大厂LLM应用岗上岸面经：面28家拿offer，学长拆解“必问考点+避坑指南”-优快云博客

从“面一家挂一家”到拿下大厂LLM应用岗offer，我前后面了28家公司（阿里、腾讯、字节等），踩过“不会微调被刷”的坑，也总结出「3类高频题应答模板」。这篇把面试重点（RAG/Agent/微调是核心）、算法题套路、甚至谈薪技巧全拆了，附「面试复盘表」，小白也能照做。

一、先聊整体感受：LLM应用岗面试，和你想的不一样

作为从培训班出来的“非科班选手”，一开始总怕被问高深算法，面完才发现——

1. 难度没那么高，但有“必考点”

复杂八股少了（比如分布式锁、MVCC这类问得少），但RAG/Agent/微调这三个方向几乎必问（10家有8家问）
算法题不难：一半是Easy难度（比如两数之和变种），另一半是DP“老熟人”（爬楼梯、最长递增子序列），但写出来≠能过（面试官更看思路）

2. 不同公司偏好不一样

大厂（阿里、字节）：问项目细节（比如“你做的RAG怎么量化效果？”）、系统设计（“设计一个游戏客服助手”）
中小厂/创业公司：更关注“能不能落地”（比如“微调过什么模型？怎么部署的？”）
游戏公司：爱问“LLM+游戏”（比如“怎么用Agent做游戏策划工具？”）

二、核心考点拆解：3类高频题+应答技巧（附模板）

👉 第一类：LLM基础（必答，不然直接挂）

高频问题：

“Transformer的Encoder和Decoder有什么区别？”
“Embedding是什么？你们项目用的哪个模型生成的？”
“微调有哪些方案？你做过吗？”

学长应答模板（以微调为例）：
“我们项目试过LoRA微调（轻量方案，适合小数据），用的是PEFT库。流程是先处理标注数据（比如用户咨询-回答对），然后用基座模型（比如ChatGLM）加载LoRA权重训练，最后评估用的是人工打分+BLEU值。虽然没做过全量微调，但理解两种方案的区别——LoRA省显存，全量微调效果更稳定但成本高。”

（划重点：没做过就说“了解原理+对比优劣”，别瞎编）

👉 第二类：RAG相关（面10家被问8次，重点！）

高频问题：

“RAG最难的地方是什么？怎么解决？”
“文档切割有哪些策略？怎么避免把语义切散？”
“怎么规避大模型的幻觉？”

学长实战技巧：

文档切割：说清“按标点+语义”结合（比如先按句号切，再用Embedding判断相邻句子相似度，太低就拆开）
规避幻觉：提“检索增强+prompt约束”（比如让模型回答前加“基于提供的文档：”，没相关内容就说“无法回答”）

👉 第三类：Agent相关（新兴考点，答好加分）

高频问题：

“你的Agent项目怎么设计长短期记忆的？”
“Function Call是怎么实现的？遇到过什么问题？”

学长经验：
不用讲太复杂，结合项目说细节——
“我们做的个人助手Agent，短期记忆用的是对话历史（存最近5轮），长期记忆存在向量库（用户偏好标签，比如“喜欢极简风格”）。Function Call用的是LangChain的Tool机制，遇到过‘调用工具频繁’的问题，后来加了‘反思步骤’（让模型先判断是否需要调用，再执行），效率提升了30%。”