AI 面试日报 · 2026-07-26 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 · 2026-07-26

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，拆给你听，告诉你「明天怎么准备」。今日聚焦 AI Infra 推理优化 · AI 训练师 · AI Builder，一次覆盖技术线、入门客户侧与应用产品线三条产业线。

3今日面试题
3覆盖岗位
3覆盖产业线
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：今天聊 AI Infra 岗必答的量化选型题（GPTQ 还是 AWQ）、AI 训练师「你怎么判断一条模型回答好坏」的三维评估法，和一条给普通人的现实建议——AI Builder 怎么靠「会指挥 AI」而不是「会手写代码」入行。

1
AI Infra｜量化选型：面试不背名词，考的是「一张卡塞不下模型时你选哪种量化」的 trade-off——先问显存/延迟/吞吐，再谈 GPTQ 与 AWQ 怎么选。
2
AI 训练师｜评估回答：最高频的题不是「标得准不准」，而是「你凭什么说这条回答好」——记住「有用 / 真实 / 无害」三维框架，现场就能上手。
3
AI Builder｜转行现实：智能体岗本周被曝需求 +244%，真正的口子是用 Coze/Dify 几小时搭出能跑的应用，会指挥 AI、会定义问题比会写代码更值钱。
🎯 今日面试经验 Top 3第 1 题 / 共 3
AI Infra / 推理优化工程师 #1
「一张卡塞不下这个模型，你上哪种量化？」——AI Infra 岗几乎必问的选型 trade-off 题
面试官可能这样问给你一个 70B 模型和一张显存吃紧的卡，问：「怎么部署上线？量化选 GPTQ 还是 AWQ，为什么？」考的是你有没有真跑过推理、懂不懂取舍。
术语：量化＝把权重从 16 位小数压成 8/4 位整数，显存降一半到四分之一，代价是精度略降。
怎么答（先问需求，再报方案）
  • 先反问别急着报方法：「我们更缺显存、还是更在意吞吐和生成质量？延迟要求多少？」——面试官想看你把量化当工程决策。
  • GPTQ vs AWQ：显卡极紧、想在一张卡硬塞更大模型选 GPTQ；追求 vLLM 下极致并发吞吐 + 稳定质量首选 AWQ。记忆：GPTQ 保「塞得下」，AWQ 保「跑得稳又快」。
  • 点出 Prefill / Decode 加分：Prefill 一次处理全部输入（算力受限），Decode 一字一字蹦（显存带宽受限）；靠 Continuous batching + Chunked prefill 错开调度，同卡能比朴素循环多扛 3–5 倍流量。
  • 能报数就报数：价值落到「省了几张卡、TTFT 降多少、吞吐涨几倍」，准备一两个你跑过 benchmark 的对比。
过来人提醒：量化是「看着简单、调起来玄学」的活，面试验的是你懂 trade-off、愿动手。哪怕只在一张消费级显卡上量化跑过一个 7B、记下前后显存与速度对比，这个「我真跑过」就够把你和背书的人区分开。
来源：知乎 · AI Infra 面试 vLLM ｜ 博客园 · 量化全景 GPTQ/AWQ ｜ Spheron · LLM Serving 优化
AI 训练师 / 数据标注 #2
「你凭什么说这条 AI 回答是好的？」——AI 训练师面试真正在筛的判断力
面试官可能这样问甩给你两条模型回答：「哪条更好？按什么标准判断？」考的不是细心，是你有没有一套能说清楚的评价框架。
岗位：AI 训练师要给回答打分做对齐、判准确性、识别偏见与有害信息，比「拉框标数据」门槛更高、更抗替代。
怎么答 / 怎么做
  • 搬出「有用 / 真实 / 无害」三维：有用＝有没有正面解决需求、可执行；真实＝有没有事实错误或幻觉；无害＝有没有偏见/诱导/危险内容。逐维过一遍再给综合判断。
  • 讲清怎么权衡冲突：一条详细但夹错、一条稳妥但笼统时，能说「此场景我更看重真实性，因为错误信息代价更高」，把判断依据讲出来。
  • 强调边界 case 一致性：遇到规则没覆盖的模糊情况，能按规则精神做出稳定、可复现的判断——面试常用「规范 + 边界样本」现场考。
  • 英语和逻辑是硬门槛：高阶岗常要 CET6 / 雅思 6.0＋和数理/语言学背景，要读英文规范、在推理链里挑逻辑漏洞。
过来人提醒：基础标注岗可替代性强、起薪不高，别停在「按框拉数据」。往「能定标准、能评质量、能讲清依据」的高阶训练师走——同样是最友好的入门线，站得稳的永远是有判断力的那批人。
来源：CSDN · 数据标注规则考点 ｜ 知乎 · AI 训练师 vs 数据标注员
AI Builder #3
「智能体岗本周被曝暴涨 244%，但普通人真正的口子是当『AI Builder』」——一条给转行者的现实路径
今日锚点2026-07-20《上半年 AI 产业人才供需报告》：智能体（AI Agent）开发工程师是上半年增速最高岗位，招聘需求同比暴涨 244%。热是真热，但很多人一看「工程师」就劝退——这波需求里有一大截是「用低代码把智能体搭出来」的活，对应角色叫 AI Builder。
⚠️ 别和微软 Power Platform 里那个同名产品功能搞混，那不是岗位。
怎么做（这条更像职业规划）
  • 搞清它值钱在哪：核心能力是「会定义问题 + 会指挥 AI + 会判断产出」，不是会手写代码。展示「把含糊需求拆成能被 AI 解决的步骤，并搭出能跑、有人用的东西」。
  • 低代码是最友好切入口：Coze（快、非技术友好）或 Dify（开源、偏生产级）几小时能搭一个查知识库的客服智能体。先做一个有真实用户、你自己部署上线的小项目。
  • 防「垃圾进垃圾出」是关键分：会让 AI 干活的多，能审阅校验、兜住错误的稀缺。主动讲你怎么加规则兜底、关键结果人工复核。
  • 别被 title 绕晕：真实岗位名可能叫「AI 应用工程师 / Agent 工程师 / 自动化专员 / AI 产品运营」，搜岗时把同义名一起带上。
过来人提醒（诚实话）：低代码端确实友好，但「只会拖拽搭 demo」正快速变成标配、不再是加分项。叠加行业 know-how 和业务/产品思维——你比别人更懂某个具体场景该用 AI 解决什么，才是护城河。
来源：新浪财经 · 智能体人才 +244%（07-20） ｜ 知乎 · Dify/n8n/Coze 三平台解析
🧠 今日硬核拆解Agent 域
知识域：Agent 深度考点
Function Calling 到底怎么工作？模型真的会自己调用函数吗？
面试官怎么问「你说你搭过 Agent，那 Function Calling 底层怎么实现的？模型是自己执行了函数吗？」——答不清，你所有「我做过 Agent」的故事都会打折。
大白话版（零基础能懂）
模型并不会自己执行任何函数，它只会「说话」。你提前告诉它「我有几个工具，各自要什么参数」；用户问「北京今天多少度」，模型不联网，而是输出一段结构化的话：「我想调用 查天气(城市=北京)」。真正去执行、拿结果的是你写的外部代码，代码把结果喂回模型，模型才组织出回答。一句比喻：模型像个不能离座的军师，只会写纸条「派人去查」，跑腿的永远是你的程序。
进阶版（面试加分）
  • 本质是「受约束的文本生成」：模型按你给的工具 schema 生成合法调用请求，输出的是「意图 + 参数」不是执行结果——所以它可能幻觉出不存在的参数/函数名，工程上必须校验。
  • 完整回路是多轮往返：提问 → 模型决定调谁/填什么 → 你的代码执行 → 结果回填 → 模型判断「够了就答，不够再调」。一次任务可能来回好几轮，成本和延迟容易失控。
  • 和 MCP 的关系：Function Calling 是「单模型怎么调工具」的底层机制；MCP 是把「工具怎么被描述、接入」标准化的协议，让工具能被不同模型复用。
  • 工程兜底是重点：防死循环、参数幻觉、调用失败无 fallback——加最大轮数限制、参数校验、异常重试降级，这正是 Agent 面试从「背概念」转向「考工程」的原因。
记忆钩子：模型只负责「点菜」（输出调用意图），端菜的永远是你的代码——分不清这点，Agent 就永远搭不对。
来源：考点提炼 · Agent 高频考点 ｜ GitHub · AI Agent 实战题库
⚡ 八股快问快答4 题
Q · 温度 temperature
调高调低有啥效果？控制输出随机性：越低（如 0）越确定保守、适合事实问答；越高（如 >1）越多样有创意、也更易跑偏。本质是把候选词概率分布「压尖」或「摊平」再采样。
Q · LoRA
为什么能省显存还不太掉效果？冻结原模型全部参数，只训练两个很小的低秩矩阵，可训练参数降到千分之几。微调显存大头是「梯度+优化器状态」，这块跟着塌下来；原知识被冻结保留，效果损失有限。
Q · precision vs recall
啥时候更看重 recall？precision＝揪出的正例里多少是真的；recall＝所有真正例揪出来多少。「漏掉」代价远大于「误报」时看重 recall，如疾病筛查、风控——宁可错杀不可放过。
Q · 上下文窗口
为什么有上限？模型一次能「看见」的最大 token 数。Transformer 注意力计算量随长度约按平方增长，窗口越大显存算力涨越猛——这也是长文档要靠 RAG 分块喂、而非一股脑塞的原因。
🧭 转行者锦囊 · AI 岗薪资与需求行情（数字均带来源）
整体需求
2026 年 1—4 月 AI 领域岗位量同比增长 8.7 倍，具身智能赛道增长 15 倍。（新浪财经·脉脉报告）
增速最猛的岗位
智能体（AI Agent）开发工程师，上半年招聘需求同比 +244%，增速第一。（新浪财经·07-20）
薪资信号（技术线顶端）
大模型算法工程师月薪约 5.2 万登顶校招「薪酬天花板」；架构工程师年薪约 50–120 万、硕博起步、稀缺。门槛高但信号强，值得远期对标。
怎么读这些数字
需求集中在「驾驭 AI、管控 AI、落地 AI」；顶薪是少数高门槛岗，别当普遍水平。转行更现实是从 AI 训练师 / AIGC 运营 / 低代码 AI Builder 先上桌，做出一个自己上线、有真实用户的小项目再往上够。

数据源状态

本期素材来源（透明可信）· 生成时间 2026-07-26

✅ WebSearch · AI Infra / vLLM / 量化面经
✅ WebSearch · AI 训练师 / 数据标注
✅ WebSearch · AI Builder / Coze / Dify
✅ WebSearch · AI 招聘报告 / 薪资
⚠️ WebFetch 正文核实 · 云端出口 IP 被反爬 403
✅ 素材均带来源链接，未凭记忆编造数字
📌 今日与近 7 天的差异点：① 岗位组合全新——今日 Top 3 = AI Infra + AI 训练师 + AI Builder，一次覆盖「技术线 + 入门客户侧 + 应用产品线」，与昨日 07-25（FDE / 多模态 / 提示词工程师）无一重叠；#1 换成 AI Infra（昨日 #1 是 FDE，且近 7 天霸榜的 FDE / AI PM / Agent 工程师今日全部休息）。② 题目角度全新——AI Infra 讲「量化选型 GPTQ vs AWQ」（区别于 07-22 的卡数/显存估算）；AI 训练师讲「有用/真实/无害三维评估」（区别于 07-16 薪资地图、07-22 入职试标）；AI Builder 讲「转型路径 + 会指挥 AI 比手写代码值钱」（区别于 07-23 的现场搭建轮，维度从题拆解换成职业规划）。③ 硬核域换到「Agent · Function Calling 底层」——近 7 天硬核域为训练对齐/多模态/深度学习/Transformer/机器学习基础/RAG/评测，Agent 域 7 天内未做过。④ 今日锚点＝2026-07-20《上半年 AI 产业人才供需报告》智能体需求 +244%，绑定 #3，不同于 07-24 的智联报告。
按 P 切换投影一屏一页模式