2025-2026 大厂公开面经题目全量索引¶

⚠️ 核验说明（2026-04-03）：本页追求的是“公开互联网里可追溯的题目级证据尽可能全量”，不是声称拿到了所有公司的保密真题。凡是没有稳定公开来源支撑的内容，本页宁可写成“趋势”或“待补位”，也不写成“某厂必问原题”。

📎 配套阅读： - 27-2025-2026大厂真实面经题型地图 - 28-题目真实性与来源维护说明 - 30-中文平台大厂面经深挖与真实性分级表

一、先给结论：现在的题库还不算“题源级足够全”，这页就是补这个缺口¶

如果只看站内原先的 01-28 页，理论覆盖其实已经比较厚了：

• Transformer / 微调 / 推理优化 / RAG / Agent / 多模态 / 系统设计 都有专题
• 机器学习 / 深度学习 / 数学 / 算法 / 数据库 / 网络 / OS / Python / Java / HR 也都已经成体系

真正还不够“无死角”的地方，不是知识点不够，而是：

1. 公司级题源索引还不够细
2. 之前更偏“高频题型地图”，但还不是“尽可能细的公开题目清单”
3. 跨平台证据分层还不够明确
4. 牛客、知乎、小红书、博客、二次总结混在一起时，容易把趋势误写成真题
5. 部分公司公开题源很多，部分公司公开题源很少
6. 需要把“已经拿到题目级证据的公司”和“仍然偏缺口的公司”分开说

这页的目标，就是把这些问题补齐。

如果你想继续追问“这些题在中文平台上到底分别来自哪里、哪一条该算原帖、哪一条只能算趋势”，请继续看 30-中文平台大厂面经深挖与真实性分级表。

二、本轮怎么收集：沿用“平台分开看”的方法，不把噪声混成真题¶

本轮审核采用的口径是：

A 级：题目级原帖¶

• 牛客公开 feed / discuss / creation subject
• 能看到明确公司、岗位、轮次、发布时间
• 能提炼出具体问题或追问

B 级：公开汇总页 / 话题页 / 高质量总结¶

• 牛客话题页、每日总结、跨公司汇总帖
• 知乎高质量总结文
• 可用于补公司覆盖和补追问方向

C 级：中文平台补趋势¶

• 小红书、知乎问答、博客、短视频平台
• 主要用来判断“最近哪些题在升温”
• 不单独作为真题主证据

本轮尤其借鉴了中文平台研究里常见的一个重要方法：平台分开看。

• 在本轮样本里，牛客最适合做题目级证据主索引
• 知乎更适合做二级汇总和补充理解
• 小红书对“最近大家在讨论什么”有帮助，但公开检索稳定性较差，很多时候还需要登录后才能拿到更完整结果

所以本页的主骨架仍然以 牛客公开原帖和话题页 为主，知乎等只做补充。

三、截至 2026-03-28，按本轮公开样本能较稳定拿到题目级证据的公司覆盖¶

一句话结论：按本轮公开样本看，“公开题目级证据”已经覆盖到多数核心厂的部分岗位，但还远没到“所有公司所有轮次所有题”这种程度。

注：这里的“高 / 中高 / 中 / 中低”只表示公开来源的可追溯性和稳定度，不是对题目本身真伪做百分之百背书，也不是对公司整体面试难度的评分。

四、按公司拆开的公开题目索引¶

4.1 字节跳动¶

来源¶

• 字节大模型二面面经（2026-02-12）

公开题目 / 追问¶

• Transformer 和 Encoder-Decoder 的区别
• Multi-Head Attention 与 Q / K / V
• GPT 和 BERT 结构差异
• 位置编码
• QLoRA 原理与量化类型
• 多个不同长度句子如何表示成同长度 embedding
• 手写题：三角形最短路径和

这组题说明什么¶

• 字节不只是问“会不会背 Transformer”，而是会把 结构 -> 微调 -> 表征 -> 手写 串起来
• embedding 聚合 这类问题说明它会继续追到工程表示层，而不是停在概念层

4.2 阿里 / 淘天¶

来源¶

• 阿里大模型二面（2025-08-24）
• 阿里系大模型面试高频问题统计（2025-04-28）
• 大模型应用开发面经（5 年经验，涉及百度/阿里/腾讯/美团/京东/快手/同程等）

公开题目 / 追问¶

• decoder 里的 mask 是什么
• 预训练分几个阶段
• RoPE
• attention / FFN 细节
• 分类 loss 怎么写
• embeddings 怎么迁移到推荐场景
• RLHF / DPO / PPO
• 奖励模型有没有必要
• Qwen 系列改进点
• 最难的 RAG 是什么
• 怎么做代码生成 evaluation
• Agent / 函数调用
• Text2SQL
• 为什么 RAG 在金融场景很重要

这组题说明什么¶

• 阿里系问题特别爱把 模型结构 -> 对齐训练 -> 场景迁移 -> 评测 连成一条链
• 奖励模型是否必要、代码生成如何评测、金融场景为什么要 RAG 这类开放题很像真实业务追问

4.3 腾讯¶

来源¶

• 腾讯大模型一二面面经（2025-09-26）
• 腾讯大模型技术研究-自然语言处理（公开面经）

公开题目 / 追问¶

• 大模型基础原理
• 大模型训练过程
• 多模态模型
• Prompt Engineering
• 如何解决大模型幻觉
• 推理加速 / 推理优化
• RAG 检索到季度财报，但 rerank 后少一季度，怎么处理
• 怎样组织训练数据
• LoRA / PEFT
• 分层微调
• 分布式训练

这组题说明什么¶

• 腾讯公开题目里，线上异常排查 和 实际训练组织 的味道很重
• 像“财报 rerank 后少一季度”这种题，已经明显超出纯概念问答，更接近生产问题复盘

4.4 百度¶

来源¶

• LLM 算法实习，百度二面面经（2025-11-17）
• 百度 Agent 智能体研发日常实习一二面（2026-02-24）
• 百度大模型后训练一面凉经（2026-03-18）

公开题目 / 追问¶

• LangGraph 里的 Smart Retrieval
• sync 64 张表 怎么同步
• 批处理如何做
• workflow 和 agents
• 为什么有的 LLM 喜欢回答单个词
• 缺页异常
• 二叉树后序遍历非递归
• 多 Agent 协作
• 共享上下文 hash 冲突怎么办
• 上下文压缩怎么做
• 上下文存储怎么设计
• 微调
• 记忆机制
• PPO / DPO / 奖励模型
• 强化学习在后训练里的作用

这组题说明什么¶

• 百度公开题源里，Agent 运行时、上下文管理、工作流编排的权重非常高
• 按公开样本看，LangGraph、多 Agent 共享上下文、记忆机制 已经不算冷门追问，而是能直接出现在面经里的题

4.5 小红书¶

来源¶

• 小红书大模型应用算法一面（2025-12-30）
• 小红书大模型算法实习面经（2026-01-11）
• 小红书一面日常实习面经（2025-05-29）

公开题目 / 追问¶

• 为什么想做 LLM 生成内容评测
• 开放式 LLM 回答怎么评测
• 如何提升评测质量
• 评价方向为什么重要
• vLLM 解决了什么问题
• RAG 效果怎么优化
• 让流式 ASR 成为 agent 的一个 tool，你会怎么设计
• 数据集产品相关项目深挖
• Prompt 怎么设计
• llama2 和 qwen2.5
• 如何搭建一个 RAG 系统

这组题说明什么¶

• 按目前公开样本，小红书相关岗位里，开放式评测 已经是较常见的主问题之一
• 同时它也会把 评测 / 应用架构 / tool 设计 / RAG 优化 连在一起问

4.6 快手¶

来源¶

• 快手大模型算法二面面经（2025-08-23）
• 大模型 Agent 算法一面-快手（2025-09-09）
• 26 届校招｜快手大模型应用算法面经（2026）

公开题目 / 追问¶

• embedding 模型怎么训练
• BGE 用的是什么 loss
• 对比学习里正负样本怎么构造
• RAG、LoRA、FlashAttention
• MHA 的公式
• MoE
• decoder-only 模型的注意力
• 为什么想做 Agent
• 智能体工具调用怎么设计
• 大模型常见幻觉问题
• Agent、MCP
• 怎么做代码评测

这组题说明什么¶

• 快手一类岗位会把 embedding / 检索 / 对比学习 / Agent 混着问
• 这意味着“只会 LLM 主干，不会检索和表征”会很吃亏

4.7 美团¶

来源¶

• 美团大模型产品转正实习面经（2025-09-20）
• 美团 AI 产品一面凉经（2026-02-18）

公开题目 / 追问¶

• Prompt、RAG、GraphRAG、Agent
• 训练 / 推理 / 微调成本怎么压
• CUDA
• DeepSeek、MoE、GRPO
• AI coding
• SQL
• 项目深挖
• 多轮追问业务理解和产品判断

这组题说明什么¶

• 美团的公开题目非常像“应用落地和产品化”的综合面
• 既问技术，也问成本，也问指标，也问 SQL 和业务理解

4.8 京东¶

来源¶

• 京东大模型应用开发一面（2025-12-27）
• 京东算法工程师一面（PagedAttention / MoE / DeepSeek / 推理优化）

公开题目 / 追问¶

• transformer 系列问题
• 为什么要预训练
• causal mask
• 为什么要除以 sqrt(dk)
• softmax
• BERT 怎么训练
• int8 和 int4 推理
• 精度损失怎么处理
• RAG 怎么评测
• PagedAttention
• MoE
• DeepSeek
• 推理优化

这组题说明什么¶

• 京东公开题目比较像“基础原理 + 工程优化 + 应用评测”的组合
• 量化精度损失 和 RAG 评测 同时出现，说明它并不只盯着理论

4.9 滴滴¶

来源¶

• 滴滴 Agent/GraphRAG 应用开发一面（2025-10-13）
• 滴滴算法二面（Transformer / DeepSpeed / MoE / 位置编码 / 量化剪枝）

公开题目 / 追问¶

• Agent 框架是什么
• Agent 怎么做 loop
• Prompt 怎么和 tools 配合
• GraphRAG 相比普通 RAG 多了什么
• 多 Agent 怎么设计
• 在真实项目里遇到过什么问题
• Transformer
• DeepSpeed
• MoE
• 位置编码
• 量化和剪枝

这组题说明什么¶

• 滴滴公开题目一边问 Agent 工作流，一边问传统大模型工程
• GraphRAG 已经进入应用开发向面经的公开样本，不再只是论文概念

4.10 华为¶

来源¶

• 华为 AI 应用开发校招一面（2025-11-06）
• 华为 AI 软开秋招一面（2026-01-25）
• 华为盘古大模型工程师一面（多模态训练 / 跨模态对齐 / 数据预处理 / 推理加速）

公开题目 / 追问¶

• AI 应用开发项目深挖
• Python 八股
• is 和 == 的区别
• PyTorch 计算图
• 遇到的困难
• 回溯类手写题
• 多模态大模型训练方法
• 跨模态对齐
• 数据预处理
• 推理加速

这组题说明什么¶

• 华为公开题源目前更偏 AI 应用开发 / AI 软开 / 大模型工程
• 纯“大模型算法岗”的稳定公开题目还不如百度、阿里、腾讯那样丰富，所以这里要明确写成“已拿到部分题目级信号”，而不是“已经齐全”

五、跨公司重复出现的公开高频题池¶

下面这些题，不是某一家独有，而是 2025-2026 公开面经里反复出现的“公共题池”。

5.1 模型结构与基础原理¶

• GPT 和 BERT 的结构差异
• Encoder-Decoder 和 decoder-only 的区别
• attention 为什么要除以 sqrt(dk)
• causal mask 是什么
• RoPE 和传统位置编码的差别
• MQA / GQA / MHA 的区别
• FFN / SwiGLU / RMSNorm 的作用
• MoE 为什么能提效，代价是什么

5.2 微调、后训练与对齐¶

• LoRA / QLoRA 原理
• 微调和预训练的区别
• RLHF / PPO / DPO / GRPO 的关系
• 奖励模型有没有必要
• 后训练为什么难，常见失败模式是什么
• 微调怎么避免灾难性遗忘和“复读机”

5.3 推理优化与系统工程¶

• vLLM 解决了什么问题
• PagedAttention 是什么
• FlashAttention 原理
• int8 / int4 推理怎么权衡
• 量化后的精度损失怎么排
• 推理服务怎么提升 GPU 利用率
• 推理加速有哪些常见手段

5.4 RAG 与知识系统¶

• 如何从零搭一个 RAG 系统
• RAG 效果怎么优化
• 最难的 RAG 是什么
• RAG 怎么做评测
• 为什么 RAG 在金融 / 财报 / 表格场景重要
• rerank 之后丢关键信息怎么办
• GraphRAG 相比普通 RAG 多了什么
• 表格 / 数据集 / 多源知识如何接入检索链路

5.5 Agent 与工作流¶

• workflow 和 agent 的区别
• Agent loop 怎么设计
• Prompt 如何和工具调用配合
• streaming ASR 成为 agent tool 怎么设计
• 多 Agent 怎么协作
• 多 Agent 共享上下文冲突怎么办
• 上下文压缩和记忆存储怎么做
• LangGraph / MCP / 函数调用适合解决什么问题

5.6 评测与业务落地¶

• 开放式内容怎么评测
• 如何提升 LLM 评测质量
• 代码生成怎么做 evaluation
• 业务指标和模型指标如何打通
• 数据集产品 / 评测平台 / 批处理链路怎么设计

5.7 项目深挖与基础编码¶

• 项目里为什么这样设计
• 数据怎么构造
• 批处理怎么做
• sync 多张表怎么做
• 缺页异常
• 二叉树后序遍历非递归
• DP / 回溯 / SQL

如果把上面这组题准备透，通常已经能覆盖最近公开面经里相当一部分实战面问法。

六、哪些公司和方向目前仍然不够“题目级完整”¶

这部分需要明确说明边界。

截至 2026-03-28，本轮还没有拿到足够稳定、足够细、足够新的题目级公开来源的方向主要包括：

• 拼多多大模型 / Agent 题目级原帖
• 同程等次一级互联网厂的大模型题目级原帖
• 部分手机厂 / 车厂的大模型算法岗题目级原帖
• 某些厂的三面 / 终面 / HR 面的连续全流程记录

这并不代表它们没有在问这些题，而是代表：

• 公开帖子更少
• 搜索更分散
• 更多只出现在二级总结、知乎文章、小红书讨论或博客转述中

所以本页的处理方式是：

• 有原帖就写成题目清单
• 没有原帖但有汇总，就写成趋势
• 只有模糊传闻，就先不写

七、对当前题库的审核结论¶

如果现在问“站内求职面试题库全不全、有没有包含真实题目”，更准确的回答应该是：

结论 1：理论题库已经比较完整¶

• 基础理论、微调、推理优化、RAG、Agent、系统设计、数学、机器学习、深度学习、CS 基础都已有覆盖

结论 2：真实题目以前有，但还不够细¶

• 27 页解决了“最近都在问什么”
• 28 页解决了“这些来源怎么分级”
• 本页 29 解决的是“尽可能把公开题目级证据补细”

结论 3：现在可以说“公开题源维度比之前更完整了”，但不能说“所有大厂所有题都拿到了”¶

• 这是最实事求是的表述
• 也是后续继续维护时最不容易失真的表述

八、建议怎么用这页¶

1. 先读 27-2025-2026大厂真实面经题型地图，抓住优先级
2. 再用本页看“不同公司最近到底在问哪些具体问题”
3. 对照 21-AI Agent与RAG面试专题、22-大模型核心八股文、09-推理优化面试题 等专题补答案
4. 最后把这些题改写成你自己的 1 分钟版 / 3 分钟版 / 5 分钟项目版

这样通常更高效，也更接近真正面试时的答题方式。

九、公开来源索引¶

A 级：题目级原帖 / 直接来源¶

• 字节大模型二面面经（2026-02-12）
• 阿里大模型二面（2025-08-24）
• 腾讯大模型一二面面经（2025-09-26）
• LLM 算法实习，百度二面面经（2025-11-17）
• 百度 Agent 智能体研发日常实习一二面（2026-02-24）
• 百度大模型后训练一面凉经（2026-03-18）
• 小红书大模型应用算法一面（2025-12-30）
• 小红书大模型算法实习面经（2026-01-11）
• 小红书一面日常实习面经（2025-05-29）
• 快手大模型算法二面面经（2025-08-23）
• 大模型 Agent 算法一面-快手（2025-09-09）
• 26 届校招｜快手大模型应用算法面经（2026）
• 美团大模型产品转正实习面经（2025-09-20）
• 美团 AI 产品一面凉经（2026-02-18）
• 京东大模型应用开发一面（2025-12-27）
• 京东算法工程师一面（PagedAttention / MoE / DeepSeek / 推理优化）
• 滴滴 Agent/GraphRAG 应用开发一面（2025-10-13）
• 滴滴算法二面（Transformer / DeepSpeed / MoE / 位置编码 / 量化剪枝）
• 华为 AI 应用开发校招一面（2025-11-06）
• 华为 AI 软开秋招一面（2026-01-25）
• 华为盘古大模型工程师一面（多模态训练 / 跨模态对齐 / 数据预处理 / 推理加速）

B 级：公开汇总页 / 话题页 / 跨公司索引¶

• 阿里系大模型面试高频问题统计（2025-04-28）
• 腾讯大模型技术研究-自然语言处理（公开面经）
• 大模型 - 话题（2025-07-29）
• 大模型面经每日总结（2026-02-05）
• 大模型应用开发面经（5 年经验，涉及多家公司）
• 大模型岗位题型集合页（LoRA / 对比学习 / CLIP / Qwen / Agent / RAG / 评测集等）

C 级：补趋势的中文平台来源¶

• 24 家国内大模型面经及考点总结（知乎）

最后更新日期： 2026-04-03