电商行业面试题 · 技术选型 · LLM
电商行业相关面试题，按题目行业基础数据聚合。
共 10617 道真题 · 当前筛选命中 24 道 · 更新 2026-08-05
筛选题目已选：技术选型 · LLM
考察点
技术栈
第 1 题假设我们是做电商的，你觉得可以怎么用大语言模型来解决我们的一些实际业务问题？ 考察对LLM能力边界和电商业务场景的理解与方案设计能力第 2 题在项目中，你是否考虑过用大模型搭建点云处理框架？请说明理由。 考察大模型技术选型的思考能力和项目适配性判断第 3 题长上下文（long context）是当前大语言模型的研究热点，你知道有哪些方法可以解决或缓解长上下文问题？ 考察对长上下文技术方案的系统理解与广度第 4 题在零售电商或本地生活类业务中，哪些场景适合落地AI技术产品？请结合客服、搜索等举例说明。 考察将AI技术映射到真实业务场景的产品化能力第 5 题在你使用LLM解决该分类问题的场景中，相比传统分类模型，它的优势具体体现在哪里？ 考察对LLM相对传统分类模型优势的理解深度第 6 题微调和RAG的优劣势分别是什么 考察对大语言模型应用中微调与RAG两种主流方法的技术理解与适用场景判断第 7 题多模态大模型训练时，是只训练LLM部分，还是与ViT图像编码模块一起训练？ 考察对多模态模型训练策略、参数冻结与联合训练原理的理解第 8 题请介绍一下你对大型语言模型微调（Fine-tuning）的理解，包括其目的、常用方法以及适用场景。 考察对模型微调技术原理、常用方法的掌握及场景判断能力第 9 题LLM学习到的表征怎么跟推荐任务对齐？ 考察对LLM与推荐系统结合时表征对齐的理解和方案设计第 10 题比较BPE、WordPiece和Unigram等主流分词算法的主要差异。 考察对不同分词算法的原理和适用场景的理解第 11 题有哪些缓解大语言模型幻觉的工程方法？ 考察针对幻觉问题的实际解决手段与权衡第 12 题在规划产品迭代路线图时，你如何评估并融入新兴AI技术（如大型语言模型LLM）到智能体生态中？ 考察AI技术选型、产品规划与生态整合能力第 13 题当使用不常见语言或领域术语时,分词效果不佳如何应对? 考察对分词局限性的理解及实际处理策略第 14 题如果DPO后的模型效果不如SFT，你会如何分析和应对？ 考察对DPO退化问题的归因与优化策略第 15 题在大语言模型应用开发中，为什么需要对预训练生成模型进行微调？如果不对模型做微调，多大的模型能够直接满足业务需求？ 考察对微调必要性、任务适配与模型规模选择的理解第 16 题项目中的OCR是怎么做的，为什么选择用大模型来做？ 考察OCR技术方案的设计理解与选型判断第 17 题你对大模型/多模态技术在产品中的应用有什么见解？请举一个落地场景。 考察对AI技术的产品化理解、落地思考与场景筛选能力第 18 题你在这个项目中使用了LLM，但本质上它就是一个分类任务，为什么不直接训练一个专用分类模型？ 考察对LLM方案与专用模型方案在分类场景中的权衡能力第 19 题请结合你的实际使用经验，谈谈你了解哪些大模型产品，并从功能、性能、成本或生态等维度分析它们的优缺点。 考察对主流大模型产品的实际了解、对比分析能力及技术判断力第 20 题在微调大语言模型时，如何选择合适的损失函数？ 考察对微调任务类型与损失函数匹配的理解