牛客 AI面试解决方案 一面:Python 基础、微调与 AI 项目落地
- 轮次
- 一面
- 时间
- 2026-10
- 来源
- 牛客网
《面试题目》
流程与背景
- 选择语言:Python 还是 Java?
- 自我介绍。
技术基础
- 介绍 Python 的生成器,它和普通函数有什么区别?
- Python 里的深拷贝和浅拷贝有什么区别?深拷贝什么时候用?浅拷贝有什么问题?
- 类的继承:老师、学生都继承于人,怎么来设计?
- 模型微调和预训练(两者的区别与适用场景,未记录具体问法)。
项目场景
- 介绍一个 AI 项目是怎么落地的、怎么交付的?
- 落地过程中碰到过哪些问题?这些问题怎么协调解决?
- AI 生产的内容怎么确保稳定性?
《参考解析》
生成器考的是「惰性求值 + 状态挂起」,不是 yield 这个关键字。 普通函数调用一次就从第一行跑到 return,栈帧销毁、结果一次性给出;生成器函数调用后不执行函数体,而是返回一个 generator 对象(实现了 __iter__ / __next__),每次 next() 才推进到下一个 yield 并停在那里,局部变量和指令指针都保留在帧里,所以它能「记住执行到哪」。工程上的三个直接后果:内存从 O(n) 降到 O(1)(处理 10GB 日志时逐行 yield 而不是 readlines())、可以表达无限序列(斐波那契、ID 流)、以及可以和消费端做流水线(生产者-消费者不落盘)。再往深一层要能说出 send() 可以往挂起点传值(协程的雏形)、yield from 做委托、throw()/close() 做异常注入与清理,以及生成器是单向一次性消耗的——遍历完就空了,要重复用就得重新创建或改成列表。如果对比 async/await,一句话:生成器是协程的实现基础,await 挂起的是事件循环调度的任务,而生成器挂起的只是自己。
深浅拷贝的关键是「复制到第几层」以及「里面装的是不是可变对象」。 浅拷贝 copy.copy() 或 list[:]、dict.copy() 只新建最外层容器,内部的元素仍然是同一批引用;深拷贝 copy.deepcopy() 递归复制所有嵌套结构。由此推出浅拷贝的典型事故:b = a.copy() 之后改 b[0].append(x),a[0] 也变了——共享的是内层列表。什么时候用浅拷贝:元素都是不可变对象(int、str、tuple of immutables、frozenset),此时浅拷贝等于深拷贝且更便宜;或者你明确希望共享内层数据(比如共享一个大的只读配置)。什么时候必须深拷贝:要在副本上改嵌套可变结构而保留原件,比如给每个请求一份默认参数模板、做回溯搜索时保存状态快照。深拷贝的代价也要知道:递归开销大、遇到自引用结构会靠 memo 字典处理循环引用、遇到不可 pickle 的对象(文件句柄、锁、数据库连接)会失败,这时要自定义 __deepcopy__。还有一个常被忽略的点:默认参数写成 def f(x, l=[]) 会在函数定义时创建一次并被所有调用共享,这是浅拷贝思维缺失的另一种表现。
老师学生都继承自人,正确答法是先问「变化点在哪」,再决定用继承还是组合。 基类 Person 放共性:姓名、年龄、性别、联系方式,以及所有角色都有的行为(describe());Teacher 加职称、所授课程、teach();Student 加学号、年级、班级、study()。但真正决定设计质量的是两个判断:一是角色会不会变(一个人可能既是老师又是学生,比如在读博士带课),单继承树表达不了,这时应该把「角色」抽成独立对象、用组合(Person 持有 roles: list[Role])而不是让类继承;二是行为差异会不会持续膨胀(不同角色的权限、课表、考核方式都不同),继承树会变成深层钻石结构,用策略模式或数据驱动(角色 → 权限表)更好。落地细节:Python 用 @dataclass 减少样板、用 ABC 定义接口、注意 MRO 与 super() 的协作式初始化(子类 __init__ 要调 super().__init__,多重继承时参数要能吃 **kwargs),以及别把「是不是老师」写成 isinstance 满天飞——那是多态该解决的问题。能主动说出「组合优于继承,除非确实是 is-a 且行为稳定」,这道设计题就到位了。
预训练和微调的差别,是「学什么」和「花多少」两件事。 预训练是从随机初始化开始,在大规模无标注语料上做下一 token 预测,学到的是语言能力与世界知识,成本是千卡级、几周到几个月,只有少数团队做;微调是从已有权重出发,在特定数据上继续训练,改变的是「行为与格式」——指令遵循、领域术语、输出风格、特定任务的准确率。微调再分几档:全参微调(效果上限高、显存要几十到上百 GB、易灾难性遗忘)、参数高效微调(LoRA/QLoRA 只训低秩旁路,7B 模型单卡 24GB 就能跑,adapter 只占几十 MB、可热插拔)、以及继续预训练(CPT,用领域语料再喂一遍,适合领域词汇和分布差异极大的场景,比如法律、医疗、代码)。选型口径可以给三条:任务缺的是「知识」还是「格式」——缺知识优先 RAG 而不是微调;领域分布差得远才考虑 CPT;数据量少(几百到几千条)就用 LoRA 并严格留出评测集。代价要提:微调会让模型在通用能力上退化(灾难性遗忘),所以配比里要掺通用数据;以及微调不能消除幻觉,只改变输出分布,事实性还是要靠检索与校验。
AI 项目落地,考的是「把不确定的能力装进确定的流程」。 一个可复述的落地路径是:先找可验证的场景(有明确输入输出、错了能发现),做 POC 用几十条真实样本验证可行性并定指标(准确率、人工复核率、单次成本、P95 延迟),再小流量灰度接入真实业务、与人工并行跑一段时间做对照,最后按指标放量。交付物不只是模型:还有评测集与回归脚本、监控看板、降级开关、以及给业务方的使用说明。「碰到问题怎么协调」要讲具体:需求方要的是「准确率 95%」,但没说清 95% 是在什么分布上、错了谁兜底,这时要做的是把验收标准翻译成可测的指标和样本集并让各方签字;数据和权限卡住时,先做一个不依赖该数据的降级版本让流程跑通,再并行推数据。AI 生成内容的稳定性,靠四层:结构化输出加 schema 校验(不合格直接重试或降级)、规则与知识库兜底(金额、日期、编号这类不让模型生成)、多采样投票或小模型复核(用于高风险字段)、以及人工审核队列加反馈回流(把人工改过的样本变成下一轮评测与训练数据)。再加一条运营视角:所有 AI 输出都要可追溯(用了哪个模型版本、哪版提示词、检索到哪些片段),否则线上出问题无法定位,也无法证明改版是变好还是变坏。