华为 AI Agent/大模型岗位 - 真实面经网络实录

整理自牛客、脉脉、CSDN等平台的真实面试分享，2024-2025年

---

面经一：大模型算法工程师（校招）

面试时间： 2024年9月（秋招）
岗位： 大模型算法工程师 - 盘古大模型团队
结果： 已offer，定级15A

一面（技术面，60分钟）

Q1：自我介绍+详细讲一个你做过的大模型项目

回答思路：介绍了研究生期间做的领域大模型微调项目。从数据采集（爬取行业文档）、数据清洗（去重去噪）、Continue Pretrain、SFT到最终的评测，完整讲了一遍。面试官对数据处理环节问得特别细。

Q2：如何给LLM注入领域知识？有哪些方法？各自优缺点？

回答思路：

• Continue Pretrain：用领域语料继续预训练，学习领域分布，但成本高且可能遗忘通用能力
• SFT微调：用领域QA对做指令微调，成本适中，但知识容量有限
• RAG：检索外部知识库，实时性好、可解释，但依赖检索质量
• Prompt Engineering：在prompt中注入知识，最轻量，但受上下文长度限制
• 实际项目中通常组合使用：先CPT学领域分布，再SFT学任务格式，再用RAG补充细节知识

Q3：指示微调（Prompt Tuning）、前缀微调（Prefix Tuning）、适配器微调（Adapter Tuning）的原理和区别？

回答思路：

• Prompt Tuning：在输入前添加可学习的soft prompt tokens，其他参数冻结
• Prefix Tuning：在每一层的attention前添加可学习的prefix，比Prompt Tuning参数量更大
• Adapter Tuning：在Transformer层之间插入小型MLP（bottleneck结构），只训练adapter
• 参数量：Prompt Tuning < Adapter < Prefix Tuning << 全量微调
• 现在主流用LoRA，兼顾了效率和效果

Q4：RoPE位置编码的思路和优点？

回答思路：

• 核心思想：在复数空间中，通过旋转Q和K来编码位置信息
• 将位置信息融入attention score的计算，使得score只依赖相对位置
• 优点：1）天然编码相对位置 2）理论上支持任意长度外推 3）实现简单高效
• 具体做法：将向量维度两两配对，在二维平面上按位置角度旋转
• 与ALiBi的对比：ALiBi直接在attention score上加线性偏置

Q5：梯度消失/爆炸的原因和解决方法？

回答思路：

• 原因：深层网络反向传播时，梯度经过多层连乘，过小（消失）或过大（爆炸）
• 解决消失：ReLU激活函数、残差连接、BatchNorm/LayerNorm、适当初始化
• 解决爆炸：梯度裁剪（Gradient Clipping）、权重正则化、学习率调整
• 大模型中：主要靠Pre-LayerNorm + 残差连接 + 梯度裁剪

Q6：手写代码 - 快速排序

回答思路：标准快排实现，讲了pivot选择策略（随机化）和partition的过程。追问了时间复杂度分析（最优O(nlogn)，最差O(n²)）。

二面（技术面，55分钟）

Q1：Transformer中Self-Attention的表达式写一下

回答思路：

• Attention(Q,K,V) = softmax(QK^T / √d_k) V
• Q = XW_Q, K = XW_K, V = XW_V
• 解释了为什么除以√d_k（防止点积过大导致softmax梯度消失）

Q2：BERT中[CLS] token的作用？Attention中的mask有什么用？

回答思路：

• [CLS]：在序列开头的特殊token，经过所有层attention后聚合了全局信息，用于分类任务
• Attention mask：
  • Padding mask：屏蔽padding token
  • Causal mask：decoder中防止看到未来token（下三角矩阵）
  • 用极大负数（如-inf）实现，softmax后变为0

Q3：你的模型加速方面做过什么？有什么技巧？

回答思路：

• 量化：用GPTQ对7B模型做INT4量化，推理速度提升2x，精度损失<1%
• KV Cache优化：启用FlashAttention减少显存
• Batch优化：Continuous Batching提升吞吐
• 编译优化：torch.compile加速
• 具体数据：7B模型从45 tokens/s优化到120 tokens/s

Q4：避免灾难性遗忘有什么方法？

回答思路：

• 数据混合：微调数据中混入通用数据（replay）
• 参数高效方法：LoRA/Adapter只更新少量参数
• 正则化：EWC（弹性权重巩固），对重要参数施加约束
• 渐进式训练：先在领域数据上CPT，再在混合数据上SFT
• 多任务学习：同时训练多个任务维持通用能力

Q5：代码题 - 堆排序实现

回答思路：手写堆排序，包括heapify和buildHeap。O(nlogn)时间复杂度。

三面（主管面，40分钟）

Q1：你对华为盘古大模型了解多少？

回答思路：讲了盘古的行业应用（矿山、气象、药物分子等），强调了华为做行业大模型的差异化路线。

Q2：你能承受高压工作环境吗？对加班怎么看？

回答思路：表示理解华为的工作文化，以结果为导向。（华为面试必问，一定要表态积极）

Q3：你的其他offer情况？为什么选华为？

回答思路：坦诚地说了其他offer情况，强调对华为技术实力和行业大模型方向的认可。

面试体验： 华为面试全程压力较大，面试官会在你回答的基础上不断追问细节。代码题虽然不是特别难，但要求手写且速度要快。华为特别看重项目的完整性和你在项目中的实际贡献。秋招流程：机试→综合测评→技术面（2-3轮）→主管面→HR面。

---

面经二：AI Agent研发工程师（社招）

面试时间： 2024年12月
岗位： AI Agent研发工程师 - 云BU
结果： 已offer

一面（60分钟）

Q1：什么是AI Agent？在华为云场景下你觉得能做什么？

回答思路：

• Agent定义：基于LLM的自主智能体，具备规划、记忆、工具调用和反思能力
• 华为云场景：智能运维Agent（自动诊断和修复云资源问题）、客服Agent、开发辅助Agent
• 企业级Agent的特殊要求：安全合规、可审计、高可用

Q2：ReAct框架详细讲讲

回答思路：

• Reasoning + Acting的交替循环
• 流程：Thought（推理当前状态和下一步行动）→ Action（执行工具调用）→ Observation（获取结果）→ 循环
• 优势：相比纯推理（CoT），可以动态获取外部信息；相比纯行动，有推理过程可追溯
• 局限：推理链路长时可能出错，需要设置最大步数限制

Q3：知识图谱和LLM怎么结合？

回答思路：

• KG增强LLM：将KG信息注入prompt或用KG做检索增强
• LLM增强KG：用LLM做实体识别、关系抽取、知识补全
• GraphRAG：用图结构索引知识，支持多跳推理
• 在华为场景：网络拓扑知识图谱+LLM做故障诊断

Q4：AI发展历史简要回顾一下

回答思路：从规则系统→专家系统→统计ML→深度学习→预训练模型→大模型→Agent的发展脉络。每个阶段提了代表性的成果。

Q5：代码题 - 二叉树层序遍历（LeetCode 102）

回答思路：BFS+队列，O(n)。追问了如何实现之字形遍历（LeetCode 103）。

二面（50分钟）

Q1：你在项目中遇到过什么技术难题？怎么解决的？

回答思路：讲了一个Agent工具调用准确率低的问题。通过优化Function description、增加few-shot examples、引入tool selection验证步骤，把准确率从72%提升到91%。

Q2：如何评估一个Agent系统的质量？

回答思路：

• 功能评估：任务完成率、工具调用准确率、答案质量
• 性能评估：延迟、吞吐、资源消耗
• 安全评估：注入攻击防御、幻觉率、敏感操作控制
• 用户体验：用户满意度、多轮对话连贯性

Q3：分布式训练你了解多少？

回答思路：

• 数据并行：每卡完整模型，数据分片，AllReduce梯度同步
• 张量并行：将权重矩阵切分到多卡
• 流水线并行：模型按层切分，micro-batch流水化
• ZeRO优化：DeepSpeed的优化器/梯度/参数分片
• 实际项目经验：用Megatron-LM训练过13B模型

Q4：华为的昇腾芯片和NVIDIA GPU有什么区别？

回答思路：这题有点出乎意料。讲了CANN计算架构、与CUDA生态的差异、MindSpore框架的特点。坦诚说对昇腾了解不够深入，但表示很愿意学习。

Q5：代码题 - LRU Cache（LeetCode 146）

回答思路：双向链表+哈希表，O(1)的get/put。

三面（主管面，35分钟）

Q1：你对华为的企业文化怎么看？

回答思路：理解狼性文化的核心是奋斗和客户导向，认同以奋斗者为本的理念。

Q2：如果项目deadline很紧，但技术方案还没想好，你怎么办？

回答思路：先用最快可行的方案保证交付，同时并行探索更优方案做后续迭代。

Q3：期望薪资和发展方向？

回答思路：给了合理的薪资范围，发展方向是企业级AI Agent平台建设。

面试体验： 华为社招面试比校招更注重工程经验和解决实际问题的能力。会问一些华为特有的问题（昇腾、企业文化等），建议提前了解。面试节奏紧凑，每轮都有代码题。整体体验专业但压力大。

---

面经三：NLP算法工程师 + 大模型（校招）

面试时间： 2025年3月
岗位： NLP算法工程师（大模型方向）
结果： 二面挂

一面（55分钟）

Q1：Batch Normalization的公式和作用？

回答思路：

• 对每个mini-batch在特征维度上做归一化：x̂ = (x - μ_B) / √(σ²_B + ε)，然后y = γx̂ + β
• 作用：加速训练收敛、允许更大学习率、有轻微正则化效果
• 与LayerNorm区别：BN在batch维度归一化，LN在特征维度归一化
• 大模型中用LN（或RMSNorm）而非BN，因为BN不适合变长序列

Q2：Softmax原理和数值稳定性？

回答思路：

• softmax(xi) = exp(xi) / Σexp(xj)
• 数值稳定性：先减去最大值 x - max(x)，防止exp溢出
• 温度参数T：softmax(xi/T)，T越大分布越平缓，T越小越尖锐
• 在attention中用于将score转为概率分布

Q3：神经网络反向传播的链式法则？

回答思路：

• dL/dw = dL/dz × dz/dw（链式法则逐层传播梯度）
• 计算图中每个节点保存中间结果用于反向传播
• 手动推导了一个简单的两层网络的梯度

Q4：你对大模型涌现能力怎么理解？

回答思路：

• 定义：随着模型参数量增加，某些能力突然出现（非线性跃迁）
• 典型涌现能力：few-shot学习、思维链推理、代码生成
• 争议：有研究认为涌现可能是度量方式导致的假象
• 可能的原因：模型内部表征空间在某个规模后达到临界复杂度

Q5：代码题 - 全排列（LeetCode 46）

回答思路：回溯法，O(n×n!)。追问了有重复元素的全排列（LeetCode 47）。

二面（50分钟）

Q1：LSTM的结构画一下，各个门的作用？

回答思路：

• 遗忘门：决定丢弃什么信息 ft = σ(Wf·[ht-1, xt] + bf)
• 输入门：决定存储什么新信息 it = σ(Wi·[ht-1, xt] + bi)
• 输出门：决定输出什么信息 ot = σ(Wo·[ht-1, xt] + bo)
• 细胞状态更新：Ct = ft⊙Ct-1 + it⊙tanh(Wc·[ht-1, xt] + bc)
• 相比RNN的优势：门控机制缓解梯度消失

Q2：你了解华为盘古大模型的技术特点吗？

回答思路：讲了盘古在行业落地的思路，多模态能力，以及华为做L0/L1/L2分层模型体系的设计。但承认了解不够深入。

Q3：如何处理大模型训练中的不稳定性问题？

回答思路：

• loss spike：梯度裁剪、降低学习率、数据质量检查
• 训练崩溃：检查数据中的异常值、减小batch size、warm up学习率
• 收敛慢：调整优化器（AdamW）、调整lr scheduler
• 工程手段：定期checkpoint、自动重启

Q4：场景设计 - 设计一个工业质检大模型Agent

回答思路：

• 多模态输入：摄像头图像+传感器数据
• 缺陷检测Agent：识别产品缺陷类型和位置
• 决策Agent：根据缺陷严重程度做分拣决策
• 报告Agent：自动生成质检报告
• 对准确率的极高要求（漏检率<0.1%）

面试体验： 华为校招面试基础知识考得比较全面，从经典的LSTM到现代的Transformer都会问。二面挂了，反馈是对华为的技术栈（盘古/昇腾）了解不够。建议面华为前花时间研究一下盘古大模型和MindSpore的技术文档。

---

面经四：AI软件开发工程师（校招）

面试时间： 2024年10月
岗位： AI软件开发工程师
结果： 已offer

一面（50分钟）

Q1：讲讲你了解的大模型训练流程

回答思路：预训练（大规模无标注数据，自回归/掩码语言模型）→ SFT（指令微调，高质量标注数据）→ RLHF/DPO（人类偏好对齐）→ 评估（benchmark+人工评测）→ 部署优化

Q2：LoRA和全量微调的区别？什么时候用哪个？

回答思路：

• 全量微调：更新所有参数，效果天花板高但成本大，容易过拟合
• LoRA：只更新低秩矩阵BA，参数量<1%，训练快、显存省
• 选择：数据充足+计算资源够→全量微调；资源有限+快速迭代→LoRA
• LoRA的局限：对知识密集型任务可能不如全量微调

Q3：你的项目里数据怎么处理的？讲讲数据清洗流程

回答思路：

• 去重：MinHash + LSH做文档级去重
• 去噪：规则过滤（长度、语言检测、特殊字符过滤）+ 质量打分模型
• 格式化：统一成instruction-input-output格式
• 平衡：按任务类型做上下采样，确保多样性

Q4：TCP和UDP的区别？HTTP/1.1和HTTP/2的区别？

回答思路：

• TCP：面向连接、可靠传输、拥塞控制；UDP：无连接、不可靠、低延迟
• HTTP/1.1：长连接、管道化；HTTP/2：多路复用、头部压缩、服务器推送、二进制帧

Q5：代码题 - 反转链表（LeetCode 206）

回答思路：迭代法，O(n)。追问了递归解法。

二面（45分钟）

Q1：你对性格测试结果怎么看？华为综合测评有什么体验？

回答思路：坦诚地分享了测评体验，讲了自己的性格特点如何适应团队协作。

Q2：你遇到过的最大挫折是什么？怎么克服的？

回答思路：讲了一个项目延期的经历，如何通过调整方案和加班赶进度完成交付。

Q3：如果你的技术方案和组长意见不一致，你怎么处理？

回答思路：先充分沟通，用数据和实验说话。如果还是有分歧，先执行组长方案，同时用小实验验证自己的方案。

Q4：对华为的哪个产品最感兴趣？

回答思路：表达了对盘古大模型在行业应用（如矿山、气象预测）中的兴趣。

面试体验： 华为AI软开岗不像算法岗那样深挖模型原理，更看重编码能力和综合素质。二面偏行为面试，主要考察你的团队合作能力、抗压能力和对华为文化的认同。整体来说门槛比纯算法岗低一些，但也要对大模型有基本了解。

---

总结与建议

华为面试特点

1. 压力面试风格：面试官会不断追问，直到你答不上来，不用太紧张

2. 项目经验深挖：会问你在项目中的具体贡献，不接受模糊回答

3. 代码题必考：每轮都有手写代码环节，要求思路清晰代码规范

4. 企业文化考察：一定会问对华为文化的理解、加班态度等

5. 技术栈特殊性：了解盘古大模型和昇腾/MindSpore生态是加分项

准备建议

1. 提前了解华为盘古大模型的技术文档和应用案例

2. 准备好"你为什么选择华为"和"对加班怎么看"的回答

3. 代码题以Medium为主，重点刷树、链表、排序类题目

4. 如果面算法岗，微调方法（LoRA/Adapter/Prefix）的原理一定要精通

5. 机试环节很重要（通常是ACM风格题），建议在牛客上刷华为真题

6. 综合测评不要忽视，性格测试要保持一致性