中国电信 AI 面试分三套：天翼云问技术、省市分公司问行为、省公司算法岗问模型

《面试题目》

一、天翼云（技术岗，每人 8 道）

1. 用户态和内核态是什么？
2. 在浏览器里输入一个网址，到页面渲染出来，整个流程是什么？
3. final 关键字可以用在哪些位置？
4. 设计一个基本的定时任务系统。
5. 你是怎么学一门新编程语言的？
6. 举一个例子：你用什么办法解决了一类反复出现的问题，最后结果如何？
7. Redis 怎么实现悲观锁？
8. C++ 从源码到可执行文件要经过哪些步骤？
9. STL 主流容器和适用场景有哪些？
10. 线程安全和同步异步分别指什么？
11. 重载和重写的区别是什么？
12. HTTP 和 WebSocket 各自用在什么场景？
13. 聊一下你熟悉的消息中间件。
14. 设计一个本地搜索。
15. try-catch-finally 的执行顺序是什么？
16. 并发与并行的区别是什么？
17. TCP 三次握手为什么两次不够？
18. 缓存穿透、击穿、雪崩分别是什么？
19. define 宏函数和 inline 的区别是什么？
20. C++ 智能指针有哪些？
21. 设计一个排行榜的数据结构和更新机制。
22. 实习里你怎么快速适应新环境？举个例子。
23. 碰到一个完全陌生的技术领域，你会按什么步骤解决？

二、省市分公司（行为题，8 道，每题 4 分钟）

1. 迄今为止遇到的最大的困难或挑战是什么，怎么克服的，收获了什么？
2. 为什么投我们公司的这个岗位？在这里工作对你意味着什么？你为此做过哪些努力？
3. 用三个词语形容自己，并解释。
4. 结合你所学的专业背景，讲一下你的职业规划。
5. 接上一题的追问：你的职业规划里遇到过什么困难，当时怎么解决的？
6. 如果入职后一年内要取得满意的工作成绩，你会怎么做？

三、省公司算法岗（7 道，附追问）

1. 偏差-方差困境是什么？
2. 逻辑回归和线性回归的区别是什么？
3. 模型上线前要做哪些评估和验证？（追问：测试集很好、线上很差，可能是为什么？）
4. 模型压缩和加速的常用手段有哪些？
5. 梯度消失和梯度爆炸在 RNN 里怎么缓解？
6. 类别不平衡怎么处理？
7. 你怎么理解 AI 工程化？

《参考解析》

这套题最大的信息量是「分线」本身。 中国电信的组织结构决定了面试题按主体分叉：专业公司（天翼云、研究院）走技术线，考的是通用后端/工程八股；省市分公司走行为线，八道题里没有一道技术题；省公司算法岗是第三条线，考模型基础与工程化。从公开面经看，这三套题几乎不重合，所以准备前的第一件事是确认自己投的是哪条线——把省市分公司的行为题当技术题准备，或者拿天翼云的题去备算法岗，都是白费。另外从多位候选人的描述看，AI 面是异步录播：手机小程序里作答，开场让你选一门最熟的语言（C/C++/Python/Golang/Java 里挑），每题作答时间较长、答完自己点「回答结束」进下一题，每题开始前有十几秒思考时间。这种形式的好处是提前写稿完全合法，也没有临场打断的压力。

天翼云那套工程题的核心是「基础八股 + 设计题」的组合。 用户态与内核态要答清「权限级别 + 切换代价」：内核态能执行特权指令、访问全部内存和硬件，用户态被限制；切换由系统调用、异常、中断触发，代价在于保存/恢复上下文和可能刷新 TLB，所以系统调用比普通函数调用贵得多，零拷贝、io_uring、用户态协议栈这些优化本质上都是在减少切换。输入网址到渲染是经典八股，按 DNS → TCP → TLS → HTTP → 解析 → 构建 DOM/CSSOM → 布局 → 绘制 → 合成的顺序讲，重点是别漏掉「同一域名复用连接」和「<script> 默认阻塞解析」。final 在 Java 里可修饰类（不可被继承）、方法（不可被重写）、字段（不可被重新赋值，引用不变但对象内容可变），要注意「final 保证可见性但不保证复合操作原子性」这个常被追问的点。定时任务系统的设计题要覆盖：调度器（时间轮 / 最小堆 / Quartz cron 表达式）、持久化任务与触发状态（防丢失、防重复触发）、分布式场景下的选主与任务分片（谁负责触发、如何避免多实例重复执行）、失败重试与补偿、以及可观测性（积压、延迟、失败率）。设计题答题的通用套路是「先问清量级和一致性要求，再给链路和取舍」。

缓存三大问题是高频题，答法要成对说清「成因 + 解法」。穿透：查询一个数据库里也不存在的 key，缓存永远不命中，请求全打到库上；解法是缓存空值（设短 TTL）、布隆过滤器前置拦截、参数校验挡掉明显非法的请求。击穿：某个热点 key 过期瞬间大量并发请求同时打到库上；解法是互斥锁/单飞（只让一个请求去加载，其余等待）、热点 key 永不过期加后台异步刷新、逻辑过期。雪崩：大批 key 在同一时间过期，或缓存服务整体挂掉；解法是过期时间加随机抖动、多级缓存、缓存集群高可用、以及下游限流降级熔断——最终还是要问「缓存全挂了，数据库能扛多久」。Redis 实现悲观锁的思路是 SET key value NX PX timeout（原子地「不存在才设置」并带过期，防止持有者崩溃后死锁），释放锁要用 Lua 脚本比对 value 再删除，避免误删别人的锁；更严谨的方案是 RedLock 或直接用 Redisson 的可重入锁。要说清「NX + PX + 唯一 value + Lua 释放」这四件套缺一不可。

行为题那一套的答法是「提前写成稿子、每段一个结构」。 八道题可以归纳成四类：「最大的困难与挑战」（STAR：情境-任务-行动-结果，结果必须有数字）、「为什么投这个岗位 / 对公司意味着什么」（动机三要素：岗位与专业的匹配、对行业的理解、长期打算）、「三个词形容自己」（每个词配一个具体事例，别只给形容词）、「职业规划与一年内取得成绩」（近期胜任—中期独立—长期方向，且要接上这个岗位的实际培养路径）。要注意两个坑：一是时间控制，每题 4 分钟听着长，实际说满的人很少，稿子按 1.5–2 分钟写、留出缓冲更稳；二是别把「考公、留学、创业」当规划的主线答案，AI 面虽然没有人当场追问，但后续 HR 环节会核对。省市分公司的 AI 面通过后流程推进很快，有公开面经提到做完两天就被约线上一面，所以稿子早写早好。

算法岗那七题对应的是「模型基础 + 上线工程」两块。 偏差-方差困境要讲清「欠拟合与过拟合的权衡、以及偏差与方差为什么此消彼长」，并给出判据（训练误差和验证误差的差距）与手段（加数据、正则化、集成、减小模型容量）。逻辑回归和线性回归的区别不只是「分类 vs 回归」：逻辑回归在输出前套了 sigmoid，用交叉熵损失（对应极大似然）而不是 MSE（因为 MSE + sigmoid 是非凸的、梯度会饱和），输出的概率需要选阈值才能变成类别，解释性上靠系数取对数几率。模型上线前的评估要覆盖离线（交叉验证、时间序列要按时间切分避免泄漏、按业务维度分桶看指标而不只看整体 AUC）与在线（AB 实验、灰度、指标口径、护栏指标）；「测试集很好、线上很差」的常见原因是数据泄漏、训练/线上特征不一致（特征穿越或线上线下计算逻辑不同）、样本偏差（线上分布漂移）、以及指标与业务目标不一致。模型压缩与加速手段分四类：剪枝、量化（INT8/INT4，要讲清校准与精度损失）、知识蒸馏、以及结构优化与算子融合、推理引擎（TensorRT/ONNX Runtime）优化。RNN 的梯度消失/爆炸靠 LSTM/GRU 的门控机制、梯度裁剪、合理的初始化与激活函数（ReLU 系）、以及残差连接缓解，本质原因是沿时间步的连乘导致梯度指数衰减或放大。类别不平衡的处理有数据层面（重采样、SMOTE、数据增强）与算法层面（类别权重、Focal Loss、调整阈值），关键是要用合适的指标评估（PR-AUC、F1、召回@固定精确率）而不是准确率。最后的「AI 工程化」是开放性题，答「模型只是一环，真正决定落地的是数据管道、特征与样本管理、训练与评测流水线、部署与监控（数据漂移、效果衰减）、以及成本与延迟的权衡」最能体现视野。