AI/算法工程师面试完全指南：从八股到实战的通关攻略

/* MD / 富文本中的 .toc（含博客园搬家等嵌套结构）；.toc-box 在侧栏，不受影响 */
#content_views .toc,
/* 编辑器常在目录前后插入空 p（:empty 仍占 20px），一并去掉避免顶空隙 */
#content_views.markdown_views > p:empty:has(+ .toc),
#content_views.markdown_views > .toc + p:empty,
/* 富文本旧版目录标记 */
#content_views.htmledit_views #main-toc,
#content_views.htmledit_views #hr-toc,
#content_views.htmledit_views p[id*=\”-toc\”] {
display: none !important;
}
/* 目录去掉后，紧跟的首个标题不再多出一块上边距 */
#content_views.markdown_views > .toc + h1,
#content_views.markdown_views > .toc + h2,
#content_views.markdown_views > .toc + h3,
#content_views.markdown_views > .toc + h4,
#content_views.markdown_views > .toc + p:empty + h1,
#content_views.markdown_views > .toc + p:empty + h2,
#content_views.markdown_views > .toc + p:empty + h3,
#content_views.markdown_views > .toc + p:empty + h4 {
margin-top: 0 !important;
}

2026 年，AI 行业已经从"会调参就能拿 offer"的时代，进化到了"既要懂大模型，又要懂工程落地"的阶段。面试考察范围越来越广：从传统的 ML/DL 基础，到 LLM 原理、RAG 架构、Prompt Engineering、模型微调，再到工程化部署。

这篇文章把 AI 算法面试的完整流程拆成 准备 → 简历 → 笔试 → 技术面 → HR 面 五个阶段，每个阶段都给出具体的备考策略和真题示例。

一、面试全流程概览

AI 算法岗的面试通常经历以下环节：

投递简历 → 在线笔试/测评 → 一面（基础+手撕代码） → 二面（项目深挖+场景题） → 三面（系统设计+综合能力） → HR面 → Offer

二、简历准备

2.1 简历结构

一份合格的 AI 算法简历应包含以下模块：

1. 基本信息（姓名、学历、联系方式、GitHub/个人主页）
2. 教育背景（学校、专业、GPA、核心课程）
3. 专业技能（编程语言、框架、领域知识）
4. 实习/工作经历（STAR法则描述）
5. 项目经历（重点，至少2-3个）
6. 论文/竞赛/开源贡献（加分项）

2.2 项目描述模板（STAR 法则）

【项目名称】基于 RAG 的企业知识库问答系统
– Situation（背景）：公司内部文档超过 10 万份，员工检索效率低
– Task（任务）：设计一套基于 LLM 的智能问答系统
– Action（行动）：
– 使用 LangChain 框架搭建 RAG 管线
– 对文档进行语义分块（chunk size=512, overlap=64）
– 使用 BGE-M3 生成 Embedding，存入 Milvus 向量数据库
– 接入 Qwen2.5-72B 作为生成模型，设计 Re-rank 策略
– 实现多轮对话记忆和来源溯源功能
– Result（结果）：
– 检索准确率提升至 89%（人工评估）
– 平均响应时间 < 3秒
– 系统已上线服务 500+ 员工

2.3 技能描述规范

❌ 错误写法：

熟悉 Python，了解机器学习，会用 PyTorch

✅ 正确写法：

– 编程语言：Python（5年）、C++（2年）、SQL
– 深度学习框架：PyTorch、HuggingFace Transformers、LangChain
– 机器学习：熟悉 CNN/RNN/Transformer 架构原理，有 BERT/GPT 模型微调经验
– 大模型：了解 LoRA/QLoRA 微调、RAG 架构设计、Prompt Engineering
– 工程能力：Docker、FastAPI、Milvus、Redis
– 竞赛：Kaggle 银牌（Top 5%）

三、笔试备考

3.1 笔试题型分布

3.2 算法题高频考点

AI 岗笔试算法题和后端岗侧重点不同，更偏向以下方向：

高频 Top 10 算法类型：
1. 二叉树遍历/操作（DFS/BFS）
2. 动态规划（背包、最长子序列）
3. 排序算法（快排、归并、堆排）
4. 二分查找及变体
5. 字符串匹配（KMP、Trie 树）
6. 图的遍历（最短路径、拓扑排序）
7. 滑动窗口
8. 回溯法（全排列、组合）
9. 栈/队列应用
10. 矩阵运算（模拟计算过程）

经典真题示例：

# 题目：给定一个无序数组，找到其中第 K 大的元素
# 要求：时间复杂度优于 O(nlogn)

import heapq

def find_kth_largest(nums, k):
"""
使用小顶堆，维护大小为 K 的堆
时间复杂度：O(nlogk)，空间复杂度：O(k)
"""
heap = []
for num in nums:
heapq.heappush(heap, num)
if len(heap) > k:
heapq.heappop(heap)
return heap[0]

# 测试
nums = [3, 2, 1, 5, 6, 4]
k = 2
print(find_kth_largest(nums, k)) # 输出: 5

3.3 ML 基础选择题高频知识点

1. 偏差与方差的权衡关系
2. L1/L2 正则化的区别（稀疏性）
3. 交叉熵 vs 均方误差的适用场景
4. 梯度消失/梯度爆炸的原因和解决方案
5. Batch Normalization 的原理和作用
6. Dropout 的训练/推理模式区别
7. Adam 优化器 vs SGD 的对比
8. SVM 的核函数选择
9. 决策树剪枝策略
10. 过拟合的判断和应对方法

四、技术一面：基础八股 + 手撕代码

4.1 机器学习基础高频题

Q1：解释偏差-方差分解

偏差（Bias）：模型预测值的期望与真实值之间的差异
→ 衡量模型的拟合能力
→ 高偏差 → 欠拟合

方差（Variance）：模型在不同训练集上预测结果的变化范围
→ 衡量模型对数据扰动的敏感度
→ 高方差 → 过拟合

总误差 = 偏差² + 方差 + 不可约误差（噪声）

| 模型复杂度 | 偏差 | 方差 |
|———–|——|——|
| 太简单 | 高 | 低 |
| 适中 | 低 | 适中 |
| 太复杂 | 低 | 高 |

应对策略：
– 高偏差 → 增加模型复杂度、增加特征、减少正则化
– 高方差 → 增加训练数据、减少模型复杂度、增加正则化、Dropout

Q2：L1 和 L2 正则化的区别

L1 正则化（Lasso）：L = L0 + λ * Σ|wi|
– 产生稀疏解（部分权重为0）
– 可用于特征选择
– 不可导（在0点），需要次梯度或软阈值

L2 正则化（Ridge）：L = L0 + λ * Σ(wi²)
– 不产生稀疏解，但权重趋近于0
– 可导，优化更稳定
– 对大权重惩罚更大

为什么 L1 产生稀疏解：
几何解释：L1 约束区域是菱形，最优解常在顶点（坐标轴上）
概率解释：L1 对应拉普拉斯先验，L2 对应高斯先验

Q3：解释梯度下降的变体

优化器演进路线：

SGD → Momentum → Nesterov → AdaGrad → RMSProp → Adam → AdamW

Adam 公式：

# Adam 优化器伪代码
m = 0 # 一阶矩估计
v = 0 # 二阶矩估计
beta1, beta2 = 0.9, 0.999
eps = 1e-8

for t in range(1, max_iter + 1):
g = compute_gradient(params, data)
m = beta1 * m + (1 – beta1) * g # 一阶矩
v = beta2 * v + (1 – beta2) * g ** 2 # 二阶矩
m_hat = m / (1 – beta1 ** t) # 偏差修正
v_hat = v / (1 – beta2 ** t)
params -= lr * m_hat / (np.sqrt(v_hat) + eps)

4.2 深度学习高频题

Q4：解释 Transformer 的 Self-Attention 机制

核心公式：Attention(Q, K, V) = softmax(QK^T / √dk) * V

步骤分解：
1. 输入序列 X 经过三个线性变换得到 Q、K、V
Q = X * Wq, K = X * Wk, V = X * Wv

2. 计算注意力分数
scores = Q * K^T / √dk
（√dk 缩放防止内积过大导致 softmax 梯度消失）

3. softmax 归一化
attention_weights = softmax(scores)

4. 加权求和
output = attention_weights * V

Multi-Head Attention：
– 将 Q、K、V 分成 h 个头
– 每个头独立做 attention
– 拼接后线性变换
– 作用：让模型从不同子空间关注不同位置的信息

Q5：BERT 和 GPT 的核心区别

4.3 大模型（LLM）高频题

Q6：LoRA 微调的原理

LoRA（Low-Rank Adaptation）核心思想：
不修改原始权重 W，而是学习一个低秩增量 ΔW = B * A

原始：h = W * x
LoRA：h = W * x + B * A * x

其中：
– W ∈ R^(d×k)，原始权重（冻结不更新）
– A ∈ R^(r×k)，降维矩阵，r << min(d, k)
– B ∈ R^(d×r)，升维矩阵
– A 用高斯初始化，B 初始化为0（训练开始时 ΔW=0）

优点：
1. 训练参数量从 d*k 降低到 r*(d+k)，大幅减少
2. 原始权重不变，可随时切换不同 LoRA
3. 效果接近全参数微调

QLoRA：
在 LoRA 基础上，将原始权重量化为 4-bit NF4
进一步减少显存占用，可在单卡上微调大模型

Q7：RAG 架构的核心组件

RAG（Retrieval-Augmented Generation）管线：

1. 文档处理
– 加载文档（PDF/Word/HTML）
– 文本分块（Chunking）
– 常用策略：固定大小分块 + overlap、按语义分块

2. 向量索引
– 使用 Embedding 模型（如 BGE、text-embedding-ada-002）
– 存入向量数据库（Milvus/Pinecone/FAISS）

3. 检索
– 用户 Query → Embedding → 向量相似度搜索
– 召回 Top-K 相关文档块
– 可选：Re-rank 重排序

4. 生成
– 将检索到的文档拼入 Prompt
– LLM 生成最终回答
– 可选：来源溯源、引用标注

常见问题与优化：
– 检索不准 → 换更好的 Embedding 模型、调整 chunk size
– 回答不相关 → 加 Re-rank、优化 Prompt
– 响应慢 → 缓存常见 Query、异步检索

4.4 手撕代码高频题

题目1：实现 Softmax 函数

import numpy as np

def softmax(x):
"""
数值稳定的 Softmax 实现
"""
# 减去最大值防止数值溢出
x_max = np.max(x, axis=–1, keepdims=True)
exp_x = np.exp(x – x_max)
return exp_x / np.sum(exp_x, axis=–1, keepdims=True)

# 测试
x = np.array([1.0, 2.0, 3.0])
print(softmax(x)) # [0.090, 0.245, 0.665]
print(sum(softmax(x))) # 1.0

题目2：实现交叉熵损失

import numpy as np

def cross_entropy_loss(y_pred, y_true):
"""
y_pred: softmax 后的概率分布, shape (N, C)
y_true: one-hot 标签, shape (N, C)
"""
eps = 1e-12 # 防止 log(0)
y_pred = np.clip(y_pred, eps, 1.0 – eps)
loss = –np.sum(y_true * np.log(y_pred)) / y_pred.shape[0]
return loss

# 测试
y_pred = np.array([[0.7, 0.2, 0.1], [0.1, 0.8, 0.1]])
y_true = np.array([[1, 0, 0], [0, 1, 0]])
print(f"Loss: {cross_entropy_loss(y_pred, y_true):.4f}")

题目3：实现 K-Means 聚类

import numpy as np

def kmeans(X, k, max_iter=100):
n, d = X.shape
# 随机初始化聚类中心
centroids = X[np.random.choice(n, k, replace=False)]

for iteration in range(max_iter):
# 分配步骤：每个点分配到最近的聚类中心
distances = np.linalg.norm(X[:, np.newaxis] – centroids, axis=2)
labels = np.argmin(distances, axis=1)

# 更新步骤：重新计算聚类中心
new_centroids = np.array([X[labels == i].mean(axis=0) for i in range(k)])

# 收敛判断
if np.allclose(centroids, new_centroids):
print(f"收敛于第 {iteration} 次迭代")
break
centroids = new_centroids

return labels, centroids

# 测试
np.random.seed(42)
X = np.vstack([
np.random.randn(100, 2) + [5, 5],
np.random.randn(100, 2) + [–5, –5],
np.random.randn(100, 2) + [5, –5]
])
labels, centroids = kmeans(X, k=3)
print(f"聚类中心:\\n{centroids}")

五、技术二面：项目深挖 + 场景设计

5.1 项目深挖常见追问

面试官会围绕你简历上的项目进行"剥洋葱式"追问：

第一层：这个项目解决了什么问题？
第二层：你为什么选择这个技术方案？有没有考虑过其他方案？
第三层：具体的参数是怎么调的？调参依据是什么？
第四层：遇到了什么问题？怎么解决的？
第五层：如果数据量扩大 10 倍，你的方案需要怎么改？
第六层：如果不用这个方案，你会怎么做？

回答策略：

1. 先说结论，再展开细节
2. 展示你的思考过程（"我一开始用了 A 方案，发现 B 问题是…所以换成了 C"）
3. 量化结果（"准确率从 82% 提升到 89%"）
4. 诚实承认不足（"这个方案在 XX 场景下确实有局限"）

5.2 场景设计题示例

题目：设计一个智能客服系统，日均咨询量 50 万次

回答框架：

1. 需求分析
– 输入：用户文本/语音咨询
– 输出：准确、快速的自动回复
– 指标：准确率 > 90%、平均响应 < 2s、人工接管率 < 20%

2. 系统架构设计

用户 → API网关 → 意图识别 → 路由分发
├── FAQ 检索（向量匹配）
├── RAG 问答（LLM生成）
└── 人工转接（兜底）

3. 关键模块
a. 意图识别：BERT 微调分类器，区分 FAQ/RAG/人工
b. FAQ 模块：向量检索 + 精排
c. RAG 模块：文档分块 → Embedding → Milvus检索 → LLM生成
d. 缓存层：Redis 缓存高频问题的回答
e. 监控：回答质量评分、人工接管率、响应延迟

4. 性能优化
– 批量 Embedding 减少调用次数
– 异步队列处理非实时请求
– 模型量化部署降低推理成本

5. 数据飞轮
– 记录用户反馈（有用/无用）
– 定期更新 FAQ 库和文档库
– 持续优化意图识别模型

六、技术三面：系统设计

6.1 系统设计题框架

1. 澄清需求（5分钟）
– 业务场景：推荐系统/搜索/风控/对话？
– 数据规模：日活用户、请求量、数据量
– 延迟要求：实时/近实时/离线

2. 架构设计（10分钟）
– 画出系统架构图
– 说明数据流向
– 选择技术栈

3. 核心模块设计（15分钟）
– 特征工程
– 模型选择
– 训练流程
– 部署方案

4. 优化与扩展（5分钟）
– 性能瓶颈在哪
– 如何水平扩展
– 容灾与降级策略

6.2 经典系统设计题：推荐系统

需求：设计一个内容推荐系统，日活 1000 万

架构：

┌─────────┐ ┌──────────┐ ┌───────────┐
│ 用户端 │───→│ API 网关 │───→│ 召回服务 │
└─────────┘ └──────────┘ └─────┬─────┘
│
┌──────────────────┼──────────────────┐
│ │ │
┌─────┴─────┐ ┌───────┴──────┐ ┌───────┴──────┐
│ 协同过滤 │ │ 内容召回 │ │ 向量召回 │
│ (CF) │ │ (标签匹配) │ │ (Embedding) │
└─────┬─────┘ └───────┬──────┘ └───────┬──────┘
│ │ │
└──────────────────┼──────────────────┘
│
┌──────┴──────┐
│ 排序服务 │
│ (精排模型) │
└──────┬──────┘
│
┌──────┴──────┐
│ 重排服务 │
│ (多样性/去重) │
└──────┬──────┘
│
┌──────┴──────┐
│ 返回推荐列表 │
└─────────────┘

关键设计决策：
– 召回层：多路并行，目标是从百万级候选中召回千级
– 精排层：使用 DeepFM/DIN 等模型做 CTR 预估
– 重排层：加入多样性策略，避免信息茧房
– 特征工程：用户特征、物品特征、上下文特征、交叉特征
– 实时性：用 Flink 做实时特征更新

七、HR 面：职业规划与软技能

7.1 HR 面高频问题

7.2 反问环节准备

面试结束前面试官通常会问"你有什么问题想问我的？"

好的反问：

1. 团队目前的技术栈和正在做的项目方向是什么？
2. 这个岗位前三个月的主要工作目标是什么？
3. 团队的技术氛围和成长机制怎么样？
4. 在 AI 大模型方向，团队接下来的技术规划？

避免的反问：

❌ 加班多吗？（显得不积极）
❌ 薪资能到多少？（留到谈 offer 时问）
❌ 面试能过吗？（显得不自信）

八、备考清单

8.1 知识点 Checklist

□ 机器学习基础
□ 线性回归/逻辑回归推导
□ 决策树/随机森林/XGBoost
□ SVM 核函数
□ K-Means/DBSCAN
□ 偏差-方差分解
□ 正则化（L1/L2）
□ 评估指标（Precision/Recall/F1/AUC）
□ 交叉验证
□ 特征工程方法

□ 深度学习
□ 反向传播推导
□ CNN（卷积/池化/感受野）
□ RNN/LSTM/GRU
□ Transformer/Self-Attention
□ BatchNorm/LayerNorm
□ 激活函数（ReLU/GELU/SiLU）
□ 优化器（SGD/Adam/AdamW）
□ 梯度消失/爆炸

□ 大模型
□ GPT/BERT/T5 区别
□ 预训练与微调流程
□ LoRA/QLoRA/Adapter
□ RLHF/DPO
□ RAG 架构
□ Prompt Engineering
□ 模型量化（INT8/INT4）
□ 位置编码（RoPE/ALiBi）

□ 工程能力
□ Python 并发/异步
□ Docker 基础
□ FastAPI 接口开发
□ 向量数据库使用
□ Git 版本控制
□ Linux 基础命令

□ 算法
□ LeetCode Hot 100
□ 排序算法手写
□ 动态规划经典题
□ 二叉树操作
□ 图的遍历

8.2 推荐学习资源

九、面试当天注意事项

面试前：
1. 提前 10 分钟进入会议室，测试设备
2. 准备纸笔用于推导和画图
3. 准备好 IDE/白板环境（如牛客在线编辑器）
4. 把简历放在手边，随时能翻到对应项目

面试中：
1. 听清问题再回答，不懂可以追问
2. 先说思路再写代码
3. 写完代码主动跑测试用例
4. 不会的题诚实说，不要硬编
5. 面试官提示时积极回应，展示学习能力
6. 保持自信但不傲慢

面试后：
1. 记录被问的问题和自己的回答
2. 复盘答得不好的题，查漏补缺
3. 如有 HR 联系方式，发一条感谢消息

十、常见面试陷阱

10.1 技术面陷阱

陷阱1：面试官问"你了解 XXX 吗？"
→ 如果不了解，直接说"不太了解"
→ 如果了解一点，说"了解一些，主要是…"，不要过度承诺

陷阱2：面试官说"你觉得呢？"
→ 这通常意味着你的回答有问题，面试官给你纠正的机会
→ 重新思考，不要固执己见

陷阱3：手撕代码时一直沉默
→ 一定要边写边说思路
→ 即使卡住了也要说出你在想什么

陷阱4：项目细节记不清
→ 如果是好久之前的项目，面试前务必复习
→ 实在记不清，说"大概流程是…具体参数需要确认"

10.2 HR 面陷阱

陷阱1：被问"你还在面其他公司吗？"
→ 诚实回答，但可以说"贵公司是我的优先选择"
→ 不要说"只有你们一家"

陷阱2：被问"如果给你安排非 AI 方向的工作？"
→ 表达灵活性，但强调 AI 方向的热情
→ "我愿意先从基础工作做起，同时希望逐步往 AI 方向发展"

陷阱3：被问"能接受多久到岗？"
→ 应届生说"随时可以"
→ 在职说"一个月内"或按实际来
→ 不要说"不确定"

总结

AI 算法面试的核心能力模型：

┌──────────┐
│ 系统设计 │ ← 三面考察
└────┬─────┘
│
┌─────────┴──────────┐
│ 项目 + 场景设计 │ ← 二面考察
└─────────┬──────────┘
│
┌─────────┴──────────┐
│ 八股 + 手撕代码 │ ← 一面考察
└─────────┬──────────┘
│
┌─────────┴──────────┐
│ 算法 + 基础选择题 │ ← 笔试考察
└────────────────────┘

备考优先级：手撕代码 > ML/DL 八股 > 项目深度 > 系统设计 > 大模型前沿

时间规划建议（距面试 3 个月）：

祝大家秋招/春招顺利，早日拿到心仪的 offer！

标签：AI面试 算法工程师 大模型面试 机器学习 深度学习 面试八股 秋招 2026校招 手撕代码 系统设计