AI 面试日报 · 2026-07-15 封面 速览 题 ① 题 ② 题 ③ 硬核 快问快答 来源
AI INTERVIEW DAILY · 转行进 AI · 2026-07-15

AI 面试日报
今天，离 offer 更近一步

给正在转行进入 AI 行业的你：每天 3 道真实面试题 / 职场经验 + 1 条硬核拆解 + 1 组八股速刷，拆给你听，告诉你「明天怎么准备」。今日聚焦 AI 应用/Agent 工程师 · 多模态算法 · AI 解决方案/售前。

3今日面试题
3覆盖岗位
27第 27 期
速览

TL;DR · 今日速览

TL;DR = Too Long; Didn't Read（太长不看版）· 读这一屏就够

一句话总览：借「本周校招 AI 渗透率冲到 37.56%、大模型算法稳居热招第一、多模态是大厂扩招前沿」这波行情，聊上下文工程、VLM 物体幻觉、售前 demo 演示三条实战；硬核拆 Prefill vs Decode 两阶段。

1
AI 应用/Agent｜上下文工程：Prompt 只是上下文的一小块，2026 面试官看你会不会管好整个上下文窗口——按需检索、压缩历史、外置记忆。
2
多模态算法｜物体幻觉：图里没有的东西 VLM 也能一本正经描述出来，根因和纯文本大模型的幻觉不是一回事。
3
AI 解决方案/售前｜demo 轮：用客户自己的场景让他信你，翻车点全在「过度承诺」和「现场报错没兜底」。
🎯 今日面试经验 Top 3第 1 题 / 共 3
AI 应用 / Agent 工程师 #1
「你平时是怎么给 Agent 做上下文工程的？」——2026 面试从「会写 Prompt」升级到「会管上下文」
📌 今日锚点：本周新浪科技援引校招数据，新发校招岗 AI 渗透率从去年 26.41% 升到 37.56%、Agent 岗高居热招榜首；与此同时「Context Engineering 上下文工程」正接棒「提示词工程」，成为 Agent 岗面试新分水岭。
面试官可能这样问「你的 Agent 跑几轮就开始胡言乱语、忘了前面说过啥，你怎么处理？」「上下文窗口那么大，是不是把资料一股脑塞进去就行？」
怎么答（分点）
  • 先说清概念：提示词工程是「把一句话问漂亮」；上下文工程是「管理模型每次推理能看到的全部信息」——系统提示 + 历史 + 检索资料 + 工具定义 + 工具返回 + 长期记忆。Prompt 只是其中一小块。
  • 点破「上下文腐烂」坑：不是塞越多越好。Chroma 2025 测 18 个顶尖模型，输入越长准确率越掉，有的从 95% 直接跌到 60%。
  • 给三招：① 按需检索（RAG，用到才取）；② 压缩历史（把前几轮总结成摘要，别无脑截断）；③ 长期记忆外置（存窗口外，需要时捞相关那一小块）。
  • 术语：RAG＝检索增强生成，先搜资料再作答，像开卷考；上下文窗口＝模型一次能"读进眼里"的字数上限。
过来人提醒：别讲成玄学。举一个你真做过的例子最加分——「Agent 聊到第 10 轮就忘事，我加了对话摘要压缩，token 省一半、答得也稳了」。
来源：SegmentFault·2026 Agent 面试复盘 ／ 上下文工程解析 ／ 新浪·校招 AI 渗透率
多模态算法工程师 #2
「图里明明没有的东西，VLM 为什么也能一本正经描述出来？」——多模态岗必问的「物体幻觉」
📌 锚点承接：本周校招数据显示，多模态是百度等大厂 2026 扩招明确点名的前沿方向之一，「VLM 幻觉」几乎是切这条技术线绕不开的题。
面试官可能这样问给你一张只有桌子的图，模型却说「桌上有叉子和杯子」——这叫什么问题？为什么会发生？和纯文本大模型的幻觉一样吗？怎么缓解？
怎么答（分点）
  • 先定义：这叫物体幻觉（Object Hallucination）——模型生成的描述里出现了图中不存在、或与图不一致的物体。VLM＝视觉语言模型，会"看图说话"。
  • 讲清和 LLM 幻觉的区别：纯文本幻觉是知识/事实层面瞎编；VLM 幻觉是「视觉—文本没对齐」——太依赖语言先验，看到「厨房」就脑补「刀叉碗筷」，哪怕图里没有，是"眼睛没看仔细、嘴比眼快"。
  • 点出四类根因：主流综述把成因归到数据、模型、训练、推理四个环节（如训练里"厨房"和"餐具"总同框，模型学成了强关联）。
  • 给缓解：评测用 POPE（问"图里有没有 X"，统计瞎说"有"的比例）；推理用 VCD 视觉对比解码（对比原图与加噪图，压掉不看图也能蒙的语言先验，无需重训）。
过来人提醒：别只背名词。面试官爱追「你项目里怎么发现幻觉的」——备一个「用 POPE 式提问 + 人工抽查发现模型爱脑补背景物体」的小故事更让人信。
来源：知乎·多模态幻觉综述 ／ CSDN·POPE 论文解读
AI 解决方案 / 售前 #3
「拿客户真实场景，30 分钟现场做个 demo 给他看」——售前 demo 演示轮，最忌炫技和过度承诺
面试官可能这样问给你一个客户真实业务场景，限时搭一个能演示的 demo，并「讲给一个不懂技术的客户听」。考的不是代码多牛，是能不能把 AI 能力翻译成客户信得过的价值。
怎么做（分点）
  • 用客户自己的场景：能拿到他一小段真实数据就用它——「这是你们昨天的真实工单，AI 现在能自动分类」。通用 demo 客户无感，用他自己的东西才有代入感。
  • 三段式讲法：① 复述痛点（证明听懂了）→ ② 现场跑给他看（眼见为实）→ ③ 坦诚讲边界（哪些能做、哪些做不到、缺什么数据）。第三段最关键也最反直觉。
  • 先降期望再演示：开场别吹「无所不能」，先说「今天演示覆盖你 80% 高频场景的版本」。预期压在效果之下，客户看完才惊喜。
  • 备好报错兜底话术：「这个 case 正好暴露了模型边界，真实项目里我们用规则兜底/人工复核兜住它」——把翻车转成加分。
过来人提醒：售前最致命的不是不会技术，是过度承诺。敢说「这个场景现在不适合上 AI」的售前，客户反而更愿意签单。
来源：考点提炼 · AI 解决方案/售前行业通用高频考点
🧠 今日硬核拆解知识域 · 推理与部署
AI Infra / 推理优化 深度主菜
大模型推理为什么分 Prefill 和 Decode 两个阶段？各自的瓶颈卡在哪？
面试官怎么问「你了解大模型推理的两个阶段吗？」「为什么首字延迟（TTFT）和吞吐量是两个不同指标？」「Decode 阶段为什么算力用不满、却还是慢？」
🍚 大白话版：把大模型答题想成「读题 + 一个字一个字写答案」。Prefill（读题）＝把你输入的一整段话一次性、并行地全读进去算好，为写答案做准备，算力用得很满。Decode（写答案）＝一个字往外蹦，每蹦一个新字都要回看前面所有字才能接上，像挤牙膏。
进阶版（面试能加分的深度）
  • Prefill 是算力瓶颈（compute-bound）：一次并行处理整段输入，是大矩阵运算，GPU 算力被打满——输入越长，首字出来（TTFT）越慢。
  • Decode 是显存带宽瓶颈（memory-bound）：每步只算一个 token，算力其实闲着，但要把巨大的 KV Cache 从显存反复读出来，卡在带宽而非算力。KV Cache＝把前面每个字的中间结果缓存下来避免重算，代价是吃显存。
  • 两条工程结论：① TTFT 和吞吐量瓶颈不同，要分开优化、分开考核；② 正因 Decode 算力有富余，才需 Continuous Batching 和 PagedAttention 把多请求塞一批、填满闲置算力，拉高吞吐、摊薄成本。
  • 成本视角：真实服务里绝大部分时间花在 Decode（要逐字生成），所以推理降本的主战场在 Decode。
🎯 记忆钩子：Prefill 拼算力（读题一口气），Decode 拼带宽（写字挤牙膏）——一个卡在算得快不快，一个卡在 KV Cache 读得快不快。
来源：考点提炼 · AI Infra/推理优化行业通用高频考点
⚡ 八股快问快答5 道 · 跨域速刷
Q · RoPE 旋转位置编码是什么，为什么大模型都用它？
A：让模型知道每个字「第几个位置」的编码。靠"旋转"把位置揉进注意力，外推性好——训练句子短、用时句子变长也能较好适应，比绝对位置编码更抗长文本，成了主流标配。
Q · 什么是 Scaling Laws（缩放定律）？
A：模型越大、数据越多、算力越足，效果可预测地变好。意义在于能提前估算「再投多少算力/数据换多少性能」，是"大力出奇迹"的理论依据。
Q · SFT（监督微调）和「预训练」有啥区别？
A：预训练是"读遍全网、学会说话"的通识教育，成本极高；SFT 用少量「问题—标准答案」教它按人类想要的方式回答，像岗前培训。先预训练打底，再 SFT 对齐用法。
Q · 什么是模型蒸馏（Distillation）？
A：用又大又强的「老师模型」教一个小模型，让它学到接近的效果但体积小、跑得快、成本低。核心是把大模型本事"压缩"进能落地的小模型。
Q · 面试常说的「向量嵌入（Embedding）」是啥？
A：把文字/图片变成一串数字（向量），意思相近的数字也相近。有了它计算机才能"算"两段话像不像——RAG 检索、推荐、语义搜索的底层地基。把语义变成能做数学的坐标。
🧭 转行者锦囊：走技术线还是应用线？3 问自测
① 能接受 3–6 个月只学不产出吗？
技术线（算法/Infra/多模态）要沉下心啃数学和代码；受不了就先从应用线（AI 应用/运营/训练师）切，边做边学、更快见反馈。
② 手上有能端到端跑起来的项目吗？
无论哪条线，一个自己部署上线、有真实用户的小项目比任何证书都硬。应用线更容易攒出这种项目。
③ 你的旧背景能平移吗？
产品/业务→AI PM；内容/运营→AIGC 运营；售前/咨询→AI 解决方案；开发→AI 应用/Agent。先从"离你最近的口子"进场。
结论
技术线天花板高但门槛陡、周期长；应用线入场快、能先拿 offer 再进阶。转行第一步的正解通常是"先上桌"，不是"先啃最硬的骨头"。

数据源状态

本期素材来源（透明可信）· 第 27 期 · 生成于 2026-07-15

✅ WebSearch·上下文工程/Agent 面经（SegmentFault、Chico blog）
✅ WebSearch·多模态 VLM 幻觉（知乎综述、CSDN POPE）
✅ WebSearch·本周校招 AI 行情（新浪科技 07-03，今日锚点）
知乎/SegmentFault/CSDN 正文精抓 403（常态），已据摘要+考点提炼
牛客/小红书面经详情页反爬跳过
✅ 岗位轮换/近 7 天去重 已自检通过
📌 今日与近 7 天的差异点：① 岗位组合＝AI 应用/Agent 工程师 + 多模态算法 + AI 解决方案/售前，覆盖「应用+技术+入门客户侧」三条线，与昨天（AI PM/提示词/数据科学家）明显不同，#1 岗位已换（昨天 #1 是 AI PM）；② 上下文工程 Context Engineering 为近 7 天全新题（此前只讲过 MCP、提示词 title，均不同角度）；③ 多模态本周首次进 Top 3，角度是「物体幻觉」而非 07-08 的「CLIP 接入架构」；④ 硬核域＝推理与部署（Prefill vs Decode），7 天内硬核域均未用过；⑤ 今日锚点＝本周新浪科技校招 AI 渗透率 37.56%，非昨天的百度校招锚点。
💬 今日寄语：别急着啃最硬的那块骨头，先坐上桌——很多人不是输在天赋，是输在迟迟不肯开始的那一步。
按 P 切换投影一屏一页模式