Docs · Interview Guide

全栈面试

LLM 工程师全栈面试指南 —— 从简历到 Offer 的系统性准备，覆盖算法、八股、系统设计、行为面与谈薪。

面试总结 · 跨境支付 AI 应用

一、岗位定位

这套题库对应的核心岗位不是单纯“会调用模型 API”，而是能把 LLM、RAG、Agent、微调和推理服务落到强业务约束系统 的 AI 应用/算法工程师。

面试中应持续传递四个能力：

  1. 懂模型原理，能解释 Attention、训练、对齐和推理；
  2. 懂工程链路，能处理数据、检索、工具、状态、评测和部署；
  3. 懂跨境支付业务，知道资金、合规和账务不能交给概率模型直接决定；
  4. 有量化意识，能用准确率、召回率、延迟、成本和风险指标证明方案。

二、跨境支付场景地图

场景AI 适合做什么确定性系统负责什么关键风险
商户客服多语言问答、错误解释、工单总结订单状态、费率、汇率、账户信息幻觉、越权、隐私
KYC/KYB材料抽取、缺失项检查、审核草稿名单、证照、规则校验和审批误识别、偏见、合规责任
AML/制裁案例聚合、证据摘要、调查辅助名单匹配、规则引擎、上报决策漏报、误报、不可解释
风控规则解释、案件归因、策略分析实时特征、评分卡、额度和拦截对抗、延迟、概念漂移
清结算/对账差异聚类、原因总结、工单生成Ledger、余额、汇率、调账金额错误、重复处理
拒付材料分类、证据整理、申诉草稿卡组织规则、时限和案件状态规则版本、证据遗漏
🎯

统一边界：模型负责理解、检索、编排和表达；工具负责读取真实状态；策略引擎负责确定性判断；高风险动作由权限系统和人工审批。

三、场景题回答模板

场景题建议按以下顺序回答：

  1. 目标与约束：用户是谁，成功标准是什么，是否涉及资金或合规；
  2. 数据来源：文档、交易、商户、通道、规则分别来自哪里，如何授权；
  3. 链路设计：意图识别、检索、重排、工具、生成、校验、人工兜底；
  4. 风险控制：脱敏、租户隔离、Prompt Injection、权限、幂等、审计；
  5. 评测指标：离线效果、线上业务指标、系统性能和安全指标；
  6. 灰度上线：影子流量、只读模式、小流量、回滚和 bad case 回流。

回答中至少给一个具体异常分支。例如订单工具超时，系统应返回“状态暂不可核验”，而不是让模型根据历史对话猜测。

四、技术题回答模板

技术题避免只背定义，使用五层结构：

一句话定义
      -> 核心公式或数据结构
      -> 为什么有效
      -> 局限与工程代价
      -> 跨境支付如何选型

例如回答 MLA：

  • 定义：低秩压缩 K/V；
  • 公式：缓存 c_KV + K_R；
  • 收益：降低 KV Cache 和 Decode 带宽；
  • 局限：算子、RoPE 和框架适配复杂；
  • 场景：长上下文调查 Agent 有价值，但不能替代检索和摘要。

五、高频知识主线

1. 模型原理

  • Transformer、Q/K/V、Mask、RoPE、RMSNorm、SwiGLU；
  • BERT 与 Decoder-only 模型的任务边界；
  • MHA、MQA、GQA、MLA；
  • Dense、MoE、混合注意力和多模态。

2. 训练与对齐

  • 预训练、SFT、LoRA/QLoRA；
  • Reward Model、PPO、DPO、GRPO；
  • loss mask、KL、clip、reward hacking；
  • 数据清洗、hard case、分布外回归。

3. RAG 与 Agent

  • 解析、分块、Embedding、混合召回、Reranker；
  • Query Rewrite、路由、引用和事实核验；
  • Tool Calling、状态机、重试、断点恢复；
  • 长短期记忆、上下文压缩和多租户隔离。

4. 推理与部署

  • Prefill/Decode、KV Cache、PagedAttention；
  • FlashAttention、连续批处理、量化、并行；
  • TTFT、TPOT、吞吐、P95/P99、显存；
  • 灰度、限流、熔断、降级和观测。

六、截至 2026 年的技术判断

  • 模型架构：Decoder-only 仍是通用生成主流，但混合注意力、稀疏 MoE、原生多模态持续增强；
  • 推理优化：优化重点从单算子扩展到 KV Cache、调度、并行、量化和软硬件协同；
  • Agent：重点从“能调用工具”转向长程任务、环境反馈、可验证奖励和权限治理；
  • RAG：从单纯向量召回转向混合检索、Reranker、Graph/结构化数据和端到端评测；
  • 微调：PEFT 仍重要，但高质量数据、可验证任务和推理时计算常比单纯扩大 rank 更关键；
  • 长上下文：窗口继续增长，但检索、压缩和状态管理不会消失；
  • 安全合规：可追溯证据、数据驻留、模型网关和人工审批会成为金融 AI 的基础设施。

未来方向可以关注：

  • 线性/稀疏/混合注意力；
  • 动态 MoE 和专家并行；
  • Agent RL、过程奖励与可验证环境；
  • 多模态文档智能；
  • 小模型路由、蒸馏和端侧部署；
  • 可信执行、审计和模型风险管理。

七、面试表达中最容易失分的地方

  • 把模型输出当真实业务状态；
  • 只说“准确率 90%”，说不清数据集、口径和置信区间；
  • 只背框架名，解释不了数据流和失败分支；
  • 声称做过微调，却说不出样本量、显卡、学习率、loss 和评测；
  • 声称做过部署，却说不出 TTFT、TPOT、吞吐和显存；
  • 说“用了最新模型”，但不知道版本、许可证、成本和回退方案；
  • 项目指标全是整数，没有基线、对照组或线上证据。

八、建议准备的项目证据

每个项目至少准备：

  • 一张架构图；
  • 一条正常链路和两条异常链路；
  • 一份数据集和评测集说明；
  • 三个关键指标及优化前后对比；
  • 一个最难 bad case；
  • 一次线上故障或设计取舍；
  • 当前方案的局限和下一步。

九、30 秒收尾

我的优势是能把模型能力放进真实业务约束里做端到端落地。跨境支付场景里，我不会让大模型直接判断资金和合规结果，而是让它负责理解、检索、工具编排和解释，真实状态由订单、账务和规则系统提供，高风险动作走权限与人工审批。技术上我能覆盖 RAG、Agent、微调和推理部署，也会用效果、延迟、成本和风险指标持续评估，而不是只看 Demo 能不能跑。