第2章 高频面试问题与回答框架
本章聚焦AIGC算法面试中的常见问题类型、STAR结构化回答法以及不同公司的考察侧重点。掌握这套框架，可以让你在面对任何开放性问题时都能逻辑清晰、重点突出，同时展现出工程落地与业务思考能力。下面通过一张回答路径图和三个典型问答卡片，帮你快速建立应答体系。
问答卡片一：AIGC模型优化经验
面试问题：请用具体案例介绍你在AIGC模型优化方面的经验。
考察点：①是否使用STAR结构；②优化方法论和数据意识；③对量化指标和业务效果的关注。
回答框架：S（场景+模型初始状态）→ T（目标指标）→ A（具体优化手段：数据清洗、LoRA微调、推理加速等）→ R（提升结果+线上验证）。
示例回答：在电商图文生成项目中，原始模型推理耗时1.2s且图文不符率高。我们通过多模态数据增强+LoRA微调+KV cache优化，将耗时降至380ms，图文匹配率从82%提到95%，上线后点击转化提升12%。
可能追问：①为什么用LoRA而不是全参？②数据增强具体怎么做？③推理速度瓶颈在哪？④如何防止过拟合？
问答卡片二：评估大模型性能与调优
面试问题：你如何评估大模型性能并做系统性调优？
考察点：①评价体系全面性（任务指标+质量指标+效率指标）；②调优策略优先级；③有无成本意识。
回答框架：评估维度（准确率/召回/ROUGE/BLEU + 推理时延/显存）→ 定位瓶颈（长上下文/幻觉/一致性）→ 分层调优（Prompt→RAG→微调→量化→蒸馏）。
示例回答：评估时建立在线AB+离线测试两套指标。例如调优内容摘要模型，先对比基线12.5 ROUGE-L，通过few-shot prompt优化提升到13.8，再用QLoRA继续到14.7，最后4bit量化时延从2.3s降到0.9s，保留98%性能。
可能追问：①你提到的AB怎么设计？②量化后精度下降具体多少？③为什么不直接全参微调？
问答卡片三：处理AIGC模型的幻觉问题
面试问题：AIGC模型容易产生幻觉，你有哪些实际解决方案？
考察点：①对幻觉成因的理解；②实际落地手段；③评估与验证能力。
回答框架：识别幻觉类型（事实性/逻辑性/指令性）→ 数据层（高质量指令数据+对抗训练）→ 模型层（RAG+知识注入）→ 推理层（温度控制+重复惩罚+自洽性校验）→ 评估层（FactScore/实体对齐）。
示例回答：在客服问答场景，采用“检索+验证”双阶段：先召回知识库top5片段作为上下文，再让模型生成答案；同时加入自问自答一致性校验，对置信度低于0.7的答案退回重写。最终幻觉率从8.3%降至1.2%。
可能追问：①检索召回策略是什么？（BM25/向量混合）②一致性校验怎么设计prompt？③如果知识库更新不及时怎么办？