用户分片。滑动窗口比固定窗口更不容易在边界放进两倍流量。租户、用户和全局是三层限额，不要只做一层。
534 · 中 · 非Agent · 写一个针对 API 的异步批处理器,支持并发限制、带抖动的重试和错误隔离。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · 跨公司通用，也出现于 Anthropic、Perplexity
笔记整理，不是该仓库的原文。
用有界并发，而不是无界创建任务。429 和超时退避并加抖动，避免一起重试。单个失败进错误列表，不要取消整批。结果和输入用同一个 ID 对齐。有最大批量还要有最大 token 数，先到哪个限制就封一批。
535 · 中 · 非Agent · 在嵌入上实现余弦相似度检索,然后解释为什么你最终不会直接上线它。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · 跨公司通用
笔记整理，不是该仓库的原文。
余弦相似度是原型，用来证明嵌入和排序。数据一大，全量扫描的延迟和内存都不成立，要换近似索引，并接受召回不是 100%。它也不处理权限、更新和过滤。所以上线用的是带过滤的向量库，不是这段双循环。
536 · 中 · 非Agent · 为一个玩具版银行应用构建核心业务逻辑:一份会分四个递进层级不断加需求的 spec,对着一个黑盒评测器写。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Anthropic
笔记整理，不是该仓库的原文。
按层加功能，每层测试先绿再加下一层。账户、余额和流水分开。后来的限额、审计不要塞进原来的存款函数里。黑盒评测器失败时，先看你破坏了哪一层的不变量。
537 · 中 · 非Agent · 构建一个内存数据库:先做 SET/GET/DELETE,再做带过滤的扫描,再做带时间戳的 TTL,最后做文件压缩。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Anthropic
笔记整理，不是该仓库的原文。
先做哈希表的 SET/GET/DELETE。扫描过滤是遍历加谓词，不要为每个字段建索引除非评测要求。TTL 用过期时间加懒删除。压缩是把存活键重写到新空间。接口稳定，后面的需求才加得进去。
538 · 中 · 非Agent · 实现一个任务调度器。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Anthropic
笔记整理，不是该仓库的原文。
任务有状态。等待、运行、完成、失败。调度器只决定谁运行，不把业务写进调度循环。取消和超时是状态迁移。先单线程正确，再谈并发。
539 · 中 · 非Agent · 用面向对象的方式实现一个管理课程、成绩与学生的系统。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Anthropic
笔记整理，不是该仓库的原文。
学生、课程、选课是三份数据，成绩挂在选课上，不要挂在学生或课程的字符串里。改成绩是一次更新。查询「某学生的课」和「某课的学生」都要从选课走。
540 · 中 · 非Agent · 给定一个会抓取某个 URL 的辅助方法,写一个针对某个域名的爬虫:先同步,再改成异步。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Anthropic
笔记整理，不是该仓库的原文。
同步版先把去重、同域限制和失败写对。异步版只改等待网络的方式，队列和已访问集合不变。并发上限要有，否则你会把自己或对方打满。
541 · 中 · 非Agent · 把嵌套的调用栈轨迹转换成离散的开始事件与结束事件。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Anthropic
笔记整理，不是该仓库的原文。
栈上的一对进入和退出，对应时间线上的 start 和 end。用栈模拟嵌套。弹出时发出结束事件。输入不合法就明确失败，不要默默配平。
542 · 中 · 非Agent · 实现一个限流器。之后我每十分钟加一个需求:按租户限流、突发配额,然后是滑动窗口。你怎么保证代码不会塌掉?
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Anthropic
笔记整理，不是该仓库的原文。
限流策略做成可替换的对象，调用方只问「允不允许」。令牌桶、按租户、滑动窗口是不同策略，不是在一个函数里堆 if。测试按策略写，加需求时旧测试还在。
543 · 中 · 非Agent · 你需要对 50,000 篇文档各跑一次 LLM 调用。API 允许约 100 并发,偶尔会返回 429 和超时。请写出这段 Python。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Anthropic
笔记整理，不是该仓库的原文。
用有界并发，而不是无界创建任务。429 和超时退避并加抖动，避免一起重试。单个失败进错误列表，不要取消整批。结果和输入用同一个 ID 对齐。有最大批量还要有最大 token 数，先到哪个限制就封一批。
544 · 中 · 非Agent · 你会如何把这个任务并行化?(并发与数据修改在多个轮次里反复出现。)
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Anthropic
笔记整理，不是该仓库的原文。
先确认共享状态。只读数据可以分片并行。会写的累加器要么每线程一份再合并，要么用锁，不要无锁地改同一个 dict。并行之后用同一输入对结果。
545 · 中 · 非Agent · SQL:写一条查询,找出最常被一起购买的前五组商品对。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Anthropic
笔记整理，不是该仓库的原文。
同一订单里的商品两两成对，用自连接把左边的商品 ID 限制成小于右边，避免 (A,B) 和 (B,A) 各算一次。按对分组计数，取得分最高的五组。
546 · 中 · 非Agent · SQL:判断是否存在某个用户的订阅日期区间出现重叠。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Anthropic
笔记整理，不是该仓库的原文。
同一用户两条区间重叠的条件是一条的开始早于另一条的结束，并且另一条的开始早于这一条的结束。自连接后用用户 ID 过滤。端点相接算不算重叠，先和面试官对齐。
547 · 中 · 非Agent · SQL:某次 ETL 错误每年都插入一条新的薪资记录,请返回每个员工的当前薪资。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Anthropic
笔记整理，不是该仓库的原文。
不能相信「最后插入的那行」。按员工取生效日期最大、且日期不晚于今天的那条。如果错误插入的年份更晚，就要有一条业务规则把未来日期排除，而不是用 MAX(id)。
548 · 难 · 非Agent · 设计并实现一个内存键值存储,支持 set、事务 begin、commit 与 abort。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · OpenAI
笔记整理，不是该仓库的原文。
事务是一组操作的日志。提交才把日志应用到主表。回滚丢掉日志。嵌套用栈，内层回滚只丢内层，外层仍可提交或回滚。没有事务时 SET 直接生效。
549 · 中 · 非Agent · 一步一步实现一个数据库 ORM。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · OpenAI
笔记整理，不是该仓库的原文。
先映射一行到对象，再做按主键读取和按条件查询。插入和更新分开。不要第一步就做关系懒加载。SQL 注入用参数绑定，不拼字符串。
550 · 中 · 非Agent · 用 Go 写一个小网页爬虫。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · OpenAI
笔记整理，不是该仓库的原文。
同步版先把去重、同域限制和失败写对。异步版只改等待网络的方式，队列和已访问集合不变。并发上限要有，否则你会把自己或对方打满。
551 · 难 · 非Agent · 用给定的 CSS 和 API 按设计稿实现一个 UI。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · OpenAI
笔记整理，不是该仓库的原文。
先把布局和状态对上设计稿，再谈动画。数据来自给定 API，空态和错误态要有。不要换成另一套组件库来「优化」。
552 · 中 · 非Agent · 重构烂代码:这里有约 120 行能跑但很乱的代码,并且测试是通过的。在不破坏测试的前提下改进架构。你先改什么?
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · OpenAI
笔记整理，不是该仓库的原文。
测试先留着当网。先消重复和过长函数，不改行为。每次移动都跑测试。不要边重构边加功能。
553 · 中 · 非Agent · 写一个 Python 函数,输出前 n 个斐波那契数。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · OpenAI
笔记整理，不是该仓库的原文。
迭代从 0 和 1 往后加，O(n)。递归不加记忆化会指数爆炸。n 的边界是 0 和 1。
554 · 中 · 非Agent · 写一个感染传播模拟。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · OpenAI
笔记整理，不是该仓库的原文。
图上的扩散用队列做 BFS 或按轮模拟。每轮新感染的节点来自上一轮的邻居。已经感染的不要重复入队。
555 · 中 · 非Agent · 你在接收一个无界的事件 ID 流。请任意时刻都能返回目前为止出现频率最高的 k 个 ID,且内存有界。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Google DeepMind and Google AI
笔记整理，不是该仓库的原文。
精确做法是哈希计数加大小为 k 的堆。无界流且要有界内存时，精确解不存在，用 count-min sketch 估频率，再维护一个堆。要说明误差，不要把估计说成精确。
556 · 中 · 非Agent · 最近键:给定一个字典,键是字母、值是字母列表,找出最近的键。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Google DeepMind and Google AI
笔记整理，不是该仓库的原文。
把每个键和它的后续字母建成图或从每个键向目标做搜索。没有边就不可达。先确认「最近」是编辑距离还是图上的步数。
557 · 中 · 非Agent · 写一个函数,给定 y_pred 和 y_true 列表,计算均方根误差。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Google DeepMind and Google AI
笔记整理，不是该仓库的原文。
差的平方求均值再开方。空列表要单独处理。不要先平均再平方。
558 · 中 · 非Agent · 解析二元组(bigram):从字符串中提取两词短语,用于 NLP 特征工程。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Google DeepMind and Google AI
笔记整理，不是该仓库的原文。
按词切分后取相邻对。标点先定规则。大小写是否折叠要和特征定义一致。重叠的对都保留。
559 · 中 · 非Agent · 给定一个包含 n 个整数的数组 nums(n > 1),返回一个输出数组(除自身以外数组的乘积)。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Meta (Superintelligence Labs, FAIR, Llama)
笔记整理，不是该仓库的原文。
左右各扫一遍前缀积和后缀积，输出是左边的积乘右边的积。不用除法，因为有 0。额外空间可以压到常数，结果数组不算。
560 · 中 · 非Agent · 在 S 中找出包含 T 中所有字符的最小窗口。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Meta (Superintelligence Labs, FAIR, Llama)
笔记整理，不是该仓库的原文。
滑动窗口加需求计数。右指针扩，直到盖住 T 的全部字符，再尽量收左指针。过程中记录最短的合法窗口。
561 · 中 · 非Agent · 二叉树的序列化与反序列化。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Meta (Superintelligence Labs, FAIR, Llama)
笔记整理，不是该仓库的原文。
前序遍历，空节点写一个显式标记。反序列化用同一个顺序消费标记。没有空标记，结构不唯一。
562 · 中 · 非Agent · 把一棵二叉树转换成一个循环双向链表。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Meta (Superintelligence Labs, FAIR, Llama)
笔记整理，不是该仓库的原文。
中序遍历得到顺序，再把相邻节点互相指向，首尾相连。原树的父子指针不要留着。
563 · 中 · 非Agent · 外星字典:从一个已排序的单词列表中推断字符顺序。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Meta (Superintelligence Labs, FAIR, Llama)
笔记整理，不是该仓库的原文。
相邻单词的第一个不同字符是一条先后边。建成图后拓扑排序。出现环或前缀非法就无解。
564 · 中 · 非Agent · 距离原点最近的 K 个点;前 K 个高频元素;会议室的最小数量。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Meta (Superintelligence Labs, FAIR, Llama)
笔记整理，不是该仓库的原文。
K 个最近点用大小为 K 的堆，按距离。高频元素是计数加堆。会议室把开始和结束事件排序后扫描，同时进行的数量就是需要的房间。
565 · 中 · 非Agent · 含 '.' 和 '*' 的正则表达式匹配。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Meta (Superintelligence Labs, FAIR, Llama)
笔记整理，不是该仓库的原文。
动态规划。模式的 * 要么吃掉零个前一字符，要么在当前字符匹配时继续吃。点和普通字符分别处理。
566 · 中 · 非Agent · 两段式热身:给定一个用户行为流,返回互动量最高的 k 个元素。然后是:为什么你的堆解法在生产中可能是错的选择?
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Meta (Superintelligence Labs, FAIR, Llama)
笔记整理，不是该仓库的原文。
堆给出的是当前样本里的精确 top-k，但流不会停，内存会随不同 key 增长。生产用有界的 sketch，接受近似，并监控误差。
567 · 中 · 非Agent · 构建一个内存键值存储,支持 SET/GET/DELETE,再加入 BEGIN/COMMIT/ROLLBACK 事务,包括嵌套事务。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · xAI
笔记整理，不是该仓库的原文。
事务是一组操作的日志。提交才把日志应用到主表。回滚丢掉日志。嵌套用栈，内层回滚只丢内层，外层仍可提交或回滚。没有事务时 SET 直接生效。
568 · 中 · 非Agent · 写一个迭代器类,惰性地把任意嵌套的 list-of-lists/integers 展平:不能用生成器,要显式维护状态。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · xAI
笔记整理，不是该仓库的原文。
用显式栈保存当前列表和指针，不用生成器。栈顶是列表就展开，是整数就产出。顺序要和从左到右一致。
569 · 难 · 非Agent · 这是一个小型 LLM 推理引擎里的调度器类。其中 _admit_requests 是个空壳:没有 spec、没有 docstring、没有测试。讲讲你的前三十分钟。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · xAI
笔记整理，不是该仓库的原文。
先写你认为这个函数必须保证的不变量。哪些请求能进、满了怎么办、失败怎么办。再补最小测试。不要先猜一个聪明的调度策略。
570 · 中 · 非Agent · 结对编程:构建一个服务,接收用户问题,用第三方 API 的数据做增强,再通过 chat 模型 API 回答。你会怎么组织它?
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Mistral AI
笔记整理，不是该仓库的原文。
检索和生成分开。超时、上游失败和空结果各自有返回。不要把第三方 API 的原始异常直接丢给用户。
571 · 难 · 非Agent · 为一个多租户 LLM API 设计基于 token 的限流器。先实现核心,再告诉我改成分布式之后有什么变化。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Cohere
笔记整理，不是该仓库的原文。
桶以固定速率补充令牌，请求取走令牌，桶有上限所以允许短突发。分布式时不要每台机器各记各的，否则限额被乘以机器数。用一个集中计数并接受一点竞争，或者按用户分片。滑动窗口比固定窗口更不容易在边界放进两倍流量。租户、用户和全局是三层限额，不要只做一层。
572 · 中 · 非Agent · 在一个大型查询日志上实现“top-k 最高频搜索词”,然后告诉我当日志变成跨多台机器的无界流时,什么会崩。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Microsoft
笔记整理，不是该仓库的原文。
精确做法是哈希计数加大小为 k 的堆。无界流且要有界内存时，精确解不存在，用 count-min sketch 估频率，再维护一个堆。要说明误差，不要把估计说成精确。
573 · 中 · 非Agent · 在内存有界的前提下,找出一个高吞吐事件流中出现频率最高的 top-K 元素。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Amazon (AWS)
笔记整理，不是该仓库的原文。
精确做法是哈希计数加大小为 k 的堆。无界流且要有界内存时，精确解不存在，用 count-min sketch 估频率，再维护一个堆。要说明误差，不要把估计说成精确。
574 · 中 · 非Agent · 不用乘法、除法和取模实现两个整数相除。求图中连通分量的数量。检查括号是否匹配。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Amazon (AWS)
笔记整理，不是该仓库的原文。
除法用移位和减法。连通分量用 DFS 或并查集。括号用栈。三题都是在看你能不能把边界说清，不要混在一个函数里。
575 · 中 · 非Agent · 这里有个 CUDA kernel 比预期慢 10 倍。在不运行它的前提下,常见的嫌疑点有哪些,你如何逐个确认?
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · NVIDIA
笔记整理，不是该仓库的原文。
不跑也先看访存是否合并、有没有共享内存冲突、分支是否分化、占用率是不是被寄存器压死。一次只改一个嫌疑，用计算量和字节数估计屋顶线，再决定是算力还是带宽。
576 · 中 · 非Agent · 实现非极大值抑制(NMS)。然后把它向量化。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Tesla
笔记整理，不是该仓库的原文。
按分数排序，保留当前框，删掉和它重叠过高的框。向量化是把两两 IoU 做成矩阵再按行掩码，结果要和循环版一致。
577 · 中 · 非Agent · 为一个固定内存预算的高频传感器数据写一个高效的环形缓冲区。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Tesla
笔记整理，不是该仓库的原文。
固定数组加读写下标。满了就覆盖最旧的，或者拒绝写入，两种语义先说清。传感器高频时不要每次分配。
578 · 中 · 非Agent · 用有界内存的 sketch 实现一个流式 top-k;实现一个滑动窗口速率计数器。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · 消费者级 ML 公司 (Uber, Netflix, LinkedIn, Airbnb, Pinterest, Spotify)
笔记整理，不是该仓库的原文。
限流策略做成可替换的对象，调用方只问「允不允许」。令牌桶、按租户、滑动窗口是不同策略，不是在一个函数里堆 if。测试按策略写，加需求时旧测试还在。
579 · 中 · 非Agent · 通用手撕常考:合并区间、Top-K、最长无重复子串。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · 字节跳动
笔记整理，不是该仓库的原文。
精确做法是哈希计数加大小为 k 的堆。无界流且要有界内存时，精确解不存在，用 count-min sketch 估频率，再维护一个堆。要说明误差，不要把估计说成精确。
580 · 中 · 非Agent · 实现“括号生成”:生成 n 对有效括号的所有组合。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · 腾讯
笔记整理，不是该仓库的原文。
回溯。左括号数量不超过 n，右括号不超过已经放下的左括号。到 2n 就收一个答案。
581 · 中 · 非Agent · 给一个正整数数组,找出其中能被 3 整除的元素和的最大值(讲思路即可)。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · 腾讯
笔记整理，不是该仓库的原文。
按模 3 的余数分类。从大到小取，最后使总和模 3 为 0。若总和不是 0，就减掉最小的那个能把余数消掉的数，或两个凑出该余数的最小组合。
582 · 中 · 非Agent · 现场用 AI Coding 完成一个功能,然后人工 Review:你怎么保证它改得对、没有破坏历史功能?
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · 阿里巴巴(淘天、阿里云)
笔记整理，不是该仓库的原文。
先有测试或至少有一个你能手算的例子。生成的 diff 要能解释每一处为什么改。跑原有测试。没有测试的历史行为，不要靠模型保证。
583 · 中 · 非Agent · Python 里 list 和 dict 常见操作的时间复杂度?为什么头部 insert 是 O(n)?
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · 阿里巴巴(淘天、阿里云)
笔记整理，不是该仓库的原文。
list 按下标取是 O(1)，中间插入要搬移元素所以是 O(n)。dict 平均 O(1) 查找，最坏会退化。说平均情况时要提哈希冲突。
584 · 中 · 非Agent · MySQL 的联合索引为什么会失效?什么是最左前缀匹配?explain 关注哪些指标?
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · 阿里巴巴(淘天、阿里云)
见现有题目「266」。
笔记整理，不是该仓库的原文。
联合索引从左连续使用。范围条件后面的列不能再用于查找。explain 看 type、key、rows 和 Extra 里有没有 Using filesort 或 Using temporary。函数包住列、隐式类型转换也会让索引用不上。
585 · 难 · 非Agent · MySQL 慢查询怎么排查?explain 关注哪些指标?联合索引在什么场景下会失效?
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · 滴滴
见现有题目「266」。
笔记整理，不是该仓库的原文。
联合索引从左连续使用。范围条件后面的列不能再用于查找。explain 看 type、key、rows 和 Extra 里有没有 Using filesort 或 Using temporary。函数包住列、隐式类型转换也会让索引用不上。
586 · 中 · 非Agent · 二叉树的层序遍历。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · 京东
笔记整理，不是该仓库的原文。
用队列做 BFS。锯齿形是隔层反转这一层的列表，不要改遍历顺序本身。空树返回空。
587 · 中 · 非Agent · 实现一个 LRU 缓存。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · 京东
笔记整理，不是该仓库的原文。
哈希表指向双向链表的节点，做到 O(1) 查找。命中就把节点移到表头。满了就淘汰表尾。TTL 给节点一个过期时间，读取时懒删除，或者有一个按时间的顺序顺便清。分布式之后，单机的链表不再是全局顺序，过期和淘汰要接受近似，或者把顺序交给一个集中存储。
588 · 中 · 非Agent · 大模型部署的高并发处理方案怎么写?用过哪些工具?
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · 京东
见LLM题「052」。
笔记整理，不是该仓库的原文。
服务侧是连续批处理、分页 KV 和按 token 限流。应用侧是队列、超时和背压。先说你量的是吞吐还是尾延迟，再选工具。
589 · 中 · 非Agent · K 个一组翻转链表。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · 美团
笔记整理，不是该仓库的原文。
每组 k 个节点反转指针，不足 k 的尾部保持原样。用哑节点简化头。先数清这一组够不够。
590 · 中 · 非Agent · 二叉树的层序遍历 / 锯齿形层序遍历。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · 美团
笔记整理，不是该仓库的原文。
用队列做 BFS。锯齿形是隔层反转这一层的列表，不要改遍历顺序本身。空树返回空。
591 · 中 · 非Agent · 实现一个线程安全的批式 logger:多个生产者线程调用 log(msg);一个后台线程每秒或写满时刷出最多 100 条消息的批次。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Databricks
笔记整理，不是该仓库的原文。
生产者只入队。后台线程按时间或条数取出最多 100 条写出去。队列有上限，满了要定义是阻塞还是丢。关闭时把队列刷完。锁只保护队列，不保护写盘的整个过程。
592 · 中 · 非Agent · 你有数十亿条事件的流,需要内存有界地找出出现频率最高的 top-K key。精确解是不可能的:你怎么办?
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Databricks
笔记整理，不是该仓库的原文。
精确做法是哈希计数加大小为 k 的堆。无界流且要有界内存时，精确解不存在，用 count-min sketch 估频率，再维护一个堆。要说明误差，不要把估计说成精确。
593 · 中 · 非Agent · 给定以 CIDR 表示的允许 IP 段,外加显式的拒绝段,请高效实现 is_allowed(ip),要支撑每秒数百万次检查。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Databricks
笔记整理，不是该仓库的原文。
把允许和拒绝都变成区间或前缀树。查询时最长前缀匹配，拒绝优先还是允许优先要先定义。每秒数百万次就不要线性扫列表。
594 · 难 · 非Agent · 一个 Spark 作业把一张 2 TB 的事实表与一张 50 GB 的维度表做 join,其中有一个拖后腿的 task 跑了其他 task 的 100 倍时间。请诊断并修复。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Databricks
笔记整理，不是该仓库的原文。
单个 task 慢一个数量级，常见是数据倾斜，某个 key 特别大。把大 key 打散再聚合，或者把小表广播。先看这个 task 的 key 分布，而不是把整个作业的内存调大。
595 · 中 · 非Agent · 一个 Structured Streaming 作业从 Kafka 读、写入 Delta 表。集群在一个批次中途被杀掉并重启。客户会拿到重复行吗?请从 checkpoint 和事务日志的层面解释。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Databricks
笔记整理，不是该仓库的原文。
有事务日志和检查点时，未完成的批次会重做，已提交的批次不会重写。能否出现重复行取决于写入是不是幂等、检查点是否在提交之后。不能只说「有 checkpoint 就没有重复」。
596 · 中 · 非Agent · 我们的编译器静态调度每一条指令和每一次芯片间传输。相比 NVCC 风格的编译器,它需要知道什么?当它判断错了会出什么问题?
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Groq
笔记整理，不是该仓库的原文。
编译器要知道每次传输的延迟和芯片拓扑。估错就会在不该等的地方等，或者让两条传输撞上。和 NVCC 不同，它不能指望运行时再调度。
597 · 难 · 非Agent · 为一个面向空间数据流加速器的编译器设计 IR 与 pass 流水线。常驻内存的决策放在哪一层,为什么?
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Groq
笔记整理，不是该仓库的原文。
常驻决策放在知道片上容量的那一层。放得太早，后面的 pass 改了大小就失效。放得太晚，前面已经按「放得下」生成了错误的调度。
598 · 中 · 非Agent · 写一个 host 侧运行时,为跨多芯片的确定性加速器喂数据。其中真正难的是什么?
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Groq
笔记整理，不是该仓库的原文。
难在数据必须按编译器假设的时间到达。早了没地方放，晚了整条静态流水线停住。主机侧要按这个时间表喂，而不是按 GPU 那种「发出去就等」。
599 · 中 · 非Agent · 一个模型在单芯片上对功能仿真器做到逐比特一致,但在机架规模上输出错误。你怎么定位?
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Groq
笔记整理，不是该仓库的原文。
单芯片对、机架错，先看芯片之间的传输和归约顺序，而不是再查单芯片的算子。数值归约的顺序变了，结果就可以不再逐比特相同。
600 · 中 · 非Agent · transformers 以重复代码著称:每个模型都有一个自包含的实现文件。请为这个决定辩护,然后再批评它。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Hugging Face
笔记整理，不是该仓库的原文。
每个模型一个文件，读一个模型不用在抽象层里跳。代价是修一个共同 bug 要改很多文件。辩护是可读，批评是漂移。两边都要说。
601 · 中 · 非Agent · 既然基于 pickle 的 checkpoint 到处都能用,Hugging Face 为什么还要做 safetensors?
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Hugging Face
笔记整理，不是该仓库的原文。
pickle 可以在加载时执行代码。safetensors 只存张量，加载时没有代码执行。这是安全边界，不是压缩格式。
602 · 中 · 非Agent · 一个用户在一台 64 GB 内存的机器上用 datasets 加载一个 2 TB 的数据集,居然能跑通。怎么做到的?什么时候会跑不通?
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Hugging Face
笔记整理，不是该仓库的原文。
单个 task 慢一个数量级，常见是数据倾斜，某个 key 特别大。把大 key 打散再聚合，或者把小表广播。先看这个 task 的 key 分布，而不是把整个作业的内存调大。
603 · 中 · 非Agent · 构建一个标注平台的任务生命周期核心。先做简单版,我会逐步加上 k 个标注者的一致性、优先复审,以及标注者冷却期。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Scale AI
笔记整理，不是该仓库的原文。
任务有状态。待分配、进行中、完成、需要复审。先让单人流程正确。再加多人一致性、优先复审和冷却，都是新的状态和规则，不要改坏原来的提交。
604 · 中 · 非Agent · 给定以 (start, end) 时间戳表示的标注会话,返回并发标注者的峰值数量以及处于峰值负载的区间。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Scale AI
笔记整理，不是该仓库的原文。
开始加一、结束减一，按时间排序后扫描。扫描中的最大值就是峰值，记下达到最大值的那些区间。端点同时发生时，先处理结束还是开始要说清。
605 · 中 · 非Agent · 实现一个跨多个 LLM 供应商的客户端池,带故障转移:供应商会失败、超时或限流,而调用方只应该拿到一个 completion。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Perplexity
笔记整理，不是该仓库的原文。
调用方只看到一次完成。某个供应商超时、429 或 5xx 就换下一个。已经开始流式输出之后不要无声换供应商。重试要有预算，避免全部供应商被打一遍。
606 · 中 · 非Agent · 你每天要摄入数百万个网页。请高效地检测近似重复(同一篇文章,不同的样板代码/版式)。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Perplexity
笔记整理，不是该仓库的原文。
用 simhash 或 minhash 把页面收成指纹，再按指纹分桶找候选。完全哈希只能找完全相同的页面，挡不住模板不同的同一篇文章。
607 · 中 · 非Agent · 你需要为数百万文本块做嵌入。嵌入服务按批接收,有最大批量大小和最大总 token 限制。请写这个批处理器,并让它够快。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Perplexity
笔记整理，不是该仓库的原文。
用有界并发，而不是无界创建任务。429 和超时退避并加抖动，避免一起重试。单个失败进错误列表，不要取消整批。结果和输入用同一个 ID 对齐。有最大批量还要有最大 token 数，先到哪个限制就封一批。
608 · 中 · 非Agent · 构建一棵哈希树,用来组织一个代码仓库中的数据。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Cursor (Anysphere)
笔记整理，不是该仓库的原文。
每个文件内容哈希，目录哈希是子节点哈希的组合。两次快照比较树，哈希不同的子树才往下看。不用比较未变化的文件内容。
609 · 中 · 非Agent · 给定一个代码仓库快照(路径 → 内容),构建一棵 Merkle 树,并写一个函数返回两次快照之间哪些文件变了,且不必比较每个文件的内容。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Cursor (Anysphere)
笔记整理，不是该仓库的原文。
每个文件内容哈希，目录哈希是子节点哈希的组合。两次快照比较树，哈希不同的子树才往下看。不用比较未变化的文件内容。
610 · 中 · 非Agent · 打印一棵二叉树的顶视图。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Cursor (Anysphere)
笔记整理，不是该仓库的原文。
按水平距离做 BFS，每个距离第一次到达的节点就是从上面看见的那个。后来到达同一距离的更低，丢掉。
611 · 中 · 非Agent · 找出一个文件系统中的重复文件。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Cursor (Anysphere)
笔记整理，不是该仓库的原文。
先按大小分组，大小相同再哈希内容。不要对所有文件无脑读全文。哈希相同才算重复。
612 · 中 · 非Agent · 实现一个编辑器文本缓冲区的核心:在任意位置高效插入/删除,以及快速按行查找。你选什么结构?
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Cursor (Anysphere)
笔记整理，不是该仓库的原文。
纯数组插入是 O(n)。要频繁在中间改，用 piece table、gap buffer 或 rope。按行查找需要行起始位置的索引，改动时更新受影响的行。
613 · 中 · 非Agent · 把来自 N 个连接器分片的排序结果合并成一个全局 top-k,并施加按用户的权限过滤。要高效。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Glean
笔记整理，不是该仓库的原文。
精确做法是哈希计数加大小为 k 的堆。无界流且要有界内存时，精确解不存在，用 count-min sketch 估频率，再维护一个堆。要说明误差，不要把估计说成精确。
614 · 中 · 非Agent · 现场编码:在固定 token 预算下构建下一轮的 prompt。难点在于我们的前缀缓存。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Character.AI
见LLM题「047」。
笔记整理，不是该仓库的原文。
系统提示、工具定义和长文档前缀如果逐字节相同，KV 可以复用，跳过这段的 prefill。温度和采样不改变已缓存的前缀 KV。前缀多一个 token、工具 schema 改一个字段、或者命中的块已经被换出，这段缓存就失效。从 SSD 把 KV 取回来仍要经过主机内存再拷到 GPU，省下的是重算，不是魔法般的零拷贝。
615 · 中 · 非Agent · 用 NumPy 计算多模态轨迹预测、且真值长度可变时的 minADE 与 minFDE。不许用 Python 循环。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Waymo
笔记整理，不是该仓库的原文。
多种预测模态对一条真值，ADE 是平均位移，FDE 是末端位移，取模态里最小的那个。长度可变就按真值的有效长度掩码，不要把补零算进去。用向量化的广播，不写 Python 循环。
616 · 中 · 非Agent · 实现一组计算面积的形状类,然后扩展它们以支持一种新的形状。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Palantir
笔记整理，不是该仓库的原文。
面积是每个形状自己的方法。加新形状只加一个类型，不改旧类型的条件分支。如果现在是一串 if，先收成各自的方法再扩展。
617 · 中 · 非Agent · 写一条 SQL 查询,跨表 join 并聚合,回答一个业务问题。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Palantir
笔记整理，不是该仓库的原文。
先确认粒度和连接键，避免一对多把金额乘大。聚合发生在连接之后还是之前，取决于问题问的是订单还是商品。用一个手算的小例子对结果。
618 · 中 · 非Agent · 写一个函数,从一个 REST API 拉取分页数据,处理好页大小与总页数的逻辑。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Palantir
笔记整理，不是该仓库的原文。
按页请求直到空页或达到声明的总页数。总页数和实际返回不一致时，以实际空页为准，并记下来。不要假设页码从 0 还是从 1。
619 · 中 · 非Agent · 找出并修复一个在 HashMap 里累加数值的函数中的重复计数 bug。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Palantir
笔记整理，不是该仓库的原文。
同一个键被加了两次，常见是循环里既更新了又在外面再加，或者哈希键不稳定。先写一个最小例子把错误固定住，再改。
620 · 中 · 非Agent · 调试一个模拟社交图上感染传播的程序。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Palantir
笔记整理，不是该仓库的原文。
图上的扩散用队列做 BFS 或按轮模拟。每轮新感染的节点来自上一轮的邻居。已经感染的不要重复入队。
621 · 中 · 非Agent · 你从之前的一次部署里继承了一个 800 行的流水线脚本。它很慢,偶尔还会算错数。原作者已经走了。开始吧。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Palantir
笔记整理，不是该仓库的原文。
先让它在一份小输入上可重复地跑，记下错在哪。再看最慢的一段。不要同时重构和改算法。原作者不在，测试就是你的规格。
622 · 难 · 非Agent · 给定三个客户系统各自的导出数据,每个系统都有自己的客户记录,请写代码产出去重后的一套实体,并解释你的设计。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Palantir
笔记整理，不是该仓库的原文。
先定什么叫同一个人。精确键合并，剩下的用保守的相似度，不确定的留下人工。不要用一个阈值把所有系统合成一个黑盒。
机器学习基础
623 · 中 · 非Agent · 给定不同的随机变量,计算 KL 散度。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · OpenAI
笔记整理，不是该仓库的原文。
KL(P‖Q) 是 P 下 log P 减 log Q 的期望。不对称，Q 为 0 而 P 不为 0 时发散。离散分布就把非零项加起来。
624 · 中 · 非Agent · 如果一个分类器的准确率是 1,那么单个训练样本上损失函数的下界/上界是多少?
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · OpenAI
笔记整理，不是该仓库的原文。
准确率是 1 只说明分类全对，不说明损失是 0。交叉熵可以无限接近 0，但有限的 logit 下仍大于 0。上界要看你的损失定义。不要把准确率当成损失。
625 · 中 · 非Agent · 两个模型,准确率分别 85% 和 82%。你选哪个?
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · OpenAI
笔记整理，不是该仓库的原文。
只看准确率不够。先问类是否平衡、代价是否对称、校准好不好。85% 若把少数类全错，可能比 82% 更差。没有这些信息就不要选。
626 · 中 · 非Agent · 你如何在 Pandas 中处理缺失数据?
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · OpenAI
笔记整理，不是该仓库的原文。
先分清缺失是随机的还是有含义的。删除会改分布。填均值会削弱方差。类别常用单独的缺失档。不要不看列就统一 fillna(0)。
627 · 难 · 非Agent · 定义偏差-方差权衡,并讨论二者之间的关系。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Google DeepMind and Google AI
笔记整理，不是该仓库的原文。
偏差是模型相对真值的系统性偏离，方差是换一批数据结果抖多少。模型更复杂，偏差往往降、方差升。交叉验证用来估总误差，不是用来代替正则。维度高时样本变稀，方差更容易炸。
628 · 中 · 非Agent · 线性回归有哪些假设?
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Google DeepMind and Google AI
笔记整理，不是该仓库的原文。
线性、误差独立、同方差，推断时还常假设正态。残差对预测值的图用来看这些有没有破。破了，系数的检验不可信，点预测也不一定废。
629 · 中 · 非Agent · 区分正则化与验证:什么时候各自才是正确的工具?
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Google DeepMind and Google AI
笔记整理，不是该仓库的原文。
正则化是训练时限制模型容量。验证是用来选这个限制有多强，以及估计泛化。用训练集调正则会偏乐观。验证集不能再拿去当最终成绩。
630 · 中 · 非Agent · 推导 softmax 输入下交叉熵损失的梯度,并解释为什么数值上要把它们融合在一起。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Google DeepMind and Google AI
笔记整理，不是该仓库的原文。
交叉熵对 softmax 前的 logit 的梯度，就是预测概率减真实标签。把两者分开算会先指数再取对数，容易溢出。合成一个 log-softmax 才稳。
631 · 中 · 非Agent · 解释 SVD,并给出它在现代深度学习中出现的两处位置。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Google DeepMind and Google AI
见LLM题「042」。
笔记整理，不是该仓库的原文。
SVD 把矩阵拆成旋转、缩放、再旋转。深度学习里它出现在低秩近似，例如 LoRA 的初始化分析，以及把一层权重量化或压缩时看能量在哪些奇异值上。
632 · 中 · 非Agent · 平均而言,掷一枚公平硬币要多少次才能出现连续两个正面?请讲一遍推导。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Google DeepMind and Google AI
笔记整理，不是该仓库的原文。
用状态机。还没有正面、刚有一个正面、已经两个。设期望步数。公平硬币时从零开始的期望是 6。把方程写出来比背 6 重要。
633 · 中 · 非Agent · 什么时候你选 Q-learning 而不是策略梯度,反之呢?
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Google DeepMind and Google AI
笔记整理，不是该仓库的原文。
动作空间小、能存一张表或一个 Q 网络时，Q-learning 直接学动作价值。动作连续、或者策略本身需要随机化，用策略梯度。Q-learning 对值的过估计敏感。策略梯度方差大，要基线。
634 · 中 · 非Agent · 你有一个贷款审批的二分类器,并且只能有限地访问特征权重。你如何解释一次拒贷?
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Google DeepMind and Google AI
笔记整理，不是该仓库的原文。
只能看有限的特征权重时，就说哪些特征把分数推过了拒绝线，以及改哪一个特征会翻盘。不要声称你解释了神经网络的全部原因。
635 · 中 · 非Agent · 你的广告 CTR 模型离线 AUC 提升了 2%,但线上 A/B 收入持平且校准变差。发生了什么,你会怎么做?
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Meta (Superintelligence Labs, FAIR, Llama)
笔记整理，不是该仓库的原文。
AUC 升只说明排序更好。收入看的是校准后的概率和决策阈值。校准变差时，同样的阈值会买错量。先查校准曲线和线上特征是否和训练一致，不要继续加复杂模型。
636 · 中 · 非Agent · 线性回归的闭式解是什么?什么时候你改用梯度下降?
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Amazon (AWS)
笔记整理，不是该仓库的原文。
有截距的线性回归，解是 (X^T X) 的逆乘 X^T y，要求 X^T X 可逆。特征多、共线或数据放不进内存时改用梯度下降。
637 · 中 · 非Agent · 逻辑回归中 L1 与 L2 正则化有什么区别?
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Amazon (AWS)
见LLM题「009」。
笔记整理，不是该仓库的原文。
L2 把权重大小平方后惩罚，权重变小但不为 0。L1 惩罚绝对值，可以把权重收到 0，用来选特征。两者都可以同时用。
638 · 中 · 非Agent · 写出逻辑回归的损失函数,并证明它有全局最小值。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Amazon (AWS)
笔记整理，不是该仓库的原文。
二分类用的是对数损失，预测概率远离标签时损失升高。对权重是凸的，所以没有另外的局部最小值。证明看 Hessian 半正定，或看成指数族的负对数似然。
639 · 中 · 非Agent · KL 散度损失与交叉熵损失有何不同?与对比损失呢?
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Amazon (AWS)
笔记整理，不是该仓库的原文。
交叉熵等于熵加 KL。标签分布固定时，最小化交叉熵就是最小化 KL。对比损失拉近正样本、推开负样本，不要求你拟合一个完整分布。
640 · 中 · 非Agent · bagging 和 boosting 有何不同?XGBoost 与随机森林在计算上的差异是什么?
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Amazon (AWS)
笔记整理，不是该仓库的原文。
Bagging 并行训很多模型再平均，降方差，随机森林是代表。Boosting 串行，后面的树拟合前面的残差，降偏差。XGBoost 还加了正则和近似分裂，单棵树便宜，但树与树之间不好并行。
641 · 难 · 非Agent · 解释偏差-方差权衡、交叉验证和维度灾难。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Amazon (AWS)
笔记整理，不是该仓库的原文。
偏差是模型相对真值的系统性偏离，方差是换一批数据结果抖多少。模型更复杂，偏差往往降、方差升。交叉验证用来估总误差，不是用来代替正则。维度高时样本变稀，方差更容易炸。
642 · 中 · 非Agent · GRU 单元是如何工作的?它们如何应对梯度消失?BiLSTM 是如何工作的?
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Amazon (AWS)
笔记整理，不是该仓库的原文。
GRU 用更新门和重置门控制过去的状态留多少，梯度可以沿状态走，减轻消失。BiLSTM 从左往右和从右往左各一条，适合整句都看得到的时候。生成下一个词时不能看未来，双向就不适用。
643 · 中 · 非Agent · 讨论精确率、召回率与 F1:什么时候你会优先其中一个?
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Amazon (AWS)
笔记整理，不是该仓库的原文。
精确率是报出来的里面有多少是对的。召回率是该报的里面报出了多少。代价不对称时不要用 F1 和稀泥。漏报贵就看召回，误报贵就看精确率。
644 · 中 · 非Agent · 你如何处理数据不均衡、共线性、特征选择与正则化?
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Amazon (AWS)
笔记整理，不是该仓库的原文。
不均衡用重采样、权重或换指标，不要只看准确率。共线让系数不稳，用正则或删掉冗余特征。特征选择用验证集，不要在全量上看 p 值然后报成绩。
645 · 难 · 非Agent · 解释你会如何设计并评估一次 A/B 测试。什么是 p 值,在这里你如何解读它?
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Amazon (AWS)
笔记整理，不是该仓库的原文。
单位是用户不是请求。先定指标和最小效果，再算样本量。p 值是「没有差异时看到这么极端的数据」的概率，不是「这个功能有效」的概率。不要做到显著就停。
646 · 易 · 非Agent · 什么是极大似然估计?它与贝叶斯推断有何不同?
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Amazon (AWS)
笔记整理，不是该仓库的原文。
极大似然找一组参数让数据最可能。贝叶斯给参数一个先验，得到后验。数据少时两者差得多。数据多、先验弱时，它们往往靠近。
647 · 中 · 非Agent · 讲讲在树模型分类中对抗过拟合的策略。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · NVIDIA
笔记整理，不是该仓库的原文。
限制深度、叶子最小样本和提高分裂门槛。随机森林再加列采样。用验证集早停。不要靠把训练集拟合到 100% 来证明模型好。
648 · 中 · 非Agent · 总结 Adam 优化器相比其他方法在神经网络图像分类上的差异与收益。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · NVIDIA
笔记整理，不是该仓库的原文。
Adam 用梯度的一阶矩和二阶矩自适应步长，稀疏梯度和不同尺度的参数更好走。它不是永远优于 SGD。泛化有时 SGD 更好。图像分类里它常见的好处是不用手调那么多学习率。
649 · 中 · 非Agent · 一个网络会把巴哥犬和比特犬搞混,而且部分训练标签是错的。你会如何改模型、改数据?
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · NVIDIA
笔记整理，不是该仓库的原文。
先把标签噪声和类别本身难分分开。清洗明显错标，难分的类加数据或改决策边界，而不是把网络加深。错标会让模型记住噪声。
650 · 中 · 非Agent · 在没有预标注分组的情况下,你如何评估一个聚类模型的效果?
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · NVIDIA
笔记整理，不是该仓库的原文。
没有标签时用轮廓系数、簇内距和稳定性，即重采样后簇还在不在。业务上还要人看几个簇是否有意义。不要只报一个惯性值。
651 · 难 · 非Agent · 在没有激光雷达的前提下,你会如何设计多摄像头 3D 目标检测的神经网络架构?
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Tesla
笔记整理，不是该仓库的原文。
多个相机先标定到同一坐标系，检测可以在图像上做，再把框或点抬到 3D。没有激光雷达，深度靠立体或时序，远距离和夜间会先坏。融合放在标定之后，不要在各自的像素平面上硬融。
652 · 中 · 非Agent · 在稀有事件检测(比如一个小孩跑到马路上)中,你如何处理极端的类别不均衡?
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Tesla
笔记整理，不是该仓库的原文。
漏检的代价远大于误检。训练用采样或损失权重，评测用召回和在固定误报率下的召回。不要用准确率。难例从车队里挖，而不是再采普通公路。
653 · 难 · 非Agent · 讲讲你会如何为一个车队数据集做自动标注,以及你会加什么质量控制?
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Tesla
笔记整理，不是该仓库的原文。
模型先标，低置信度给人。抽检已经自动通过的，防止系统性错。黄金集不参与训练，用来看自动标注有没有漂。
654 · 中 · 非Agent · 你会如何检测并处理车队数据与训练集之间的分布漂移?
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Tesla
笔记整理，不是该仓库的原文。
监视输入特征和模型分数的分布，不只看最终事故率。漂移了就查是传感器、城市还是标签规则变了。确认后再决定重训，而不是每周无条件重训。
655 · 中 · 非Agent · 你的离线指标提升了,但线上 A/B 没有。请列举会发生这种情况的原因,以及你如何把它们区分开。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · 消费者级 ML 公司 (Uber, Netflix, LinkedIn, Airbnb, Pinterest, Spotify)
笔记整理，不是该仓库的原文。
离线集合和线上流量不同、反馈有偏、或者指标和收入不是一回事。把失败拆成排序变了但决策阈值没变、特征不一致、以及实验流量不够。一次只查一种。
656 · 中 · 非Agent · 解释排序数据中的位置偏置,以及你会如何在训练中去偏。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · 消费者级 ML 公司 (Uber, Netflix, LinkedIn, Airbnb, Pinterest, Spotify)
笔记整理，不是该仓库的原文。
排在前面的被点击，不完全因为相关。训练时用位置特征并在服务时置成中性，或者用反向倾向加权。不处理的话，模型会学成「谁在上面谁就好」。
657 · 难 · 非Agent · 你会如何设计一个特征平台?什么会导致训练/服务不一致(training/serving skew)?
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · 消费者级 ML 公司 (Uber, Netflix, LinkedIn, Airbnb, Pinterest, Spotify)
笔记整理，不是该仓库的原文。
训练和服务必须用同一份特征定义和同一时刻的值。skew 来自训练用了未来数据、服务取不到那个特征、或者两边的空值处理不同。平台要能按时间点取特征。
658 · 难 · 非Agent · 把一段对话转成可计费的诊断编码。准确率的门槛是多少,你如何构建到达标?
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Abridge
笔记整理，不是该仓库的原文。
门槛由付费和临床风险定，不是由一个好看的准确率定。能用规则对上的编码先用规则。模型只处理规则不够的，并且每条编码要能指回对话原句。
659 · 中 · 非Agent · 在遥操作数据上做行为克隆有一个众所周知的失效模式。它是什么?在一台真人形机器人上你会怎么办?
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Figure AI
笔记整理，不是该仓库的原文。
失效是分布偏移。人的演示里没有「已经偏了之后怎么回来」，策略一偏就走出发过的状态。要加纠偏数据，或者在真实机器人上小步微调，而不是把演示再抄一遍。
660 · 中 · 非Agent · 一个完全在仿真里训练的全身控制器要跑在真实硬件上。什么能迁移,什么不能,你如何弥合差距?
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Figure AI
笔记整理，不是该仓库的原文。
动力学和接触参数迁不走。视觉如果域差大也迁不走。能迁的是粗略的运动结构。弥合用系统辨识、域随机化，以及在真机上的少量适应。不要指望零样本就稳。
661 · 中 · 非Agent · 在模仿学习之上,强化学习在操控任务里处于什么位置?为什么奖励是难的部分?
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Figure AI
笔记整理，不是该仓库的原文。
模仿给出一个还不错的初始策略。强化学习用来超过演示，但奖励要真的表示任务。奖励一歪，策略会钻空子。所以奖励是难的部分，不是优化器。
662 · 中 · 非Agent · 模块化的感知-预测-规划,还是端到端学习式驾驶?先论证,再告诉我你实际上会构建什么。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Waymo
笔记整理，不是该仓库的原文。
模块化能单独测、单独追责，误差会传递。端到端少一些接口损失，但失败时不知道坏在哪，数据也更贪。实际上感知和规划的安全边界仍要模块化，中间可以学习。
663 · 难 · 非Agent · 设计一个行为预测模型的输出表示。你会用什么指标来卡住它?
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Waymo
笔记整理，不是该仓库的原文。
输出是若干条可能轨迹和概率，不是一条平均轨迹。平均轨迹会开到两条路的中间。指标用最小 ADE 或 FDE，再加上概率是否校准。发布门禁不要只用平均位移。
系统设计
664 · 难 · 非Agent · 设计一个文件共享 / 分发系统。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Anthropic
笔记整理，不是该仓库的原文。
内容寻址，权限在元数据上，分发节点不解释文件。大文件分块。这不是 LLM 题，先把一致性和权限说清。
665 · 难 · 非Agent · 设计并构建一个 webhook 投递系统,把事件可靠地投递到客户注册的 URL。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · OpenAI
笔记整理，不是该仓库的原文。
至少一次送达加接收方幂等。失败退避。投递状态可查。不要用同步请求硬等对方。
666 · 难 · 非Agent · 设计一个在分布式环境中调度任务的系统。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · OpenAI
笔记整理，不是该仓库的原文。
任务持久化，工作者抢占，超时可见，失败可重试。至少一次还是恰好一次要先说。
667 · 难 · 非Agent · 设计一个内存数据库。/ 设计一个 Slack。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · OpenAI
笔记整理，不是该仓库的原文。
内存数据库先说数据模型和持久化你不做。Slack 是频道、消息、已读和权限。面试官丢两个题时，先选一个做完。
668 · 难 · 非Agent · 用人口统计信息、房源元数据、设施、价格、评论与位置,设计一个租房房源的个性化推荐系统。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Google DeepMind and Google AI
笔记整理，不是该仓库的原文。
结构化过滤是硬条件，排序再用偏好。位置和价格不是让模型从评论里猜的。
669 · 难 · 非Agent · 设计一个分类器,预测在视频中插入广告的最佳时刻。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Google DeepMind and Google AI
笔记整理，不是该仓库的原文。
标签来自人看过的「这里可以断」。特征是内容和时间位置。不要只用点击，点击有位置偏差。
670 · 难 · 非Agent · 设计 Instagram Reels 的推荐系统。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Meta (Superintelligence Labs, FAIR, Llama)
笔记整理，不是该仓库的原文。
两阶段。先召回候选，再排序。特征分内容、用户和上下文。在线目标和服务延迟写清。位置偏差要处理。
671 · 难 · 非Agent · 设计一个个性化的信息流排序系统 / Facebook 信息流的“下一条帖子”逻辑。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Meta (Superintelligence Labs, FAIR, Llama)
笔记整理，不是该仓库的原文。
两阶段。先召回候选，再排序。特征分内容、用户和上下文。在线目标和服务延迟写清。位置偏差要处理。
672 · 难 · 非Agent · 设计 Facebook 广告的推荐系统,以及广告排序的评估框架。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Meta (Superintelligence Labs, FAIR, Llama)
笔记整理，不是该仓库的原文。
两阶段。先召回候选，再排序。特征分内容、用户和上下文。在线目标和服务延迟写清。位置偏差要处理。
673 · 难 · 非Agent · 设计 Instagram Story 某个功能背后的 ML 组件。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Meta (Superintelligence Labs, FAIR, Llama)
笔记整理，不是该仓库的原文。
两阶段。先召回候选，再排序。特征分内容、用户和上下文。在线目标和服务延迟写清。位置偏差要处理。
674 · 难 · 非Agent · 为 Marketplace 商品设计一个端到端的分类流水线。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Meta (Superintelligence Labs, FAIR, Llama)
笔记整理，不是该仓库的原文。
类目是闭合集合。模型给 top-k 和置信度，低置信度进人。训练标签来自已审核的商品，不是标题字符串本身。
675 · 难 · 非Agent · 为一个带实时搜索的消费级聊天机器人设计服务栈,搜索对象是社交媒体的信息流洪流。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · xAI
见现有题目「029」。
笔记整理，不是该仓库的原文。
搜索和生成分开计时。索引要能收刚刚发生的内容。模型只基于检索结果回答，并带来源。
676 · 难 · 非Agent · 你会如何设计一个给用户推荐书的推荐系统?你会如何建模一个仓库库存问题?
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Amazon (AWS)
笔记整理，不是该仓库的原文。
推荐是召回加排序加去重。库存是数量和预留，不要用模型直接改库存。两个题不要揉成一个架构。
677 · 难 · 非Agent · 设计一个带转写索引的播客搜索引擎。/ 为输入即搜(type-ahead)设计一个推荐算法。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · NVIDIA
笔记整理，不是该仓库的原文。
播客先转写再索引。输入即搜是前缀匹配加热门查询，不是每次都跑大模型。
678 · 难 · 非Agent · 为一个网约车双边市场设计 ETA 预测系统。用什么特征、什么模型,如何在 100 ms 内完成服务?
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · 消费者级 ML 公司 (Uber, Netflix, LinkedIn, Airbnb, Pinterest, Spotify)
笔记整理，不是该仓库的原文。
特征是路况、历史和当前订单。模型要在 100 毫秒内返回，所以不能在请求里跑大模型。误差按时间段看，不要只报平均。
679 · 难 · 非Agent · 设计一个带两阶段候选生成与排序架构的个性化信息流排序系统。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · 消费者级 ML 公司 (Uber, Netflix, LinkedIn, Airbnb, Pinterest, Spotify)
笔记整理，不是该仓库的原文。
两阶段。先召回候选，再排序。特征分内容、用户和上下文。在线目标和服务延迟写清。位置偏差要处理。
680 · 难 · 非Agent · 为一个流媒体内容库设计内容推荐系统,包括新内容与新用户的冷启动。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · 消费者级 ML 公司 (Uber, Netflix, LinkedIn, Airbnb, Pinterest, Spotify)
笔记整理，不是该仓库的原文。
新内容用内容特征，新用户用上下文和热门，并尽快用真实反馈替换先验。不要把全局热门永远当作个性化。
681 · 难 · 非Agent · 在一个职业社交网络的规模上设计“你可能认识的人”/ 职位推荐排序。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · 消费者级 ML 公司 (Uber, Netflix, LinkedIn, Airbnb, Pinterest, Spotify)
笔记整理，不是该仓库的原文。
图上的二度关系和内容匹配是不同信号。隐私限制你能用的边。排序要处理「已经认识」这种负例。
682 · 难 · 非Agent · 为一个双边市场设计动态定价 / 高峰溢价,并描述其中可能出错的反馈回路。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · 消费者级 ML 公司 (Uber, Netflix, LinkedIn, Airbnb, Pinterest, Spotify)
笔记整理，不是该仓库的原文。
价格影响供给和需求，所以你观察到的成交是被价格改变过的。反馈回路是涨价导致供给进来、又把价格打下去。实验要控这个循环，不能把观测当因果。
683 · 难 · 非Agent · 设计一个类别极度不均衡、且存在对抗性对手的欺诈检测系统。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · 消费者级 ML 公司 (Uber, Netflix, LinkedIn, Airbnb, Pinterest, Spotify)
笔记整理，不是该仓库的原文。
不均衡，召回和误报一起看。对手会适应你的特征。模型之外要有规则和人工复核。不要用准确率。
交付与业务系统
684 · 中 · 非Agent · 你会如何让复杂的 AI 研究成果被非技术受众理解?
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Anthropic
笔记整理，不是该仓库的原文。
用一个具体例子讲输入和输出，去掉结构名。听众要能复述「它做什么、它不做什么」。
685 · 中 · 非Agent · 你有使用 API 的经验吗?你习惯与 C 级别高管一起工作吗?
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · OpenAI
见现有题目「218」。
笔记整理，不是该仓库的原文。
说你调用过的接口、失败怎么处理。和高管工作是把约束和结果说清楚，不把内部名词堆完。没有就说没有。
686 · 中 · 非Agent · 一家铁路货运运营商每年因机车非计划停运损失数千万美元。请把它分解成一个工程计划。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Palantir
笔记整理，不是该仓库的原文。
拆成可预测的故障、备件和调度。先做一个能提前标出高风险机车的名单，给人用。不要从「用 AI 消灭停运」开始。
687 · 难 · 非Agent · 设计一个改善纽约市交通的系统。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Palantir
笔记整理，不是该仓库的原文。
先定义一个你能测量的子集，例如某个走廊的公交准点。没有数据和权限的全市优化不要当方案。
688 · 难 · 非Agent · 设计两个员工档案系统之间的同步系统。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Palantir
笔记整理，不是该仓库的原文。
有主键和冲突规则。双向同步要定谁赢。删除要同步。没有主键就不要开始对表。
689 · 难 · 非Agent · 设计一个让多个团队在不暴露原始数据的前提下查询同一份共享数据集的系统。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Palantir
笔记整理，不是该仓库的原文。
查询的是聚合或经过策略的视图，原始行不出边界。策略放在数据侧，不放在模型侧。
690 · 难 · 非Agent · 设计一个在陌生环境中探索时用于编目和记录物种的应用。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Palantir
笔记整理，不是该仓库的原文。
离线能记、以后能同步。照片和位置是证据。模型的识别只是建议，确认前不算记录。
691 · 难 · 非Agent · 一位客户高管说“这个 AI 老是搞错”,并且想取消试点。讲讲你接下来的 48 小时。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Palantir
见现有题目「119」。
笔记整理，不是该仓库的原文。
48 小时内拿具体错例分类。能修的检索或格式先修，修不了的范围缩掉。用错例而不是态度留住试点。
职业与行为
692 · 难 · 非Agent · 讲一个你端到端负责过的项目。其中关键的技术决策是什么?
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Anthropic
见现有题目「118」。
笔记整理，不是该仓库的原文。
Anthropic要的是这一问的角度，不是一份完整履历。用你自己的一次经历，讲当时的判断、后来改了什么、证据是什么。没有就说没有。不要编人数、日活和百分比。
693 · 难 · 非Agent · 为什么偏偏是 Anthropic?你在哪些地方不认同 Anthropic?
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Anthropic
见现有题目「218」。
笔记整理，不是该仓库的原文。
为什么是这家，用你能核对的公开事实，例如他们做什么系统、什么约束。不认同的地方说一个具体产品或研究选择，不要演。没有把握的内幕不要编。
694 · 难 · 非Agent · 讲一次因为技术判断失误而导致项目延期的经历。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Anthropic
见现有题目「118」。
笔记整理，不是该仓库的原文。
Anthropic要的是这一问的角度，不是一份完整履历。用你自己的一次经历，讲当时的判断、后来改了什么、证据是什么。没有就说没有。不要编人数、日活和百分比。
695 · 难 · 非Agent · 你最喜欢的产品是什么,为什么?
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · OpenAI
见现有题目「199」。
笔记整理，不是该仓库的原文。
OpenAI要的是这一问的角度，不是一份完整履历。用你自己的一次经历，讲当时的判断、后来改了什么、证据是什么。没有就说没有。不要编人数、日活和百分比。
696 · 难 · 非Agent · 讲一次你犯错的经历。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · OpenAI
见现有题目「199」。
笔记整理，不是该仓库的原文。
OpenAI要的是这一问的角度，不是一份完整履历。用你自己的一次经历，讲当时的判断、后来改了什么、证据是什么。没有就说没有。不要编人数、日活和百分比。
697 · 难 · 非Agent · 讲一次你和别人发生冲突的经历。你是怎么解决的,学到了什么?
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · OpenAI
见现有题目「199」。
笔记整理，不是该仓库的原文。
OpenAI要的是这一问的角度，不是一份完整履历。用你自己的一次经历，讲当时的判断、后来改了什么、证据是什么。没有就说没有。不要编人数、日活和百分比。
698 · 难 · 非Agent · 讲一次你与相关方优先级冲突、并最终达成一致协调的经历。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · OpenAI
见现有题目「199」。
笔记整理，不是该仓库的原文。
OpenAI要的是这一问的角度，不是一份完整履历。用你自己的一次经历，讲当时的判断、后来改了什么、证据是什么。没有就说没有。不要编人数、日活和百分比。
699 · 难 · 非Agent · 你最自豪的项目是什么?
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · OpenAI
见现有题目「118」。
笔记整理，不是该仓库的原文。
OpenAI要的是这一问的角度，不是一份完整履历。用你自己的一次经历，讲当时的判断、后来改了什么、证据是什么。没有就说没有。不要编人数、日活和百分比。
700 · 难 · 非Agent · 讲一次你与某位研究员或技术负责人就优先级产生分歧的经历,以及后续发生了什么。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Google DeepMind and Google AI
见现有题目「199」。
笔记整理，不是该仓库的原文。
Google DeepMind and Google AI要的是这一问的角度，不是一份完整履历。用你自己的一次经历，讲当时的判断、后来改了什么、证据是什么。没有就说没有。不要编人数、日活和百分比。
701 · 难 · 非Agent · 举一个你用数据和机器学习做过的项目。你遇到了哪些障碍?
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Meta (Superintelligence Labs, FAIR, Llama)
见现有题目「118」。
笔记整理，不是该仓库的原文。
Meta (Superintelligence Labs, FAIR, Llama)要的是这一问的角度，不是一份完整履历。用你自己的一次经历，讲当时的判断、后来改了什么、证据是什么。没有就说没有。不要编人数、日活和百分比。
702 · 难 · 非Agent · 讲一次你在模糊不清中推动出重要结果的经历,以及一次你错了的经历。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Meta (Superintelligence Labs, FAIR, Llama)
见现有题目「199」。
笔记整理，不是该仓库的原文。
Meta (Superintelligence Labs, FAIR, Llama)要的是这一问的角度，不是一份完整履历。用你自己的一次经历，讲当时的判断、后来改了什么、证据是什么。没有就说没有。不要编人数、日活和百分比。
703 · 难 · 非Agent · 讲讲你维护生产级 ML 流水线的经历。为什么选择 Meta?
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Meta (Superintelligence Labs, FAIR, Llama)
见现有题目「218」。
笔记整理，不是该仓库的原文。
为什么是这家，用你能核对的公开事实，例如他们做什么系统、什么约束。不认同的地方说一个具体产品或研究选择，不要演。没有把握的内幕不要编。
704 · 难 · 非Agent · 你有四小时构建并演示一个可用的 AI 产品。你会怎么花这四小时?
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · xAI
见现有题目「199」。
笔记整理，不是该仓库的原文。
xAI要的是这一问的角度，不是一份完整履历。用你自己的一次经历，讲当时的判断、后来改了什么、证据是什么。没有就说没有。不要编人数、日活和百分比。
705 · 难 · 非Agent · 讲一次你在几乎没有指导的情况下,端到端负责一个模糊问题的经历。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Cohere
见现有题目「118」。
笔记整理，不是该仓库的原文。
Cohere要的是这一问的角度，不是一份完整履历。用你自己的一次经历，讲当时的判断、后来改了什么、证据是什么。没有就说没有。不要编人数、日活和百分比。
706 · 难 · 非Agent · DeepSeek 宣称以远低于常规的训练成本拿到前沿级结果。如果面试官问“这怎么可能”,你的结构化回答是什么?
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · DeepSeek
见现有题目「199」。
笔记整理，不是该仓库的原文。
DeepSeek要的是这一问的角度，不是一份完整履历。用你自己的一次经历，讲当时的判断、后来改了什么、证据是什么。没有就说没有。不要编人数、日活和百分比。
707 · 难 · 非Agent · 阿里一边以 Apache 2.0 开源 Qwen,一边运营商业云业务。讲讲这个策略,并讲一个你端到端负责过的模糊技术决策。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Alibaba (Qwen)
见现有题目「218」。
笔记整理，不是该仓库的原文。
为什么是这家，用你能核对的公开事实，例如他们做什么系统、什么约束。不认同的地方说一个具体产品或研究选择，不要演。没有把握的内幕不要编。
708 · 难 · 非Agent · 讲一次你主导的技术决策最终被证明是错的经历。发生了什么,之后你改了什么?
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Microsoft
见现有题目「199」。
笔记整理，不是该仓库的原文。
Microsoft要的是这一问的角度，不是一份完整履历。用你自己的一次经历，讲当时的判断、后来改了什么、证据是什么。没有就说没有。不要编人数、日活和百分比。
709 · 难 · 非Agent · 讲一次你不认同团队技术方向的经历。你做了什么?(Have Backbone;Disagree and Commit)
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Amazon (AWS)
见现有题目「199」。
笔记整理，不是该仓库的原文。
Amazon (AWS)要的是这一问的角度，不是一份完整履历。用你自己的一次经历，讲当时的判断、后来改了什么、证据是什么。没有就说没有。不要编人数、日活和百分比。
710 · 难 · 非Agent · 讲讲你最重大的一次失败。发生了什么,之后你改了什么?
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Amazon (AWS)
见现有题目「199」。
笔记整理，不是该仓库的原文。
Amazon (AWS)要的是这一问的角度，不是一份完整履历。用你自己的一次经历，讲当时的判断、后来改了什么、证据是什么。没有就说没有。不要编人数、日活和百分比。
711 · 难 · 非Agent · 讲一次你看到机会、做了超出初始范围的事情的经历。(Think Big)
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Amazon (AWS)
见现有题目「199」。
笔记整理，不是该仓库的原文。
Amazon (AWS)要的是这一问的角度，不是一份完整履历。用你自己的一次经历，讲当时的判断、后来改了什么、证据是什么。没有就说没有。不要编人数、日活和百分比。
712 · 难 · 非Agent · 讲一次你在信息不完整的情况下推进工作的经历:你无法被告知你正在做的东西的完整背景。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Apple
见现有题目「199」。
笔记整理，不是该仓库的原文。
Apple要的是这一问的角度，不是一份完整履历。用你自己的一次经历，讲当时的判断、后来改了什么、证据是什么。没有就说没有。不要编人数、日活和百分比。
713 · 难 · 非Agent · 讲一次你处理冲突优先级或相关方反馈的经历。你现在的经理会怎么评价你?
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · NVIDIA
见现有题目「199」。
笔记整理，不是该仓库的原文。
NVIDIA要的是这一问的角度，不是一份完整履历。用你自己的一次经历，讲当时的判断、后来改了什么、证据是什么。没有就说没有。不要编人数、日活和百分比。
714 · 难 · 非Agent · 讲讲你交付过的技术上最具挑战性的东西,以及你现在会怎么做不一样。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Tesla
见现有题目「118」。
笔记整理，不是该仓库的原文。
Tesla要的是这一问的角度，不是一份完整履历。用你自己的一次经历，讲当时的判断、后来改了什么、证据是什么。没有就说没有。不要编人数、日活和百分比。
715 · 难 · 非Agent · 讲讲你交付的一个带来了可衡量业务差异的模型,以及一个没有带来差异的模型。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · 消费者级 ML 公司 (Uber, Netflix, LinkedIn, Airbnb, Pinterest, Spotify)
见现有题目「118」。
笔记整理，不是该仓库的原文。
消费者级 ML 公司 (Uber, Netflix, LinkedIn, Airbnb, Pinterest, Spotify)要的是这一问的角度，不是一份完整履历。用你自己的一次经历，讲当时的判断、后来改了什么、证据是什么。没有就说没有。不要编人数、日活和百分比。
716 · 难 · 非Agent · 最近读了什么论文?核心亮点是什么?你平时怎么跟进最新的大模型技术?
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · 字节跳动
见现有题目「108」。
笔记整理，不是该仓库的原文。
说一篇你真读过的论文。问题、方法、它没做什么。跟进渠道用你真的会打开的那一两个，不要报一串网站。复述不出来的论文不要提。
717 · 难 · 非Agent · 讲一个你端到端负责、并能说清指标口径的项目:提升的百分比是用哪个测试集、什么口径算出来的?
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · 字节跳动
见现有题目「144」。
笔记整理，不是该仓库的原文。
百分比要有前后口径、同一时间窗和数据集。说不清测试集就不要给百分比。对方要你证明数字可信，就讲测量方法，而不是再报一个更大的数。
718 · 难 · 非Agent · 阿里一边开源 Qwen、一边做商业云业务,你怎么看这个策略?
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · 阿里巴巴(淘天、阿里云)
见现有题目「218」。
笔记整理，不是该仓库的原文。
为什么是这家，用你能核对的公开事实，例如他们做什么系统、什么约束。不认同的地方说一个具体产品或研究选择，不要演。没有把握的内幕不要编。
719 · 难 · 非Agent · 讲一个你从模糊需求一路做到交付的项目,中间的判断依据是什么?
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · 阿里巴巴(淘天、阿里云)
见现有题目「118」。
笔记整理，不是该仓库的原文。
阿里巴巴(淘天、阿里云)要的是这一问的角度，不是一份完整履历。用你自己的一次经历，讲当时的判断、后来改了什么、证据是什么。没有就说没有。不要编人数、日活和百分比。
720 · 难 · 非Agent · 你平时通过哪些渠道了解 AI 方向的新技术、新产品和新动态?
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · 滴滴
见现有题目「108」。
笔记整理，不是该仓库的原文。
说一篇你真读过的论文。问题、方法、它没做什么。跟进渠道用你真的会打开的那一两个，不要报一串网站。复述不出来的论文不要提。
721 · 难 · 非Agent · 讲一次你把某个 AI 功能从 0 做到上线的经历,中间踩过什么坑?
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · 滴滴
见现有题目「118」。
笔记整理，不是该仓库的原文。
滴滴要的是这一问的角度，不是一份完整履历。用你自己的一次经历，讲当时的判断、后来改了什么、证据是什么。没有就说没有。不要编人数、日活和百分比。
722 · 难 · 非Agent · 怎么把大模型和你负责的业务场景(推荐、检索、语义理解)结合起来?你的创新点是什么?
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · 京东
见现有题目「118」。
笔记整理，不是该仓库的原文。
京东要的是这一问的角度，不是一份完整履历。用你自己的一次经历，讲当时的判断、后来改了什么、证据是什么。没有就说没有。不要编人数、日活和百分比。
723 · 难 · 非Agent · 讲一次线上效果不达预期的完整复盘:你怎么定位问题来源?
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · 京东
见现有题目「199」。
笔记整理，不是该仓库的原文。
京东要的是这一问的角度，不是一份完整履历。用你自己的一次经历，讲当时的判断、后来改了什么、证据是什么。没有就说没有。不要编人数、日活和百分比。
724 · 难 · 非Agent · 讲一次你把模型线上效果真正做起来的经历:基线是什么、指标口径怎么来的?
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · 美团
见现有题目「144」。
笔记整理，不是该仓库的原文。
百分比要有前后口径、同一时间窗和数据集。说不清测试集就不要给百分比。对方要你证明数字可信，就讲测量方法，而不是再报一个更大的数。
725 · 难 · 非Agent · 剩下 1%-2% 的幻觉你怎么发现?没有线上 A/B 时你怎么给出可信结论?
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · 美团
见现有题目「199」。
笔记整理，不是该仓库的原文。
美团要的是这一问的角度，不是一份完整履历。用你自己的一次经历，讲当时的判断、后来改了什么、证据是什么。没有就说没有。不要编人数、日活和百分比。
726 · 难 · 非Agent · 讲一个你交付过的性能优化。给我数字,并告诉我为什么我应该相信它们。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Groq
见现有题目「118」。
笔记整理，不是该仓库的原文。
Groq要的是这一问的角度，不是一份完整履历。用你自己的一次经历，讲当时的判断、后来改了什么、证据是什么。没有就说没有。不要编人数、日活和百分比。
727 · 难 · 非Agent · 一位社区贡献者提了个 PR,给 transformers 加一种新的模型架构。你是负责评审的维护者:你会检查什么,又如何处理这次互动?
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Hugging Face
见现有题目「118」。
笔记整理，不是该仓库的原文。
Hugging Face要的是这一问的角度，不是一份完整履历。用你自己的一次经历，讲当时的判断、后来改了什么、证据是什么。没有就说没有。不要编人数、日活和百分比。
728 · 难 · 非Agent · 一个 Perplexity 答案“好”与“平庸”的差别在哪?Perplexity 在哪些地方输给传统搜索,又在哪些地方赢?你显然在用这个产品:它哪里有问题,你会上线什么来修?
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Perplexity
见现有题目「118」。
笔记整理，不是该仓库的原文。
Perplexity要的是这一问的角度，不是一份完整履历。用你自己的一次经历，讲当时的判断、后来改了什么、证据是什么。没有就说没有。不要编人数、日活和百分比。
729 · 难 · 非Agent · 你在我们的代码库里有两天,没有指定任务。你会做什么,时间怎么花?
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Cursor (Anysphere)
见现有题目「199」。
笔记整理，不是该仓库的原文。
Cursor (Anysphere)要的是这一问的角度，不是一份完整履历。用你自己的一次经历，讲当时的判断、后来改了什么、证据是什么。没有就说没有。不要编人数、日活和百分比。
730 · 难 · 非Agent · 讲一次你为了长期收益做短期牺牲的经历。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Cursor (Anysphere)
见现有题目「199」。
笔记整理，不是该仓库的原文。
Cursor (Anysphere)要的是这一问的角度，不是一份完整履历。用你自己的一次经历，讲当时的判断、后来改了什么、证据是什么。没有就说没有。不要编人数、日活和百分比。
731 · 难 · 非Agent · 在我们的构建环节里,你有两个小时和任何你想要的 AI 工具。你如何决定做什么、怎么花时间?
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Sierra
见现有题目「199」。
笔记整理，不是该仓库的原文。
Sierra要的是这一问的角度，不是一份完整履历。用你自己的一次经历，讲当时的判断、后来改了什么、证据是什么。没有就说没有。不要编人数、日活和百分比。
732 · 难 · 非Agent · 讲一次你端到端负责一个面向客户的问题的经历。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Sierra
见现有题目「118」。
笔记整理，不是该仓库的原文。
Sierra要的是这一问的角度，不是一份完整履历。用你自己的一次经历，讲当时的判断、后来改了什么、证据是什么。没有就说没有。不要编人数、日活和百分比。
733 · 难 · 非Agent · 为什么是 Palantir,为什么是这个团队?讲一次你顶回客户需求的经历。
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Palantir
见现有题目「218」。
笔记整理，不是该仓库的原文。
为什么是这家，用你能核对的公开事实，例如他们做什么系统、什么约束。不认同的地方说一个具体产品或研究选择，不要演。没有把握的内幕不要编。
734 · 难 · 非Agent · Palantir 与国防和情报机构有合作。你怎么看这件事?如果让你构建让你不舒服的东西,你会怎么做?
类型：非Agent面试
来源：ai-engineering-interview-questions-company-wise-zh-cn · Palantir
见现有题目「199」。
笔记整理，不是该仓库的原文。
Palantir要的是这一问的角度，不是一份完整履历。用你自己的一次经历，讲当时的判断、后来改了什么、证据是什么。没有就说没有。不要编人数、日活和百分比。