大厂 真题专攻
针对各大公司面试风格，精选高频考题，帮你精准备战
字节跳动
字节大模型团队以工程硬实力著称，面试深度极高。注重RAG系统的工程细节、推理加速的实际方案，以及Agent架构的生产落地经验。面试官通常会深挖你在实际项目中遇到的瓶颈和解决思路。
重点考察方向
检索工程深度
考察向量检索优化、混合检索策略、Reranker 选型，以及大规模 RAG 系统的性能调优经验。
推理加速方案
深度考察 vLLM/TGI 原理、KV Cache 优化、量化技术选型（GPTQ/AWQ），以及实际部署的吞吐量数据。
Agent 系统设计
要求设计生产级 Multi-Agent 系统，能分析 ReAct/Plan-and-Execute 的工程权衡，处理容错和异步执行。
高频真题
请系统比较Function Calling与Toolformer在实现大模型调用外部工具方面的本质差异，从理念、技术实现、训练与推理阶段的工作机制、适用场景及系统集成方式等维度进行深入分析，并说明两种范式在构建Agent系统中的优劣与应用选择依据。
Agent 智能体进阶#02在基于大模型的Agent系统中执行多轮对话任务时，标准Attention机制在上下文建模、长期依赖保持、推理一致性等方面可能存在哪些局限性？请结合上下文长度限制、历史信息稀释、关键记忆遗忘等具体挑战，分析其对Agent性能的影响，并讨论可能的优化方向。
Agent 智能体进阶#03请系统性地比较当前主流的AI Agent实现框架（如LangChain、LlamaIndex、AutoGPT等），从架构设计、模块化程度、功能特性、工具集成能力、设计理念及适用场景等方面分析其核心差异，并结合实际应用说明各框架的优势与局限。
Agent 智能体进阶#04请解释检索增强生成（Retrieval-Augmented Generation, RAG）的基本概念、核心架构组成及工作流程，说明其解决的关键问题，并对比分析在哪些应用场景下RAG优于纯参数化记忆的大模型，举例说明其优势与局限性。
Agent 智能体进阶#05在大模型进行工具调用（Tool Calling）过程中，如何确保生成的参数格式符合预期的接口规范？请系统阐述可用于保障结构化输出正确性的技术手段，包括约束解码（constrained decoding）、Schema-guided生成、正则清洗、后处理校验与修复机制，并对比各类方法的适用场景与优缺点。
Agent 智能体进阶#06请详细阐述RAG系统中检索模块（Retriever）的完整工作流程，包括用户查询的预处理、向量化表示、在向量数据库中的相似性检索、候选文档的排序与筛选，以及最终结果的返回机制，并说明各环节的技术实现要点及其对整体系统性能的影响。
Agent 智能体进阶#07请列举当前主流的大语言模型相关应用产品，选择其中一到两款，从技术架构（如RAG、Agent等）、应用场景、用户体验优势及潜在改进空间等方面进行综合分析，说明其如何实现技术与产品价值的结合。
Agent 智能体进阶#08当智能Agent需要维护大规模的长期记忆时，应如何设计存储架构？请说明在面对海量历史记录时，如何通过索引、向量检索或分层结构等手段优化查询效率。
Agent 智能体高难