字节/美团 AI Coding 笔试：5 类必考题型与刷题重点

《面试题目》

1. 手写 softmax，要求数值稳定，并说明为什么必须先减去最大值。
2. 手写交叉熵损失函数，说明 log 里为什么要加极小值，并把梯度推出来。
3. 手写 sigmoid、线性层前向传播、批量归一化（BN）的前向与反向，说明难点在哪。
4. 给定一段 JSON 格式的用户行为日志或一份含缺失值、重复值的 CSV，用 pandas 完成去重、缺失值填充、异常值处理，并提取滑动窗口特征（如用户连续点击同一商品的时间间隔、某用户最近 7 天的活跃天数）。
5. 从百万级 embedding 向量中快速找到与目标向量最相似的一个，该怎么设计？社交网络里判断两个用户是否属于同一兴趣社区、对搜索词做相似度聚类，分别该用什么数据结构与算法？
6. 写一个完整的 PyTorch 训练循环：数据加载、前向传播、损失计算、反向传播、优化器更新、学习率衰减与早停。
7. 实现一个简单的逻辑回归模型，并计算验证集上的 AUC、F1、精确率与召回率。
8. 给定一个预训练好的模型，写推理部分的代码，处理 batch 输入、设备迁移与结果保存。
9. 设计一个低延迟、高可用的智能客服意图识别接口，并给出未识别意图的兜底策略。
10. 设计一个批量推理服务：请求队列管理、超时控制与结果缓存。
11. 实现一个带缓存的大模型问答接口，说明缓存键的设计、缓存失效策略与请求合并逻辑。

《参考解析》

手写 softmax：先减最大值不是可选项 实现就三行：x = x - x.max(axis=-1, keepdims=True)、e = np.exp(x)、p = e / e.sum(axis=-1, keepdims=True)。原因要说得具体：float32 下 exp 的输入超过约 88.7 就上溢成 inf，inf / inf 直接得到 nan，而笔试测试用例几乎一定会构造大输入。减去最大值后最大指数为 0，结果落在 (0, 1]，数学上与不减完全等价（分子分母同乘 e^{-max}），只是把计算挪进了安全区间。反向也要能背：dx = p * (dy - (dy * p).sum(axis=-1, keepdims=True))。追问常落在 keepdims 上——漏掉它广播维度就错了；以及按行还是按列做 softmax。

手写交叉熵：eps 与 log-sum-exp 两个坑：① -y * log(p) 在 p == 0 时得到 inf，工程上加 eps = 1e-12 或先 np.clip(p, eps, 1.0)；② 更稳的写法是直接从 logits 算，把 softmax 和 log 合并成 log-sum-exp：loss = -logits[range(n), y] + logsumexp(logits, axis=1)，不做两次 log/exp，也不需要 eps。梯度极其简洁：d = softmax(logits); d[range(n), y] -= 1; d /= n。追问方向是 label smoothing 和 class weight 怎么进这个公式，以及多标签场景为什么换成 binary_cross_entropy_with_logits。

pandas 数据处理题的答题顺序 给原始日志的标准流程：drop_duplicates(subset=[...], keep='last') → 时间字段 pd.to_datetime 并排序 → 缺失值按语义分流（数值走中位数，类别走众数或单开 unknown 桶，缺失比例过高的列直接丢）→ 异常值用 3σ 或 IQR 截断而不是直接删行。滑动窗口特征的核心是 groupby(...).rolling('7D', on='ts')：近 7 天活跃天数 = 按 user_id 分组后对去重日期计数；连续点击同一商品的时间间隔 = 先按 (user_id, item_id) 分组求 ts.diff()；刷单特征可以构造「同一用户 1 分钟内点击次数」「同 IP 关联账号数」这类计数特征。时间紧时优先把 groupby / rolling / merge 敲熟，能向量化就不要 .apply。

算法与业务场景的映射表 这类题的全部难点是把题面翻译成数据结构：百万级向量找最近邻，暴力是 O(N·D)，工程上先降维再建 ANN 索引（HNSW、IVF-PQ），维度超过 ~20 维时 KD 树剪枝基本失效；判断两个用户是否同社区、岛屿数量这类连通性问题用并查集（路径压缩 + 按秩合并，均摊近 O(1)）；搜索词相似度聚类用编辑距离（DP，O(mn)，滚动数组可把空间降到 O(min(m,n))）或 SimHash + 汉明距离；TopK 高频用小顶堆或桶排序。答题节奏上，多小问的题先写能过基础用例的暴力解再补优化，不要在第一个小问上耗光时间。

PyTorch 训练循环与常见失分点 骨架：DataLoader(dataset, batch_size, shuffle, num_workers, pin_memory) → model.train() → optimizer.zero_grad(set_to_none=True) → loss.backward() → optimizer.step()；验证阶段必须 model.eval() + torch.no_grad()。考点集中在几个坑上：忘记 zero_grad 会梯度累加；用 CrossEntropyLoss 时不要再手动 softmax（它内部已经是 log_softmax + NLL）；loss 默认 reduction='mean'，分批累加要按样本数加权而不是简单相加；模型和数据都要 .to(device)；混合精度用 torch.cuda.amp.autocast() 配 GradScaler；早停看验证集指标，指标取 sklearn.metrics 的 roc_auc_score / f1_score / precision_recall_curve，多分类 AUC 要显式指定 multi_class='ovr'。

AI 服务类设计题：先讲模块划分 意图识别接口的骨架：接入层（限流、鉴权）→ 分类模型（小模型做高置信度快通道，低置信度升级到大模型或规则）→ 兜底策略（阈值以下返回澄清话术、转人工、记 badcase）。必须主动讲三件事：超时预算怎么分、降级路径（模型不可用时退规则词典，保证不 5xx）、可观测性（置信度分布与转人工率打点）。批量推理服务要点：请求进有界队列（满了背压或拒绝，不要无限堆积），按「等待 20ms」与「最大 batch size」双条件触发组批；缓存键用「模型版本 + prompt 模板 hash + 归一化请求体」，失效走 TTL 加版本号，同键并发请求用 singleflight 合并（一次真实调用，结果广播给所有等待者）。

备考动作 这五类题的共同点是「限时内写出能跑的代码」。建议按字节、美团近两年的真题做 90 分钟限时模拟，先跑通基础用例再优化；考后把当场卡住的 API 单独抄一遍并手推一次反向。笔试考的不是写出完美代码，而是在有限时间里展示清晰的工程思路。