阿里巴巴AI 应用 / Agent 开发面试高频题报告(统计自 24 场真实面经)
结论:在 24 场阿里巴巴AI 应用 / Agent 开发的真实面经里,被问得最多的是「大模型输出格式错误与幻觉的兜底」(17% 的场次问到)、「Transformer 与大模型的基本结构」(17% 的场次问到)、「Agent 的概念与它和 LLM 的区别」(17% 的场次问到)。按考点看,RAG 与 Agent占 34%、大模型原理与微调占 26%、Java占 9%。
最常被问到的 30 道题
| # | 题目 | 问到的场次 | 占比 |
|---|---|---|---|
| 1 | 大模型输出格式错误与幻觉的兜底 | 4 | 17% |
| 2 | Transformer 与大模型的基本结构 | 4 | 17% |
| 3 | Agent 的概念与它和 LLM 的区别 | 4 | 17% |
| 4 | LangChain 与 LangGraph 的缺点 | 2 | 8% |
| 5 | BM25 的原理与相对 TF-IDF 的改进 | 2 | 8% |
| 6 | KV Cache 的优化 | 2 | 8% |
| 7 | 大模型训练流程:预训练、SFT、RLHF | 2 | 8% |
| 8 | Agent 记忆系统的设计 | 2 | 8% |
| 9 | 常见的 Agent 框架 | 2 | 8% |
| 10 | 向量检索的原理 | 2 | 8% |
| 11 | Agent 系统怎么评估:指标与方法 | 2 | 8% |
| 12 | KL 散度的含义与在对齐中的作用 | 2 | 8% |
| 13 | MoE 的原理和优势 | 2 | 8% |
| 14 | 从 Prompt 到输出:LLM 推理全流程 | 2 | 8% |
| 15 | Agent 系统的架构与核心模块 | 2 | 8% |
| 16 | 大模型重复生成(复读机)问题怎么解决 | 2 | 8% |
| 17 | 任务量远大于 MaxTokens 时怎么断点续写 | 2 | 8% |
| 18 | PPO、DPO、GRPO、DAPO 等强化学习对齐算法 | 1 | 4% |
| 19 | RAG 的流程与理解 | 1 | 4% |
| 20 | 什么是吞吐量?大模型推理的 token 吞吐量受哪些因素影响? | 1 | 4% |
| 21 | 大模型分词器、Embedding 与端侧部署选型 | 1 | 4% |
| 22 | Function Calling、MCP 与 A2A 有什么区别? | 1 | 4% |
| 23 | RAG 全链路:切分、Embedding、检索与重排 | 1 | 4% |
| 24 | 提示工程:System Prompt、Few-shot、CoT 与温度 | 1 | 4% |
| 25 | 大模型幻觉的原因与缓解方法 | 1 | 4% |
| 26 | ConcurrentHashMap 的实现原理 | 1 | 4% |
| 27 | 线程调度与控制线程的执行顺序 | 1 | 4% |
| 28 | 为什么用 B+ 树做索引:B+ 树、B 树与哈希索引 | 1 | 4% |
| 29 | Redis 持久化:RDB、AOF 与混合持久化 | 1 | 4% |
| 30 | Redis 分布式锁的实现与风险 | 1 | 4% |
考点分布
- RAG 与 Agent34%
- 大模型原理与微调26%
- Java9%
- 缓存5%
- 系统设计与高并发4%
- 推理部署与加速3%