腾讯云 AI产品 日常实习 一面
《面试题目》
- 有面试过同岗的朋友欢迎评论区交流
- 项目拷打
- LLM 的基本原理是什么？
- Diffusion 模型主要解决什么问题？
- RAG 技术是做什么的？
- 、微调和提示词工程有什么区别？
- 在什么情况下会优先选择其中一种？
- 如何处理大模型的幻觉问题？
- 设计一款 AI + 场景的产品，需要说明用户痛点、核心功能以及功能优先级。
- AIGC 在教育等垂直领域有哪些应用案例？
- 如何将用户反馈转化为 AI 产品需求？
- 可以结合一个具体案例说明。
- 需求优先级通常如何排序？
- 是否使用过 KANO 模型或四象限法则？
- 对比国内大模型产品，比如 Kimi、DeepSeek、通义千问，在定位上有什么差异？
《参考解析》
- AI产品与 Agent 项目：回答这类问题要先讲清目标用户和业务场景，再说明模型、数据、工作流、评测指标和上线后的真实使用效果。面试官通常更看重你能否把 AI 能力转成可落地的产品闭环，而不是只罗列模型名。
- 模型微调：微调适合在任务边界稳定、数据质量可控、单靠提示词难以稳定提升时使用。回答时要说明训练数据来源、标注口径、验证集设计、准确率指标含义，以及上线后如何监控幻觉和退化。
- RAG 系统：RAG 的核心是召回质量、切分策略、排序和答案可追溯。BM25 擅长关键词精确匹配，向量检索更适合语义相近的问题，工程上常用混合检索加重排来提升稳定性。
- 用户研究：用研回答要覆盖样本选择、访谈或问卷方法、洞察提炼和需求转化。面试官会追问研究结论是否真正影响产品决策，因此最好用指标或后续迭代结果闭环。
- 项目深挖：项目深挖的核心是讲清背景、目标、你的职责、关键决策、难点和结果。遇到追问时优先用数据、取舍理由和复盘说明自己的判断，而不是只描述流程。