联想AI工程师笔试全解析：大模型、RAG与工程落地

2025年的秋招AI工程师笔试肉眼可见地换了打法。我帮几个学弟学妹复盘了联想AI工程师岗位的笔试最直观的感受是考察内容正从传统的深度学习算法题快速滑向大模型、AI Agent、模型部署和工程落地这些方向。如果还抱着“刷透LeetCode、背熟八股就能过”的思路去准备大概率会挂在那几道关于推理优化和RAG的题上。这篇文章想把联想AI工程师笔试的考察逻辑、典型考点和备考路径完整拆一遍适合正在准备秋招的同学也适合想了解大厂AI岗位到底在考什么的人。1. 先搞懂联想AI工程师笔试的“筛人逻辑”1.1 联想AI业务线决定了笔试的偏科方向很多同学拿到笔试通知后第一反应是去搜“联想算法题题库”这是方向性错误。联想AI工程师和互联网大厂的算法研究员并不是同一个物种。联想现在的AI布局集中在AI PC、企业级AI解决方案、混合式AI这些方向讲究的是模型能不能在真实产品里跑起来、能不能下沉到端侧、能不能给企业客户解决具体问题。所以它招的AI工程师本质上是一个“既懂算法又能干活”的角色笔试设计天然偏向算法理解工程能力业务落地思维。这意味着什么笔试题目不会特别深挖某个数学公式的严格证明也不会出过于偏门的研究型问题但覆盖面会很广机器学习基础、深度学习、大模型原理、部署推理、分布式训练、编程基本功、场景设计题全都会出现。如果你只擅长其中一个方向比如论文读得多但代码写得少或者工程强但理论基础薄笔试都会露出破绽。1.2 题型结构和时间分配题量比你想象的大根据近两年联想AI工程师笔试的常见构成一套完整的笔试题大概长这样题型题量考察内容参考用时单选题15到20道机器学习、深度学习基础概念20分钟多选题5到8道大模型、分布式训练、工程实践10分钟简答题2到3道RAG方案、Agent设计、模型选型30分钟编程题1到2道数据结构与算法、边界处理40分钟综合设计题1道业务场景系统设计20分钟整套题量在120分钟上下。最烦人的不是单题难度而是时间切割得很碎选择题里面夹杂大量模棱两可的干扰项你一旦在概念题上犹豫后面的编程题就危险了。我见过好几个基本功不错的人前面单选多选扣了太多时间最后综合设计题只能写三行字交卷非常可惜。1.3 笔试想筛掉的三种人结合我和周围同事的面试经验联想这类笔试的目的非常明确——先筛掉下面三类人第一种是基础不牢、全靠背题的人。选择题里稍微改个条件、换个问法就露馅比如把“L2正则化对权重的影响”改成“在极端特征共线性下L2与L1的行为差异”死记硬背的答案就不管用了。第二种是知识结构单一的人。只懂模型不懂工程或者只写业务代码但完全不了解Transformer原理都过不了多选和简答那关。现在的AI工程师笔试要求你的知识面横跨算法、框架、部署、数据像个T型人才深度要有广度也得有。第三种是没有业务闭环思维的人。综合设计题其实不怎么考炫技方案而是看你能否把需求转换成数据流、模型流、评估流的完整链路。上来就堆ChatGPT、LangChain、向量数据库这些名词的人得分往往不如老老实实画数据流的人。2. 机器学习与深度学习基础这些送分题为什么有人送命2.1 传统机器学习必背公式与易错推导这几年我观察到一个有趣的现象大模型越火传统机器学习基础反而越重要。因为面试官普遍担心候选人只会调用现成的API对模型的底层行为缺乏感知。笔试里逻辑回归、SVM、决策树、GBDT几乎是必考但考法非常灵活。逻辑回归的考点集中在损失函数推导和与线性回归的区别上。你要能写出交叉熵损失函数能解释为什么用交叉熵而不用均方误差——因为sigmoid输出与MSE组合会导致非凸优化问题。这道题我见过多种变形比如给你一组数据让你判断能否用LR线性可分实际上考的是对特征空间的理解。决策树那一块信息增益、增益率、基尼系数的计算题很常见。容易出错的地方在于ID3用信息增益、C4.5用增益率、CART用基尼系数很多人混在一起。另外决策树的可解释性经常作为选择题干扰项出现它是“白盒模型”这个点要记住。GBDT和XGBoost的区别也是高频题。XGBoost在目标函数里加了正则项、用二阶泰勒展开逼近损失函数、支持列抽样和并行化这几点基本每年都考。如果你能补充一句“XGBoost的缺失值处理策略是自动学习默认方向”那就更稳了。2.2 深度学习的网络结构考点CNN方面感受野计算、参数量计算、1x1卷积的作用是被反复翻牌子的题目。给定一个输入尺寸比如224x224x3经过一个卷积层后输出尺寸怎么变池化层对参数量有没有影响这些计算题务必做到条件反射。1x1卷积的作用要从通道降维、增加非线性、实现跨通道信息交互三个角度答。RNN和Transformer的对比题几乎必出。你需要能说清楚RNN是序列建模的天然选择但存在长程依赖和梯度消失问题LSTM通过门控机制缓解梯度问题但无法并行Transformer完全抛弃循环结构用自注意力机制捕捉全局依赖通过位置编码引入顺序信息。很多选择题的干扰项会故意把LSTM的遗忘门、输入门、输出门功能弄混复习时要把三个门分别管什么背牢。自注意力机制的公式也要能默写Q、K、V分别是什么为什么缩放因子是根号d_k——为了避免点积结果过大导致softmax梯度消失。这个细节经常作为一道简答题的提问方向。2.3 损失函数、优化器与正则化的对照题这一块是选择题的重灾区因为概念多且容易混淆。整理几个高频对照L1和L2正则化的本质区别L1能得到稀疏解L2使权重平滑趋近于0但不会精确为0。从梯度角度解释L1的梯度是常数靠近0时会在0附近振荡容易压缩到0L2的梯度随权重缩小而缩小难以精确到达0。Dropout在训练和推理时的行为差异训练时随机丢弃神经元推理时全部保留并对权重乘(1-p)。有些题会反过来问Dropout能不能用于卷积层——答案是可以但通常放在全连接层效果更明显。BatchNorm在训练和推理时的统计量差异训练时用当前batch的均值和方差推理时用滑动平均统计量。加BatchNorm的一个副作用是允许更大的学习率因为它缓解了梯度尺度不一致的问题。Adam和SGD的适用场景Adam自适应学习率、适合大规模稀疏参数SGD在后期收敛更稳定泛化性能有时更好。这种题没有绝对对错但你要体现出对优化器行为差异的理解。千万不要轻视这些基础概念。2025年的大模型方向笔试题很多都是传统基础概念的包装变形。比如让你设计一个LoRA微调方案时实际是在考你对正则化和参数高效更新的理解。3. 大模型与Agent方向2025年笔试新增的增量考点3.1 Transformer与LLM原理从Attention到KV Cache联想AI工程师笔试里大模型方向的题量占比已经非常可观而且每年都在上升。最核心的考点还是Transformer本身它会以不同角度反复出现。一个高频考点是KV Cache。要理解推理时为什么需要缓存Key和Value矩阵生成阶段是自回归的每生成一个token都需要用Q去和之前所有的K、V做注意力计算。如果不缓存每次都重算历史token的K和V计算量会随序列长度线性增长。KV Cache相当于用显存换速度这也引出另一个考点——长上下文场景下KV Cache显存占用过大于是有了MQA、GQA这些多查询注意力变体。题目会问GQA和MHA的区别本质上考的是对推理成本的理解。另一个常考的是位置编码。Transformer本身没有顺序信息必须加位置编码。传统的位置编码是正弦函数现在大模型常用RoPE旋转位置编码它的核心思想是让位置信息通过旋转矩阵作用于Q和K使得注意力分数天然依赖相对位置。你不需要完整推导RoPE但至少要能说明它和传统位置编码在形式和作用上的差异。训推差异也值得准备。训练阶段的Attention是并行计算输入的所有token同时可见推理阶段必须逐个生成token所以可以使用KV Cache。这个概念的变形题是“为什么训练时不直接用KV Cache”——答案很简单训练时不需要逐步生成所有位置的注意力可以一次性计算完毕。3.2 微调、RAG与Agent出一道简答题你怎么答简答题至少有三分之一概率落在微调、RAG或Agent这三个方向上。面试官不是想听你背概念而是想看你怎么把一个需求落成方案。微调方向最常见的题目一个垂直领域数据集基座模型效果不理想你会怎么做完整答法要包含数据清洗和标注质量检查、评估现有基座模型确定差距、尝试Prompt工程和Few-shot、如果还不够再考虑微调、微调时优先选LoRA或QLoRA这类参数高效方法、最后设计评测集对比微调前后效果。为什么优先LoRA因为全参微调成本高且容易灾难性遗忘LoRA冻结原模型权重只训练低秩增量矩阵一套模型基座可以挂多套业务部署对联想这类产品线丰富的公司来说非常实用。RAG方向最常见的题目设计一个企业知识库问答系统说清楚流程。标准链路是文档加载与解析、文本切分chunk、Embedding向量化、向量入库、用户问题向量化、召回、重排序、拼接Prompt、LLM生成。关键得分点是你在每个环节有没有思考过取舍。比如chunk大小怎么定大了检索粒度太粗、小了语义不完整要结合文档结构和实验效果调整比如混合检索关键词向量能提升专有名词召回率比如重排序能显著提升Top-K准确率但会增加一次推理延迟。Agent方向最常见的题目什么是Function CallingAgent怎么使用工具你要说明LLM本身不能直接执行外部操作Function Calling让模型输出一个结构化调用请求由程序解析后执行真实函数再把结果回传给模型继续推理。ReAct模式则是让模型交替执行Reasoning和Acting即先思考需要什么信息再决定调用什么工具根据工具结果继续推理。一个完整的Agent设计还涉及约束循环次数、防止死循环、权限控制、失败重试等工程细节这些才是拉开差距的地方。3.3 模型评测与数据工程容易被忽视的暗线很多人在复习大模型时只看原理和结构忽略了评测和数据这两条暗线。但联想这类偏工程的AI岗位恰恰很看重你对“模型效果如何度量”和“数据质量如何保障”有没有概念。模型评测题最常见的是评估指标选择题机器翻译用BLEU文本摘要用ROUGE对话生成用BLEU和人工评估结合检索增强场景要看Hit Rate、MRR、NDCG分类任务看Accuracy、Precision、Recall、F1。干扰项经常混在一起比如用BLEU评估分类任务一眼看过去好像也没问题但实际语义完全不对。还要理解指标本身的局限BLEU只衡量n-gram重合度对同义改写无能为力所以大模型生成任务经常需要引入LLM-as-a-Judge进行语义质量评估。数据工程方向问得比较浅但很实际训练数据里面脏数据比重多大时模型效果会显著下降语料去重为什么重要指令数据质量怎么把控。答题时最好能结合具体做法比如用Embedding做语义去重、标注一致性用Kappa系数评估、过滤隐私数据和高毒性内容。这些实操细节能体现你不是只会跑通Demo。4. 工程与技术栈考点部署、推理优化、分布式训练一个不少4.1 PyTorch与训练框架的考点分布联想的AI工程师笔试工程部分占分往往比你预想的高。它不像算法岗那样可以忽略工程细节因为实际工作内容就是要让模型在产品里稳定运行所以PyTorch、推理框架、分布式训练的题目都会被纳入考察范围。PyTorch方向的常见选择题Dataset和DataLoader的正确用法、model.train()和model.eval()的作用、with torch.no_grad()在推理时的用途、模型保存时state_dict和整个模型的区别、AMP混合精度训练用的是fp16还是bf16、梯度累积如何实现。这些题不难但要求你真的跑过训练代码只读过理论的话容易掉进细节陷阱。比如有一道经典题模型保存时只保存state_dict还是保存整个model如果换环境、换代码版本后加载模型推荐用哪种方式答案是state_dict因为它只保存参数张量不依赖Python类的序列化细节更稳定。推理优化方向的考点集中在量化、剪枝、蒸馏这三个概念上。量化能把FP16权重压到INT8甚至INT4大幅减少显存占用并加快推理速度。你要能解释为什么量化后会掉精度但同时知道在推理阶段对激活值做动态量化、对权重做静态量化可以在速度和精度之间找到平衡。剪枝有结构化剪枝和非结构化剪枝前者对硬件友好、容易获得实际加速后者稀疏度高但稀疏矩阵在GPU上未必更快这是个易错点。知识蒸馏让学生模型学习教师模型的输出分布常用来把大模型压缩成小参数端侧模型——联想AI PC场景很吃这个方向。4.2 模型推理优化量化、蒸馏与批处理如果你投的是AI工程师而不是算法研究员笔试里很可能出现一道关于“如何把7B模型部署到资源受限环境”的简答题。这道题表面上考的是部署实际上是在考你懂不懂推理优化手段的组合拳。完整答法有几个层次。第一层是精度压缩用INT8或INT4量化把权重存储缩小4到8倍7B模型FP16权重约14GBINT4量化后约3.5GB可以塞进消费级显卡。第二层是推理框架选择vLLM、TensorRT-LLM这类框架做了PagedAttention显存管理和算子融合吞吐量远高于朴素HuggingFace实现。第三层是批处理策略动态batching把多个并发请求合并成一个batch推理显著提高GPU利用率。第四层是服务化设计用流式输出降低首token延迟用预热和优雅退出保证服务稳定性。这些点本身不难但如果你想拿高分我建议补一句关于“延迟和吞吐的权衡”的理解比如响应时间敏感的在线问答batch不能开太大否则排队延迟会增加对于离线批量处理任务则可以把batch开到极限追求吞吐。这才是工程思维的核心。4.3 分布式训练题目显存估算怎么算联想的笔试题偶尔会带一道分布式训练相关的计算题或者至少在多选题里出现。最常见的是显存估算。估算方法很简单但很多人没认真算过模型权重、优化器状态、梯度、激活值四部分。以7B参数量、FP16混合精度训练为例模型权重7B × 2字节 14GB梯度7B × 2字节 14GBAdam优化器状态一阶动量 二阶动量FP32存储共7B × 4字节 × 2 56GB总计权重梯度优化器状态 84GB左右激活值另算所以7B模型的单卡全参微调没有80GB显存根本跑不起来这就是为什么业界普遍用LoRA或QLoRA。QLoRA进一步把基础模型做4bit量化大幅降低显存占用。这个计算思路你要能讲出来因为它直接决定了你在实际项目中如何选择微调方案和显卡型号。分布式训练的概念题也不少DDP分布式数据并行如何同步梯度、DeepSpeed ZeRO三个阶段分别做哪些事、梯度累积和梯度同步的区别。ZeRO从ZeRO-1优化器状态分片到ZeRO-2加梯度分片再到ZeRO-3加权重分片三个阶段涉及通信量和显存节省的权衡这个点能答全的人不多但答出来就很亮眼。5. 在线编程题算法底子决定你的笔试下限5.1 高频题型统计和联想风格编程题在任何AI岗位笔试里都是硬门槛。两道题40分钟核心代码模式——不用你写完整的输入输出处理但函数签名和边界条件必须写得干净利落。这其实比ACM模式更温和但也更容易翻车因为题目会刻意设计边界case。根据近两年的反馈联想编程题的高频题型集中在数组与哈希表操作、双指针、二分查找、动态规划、图或树的DFS/BFS、字符串处理。难度大致在LeetCode中等偏下极少出偏题怪题但会出现一些数据处理相关的变形题比如合并两个有序数组、计算最长不重复子串、找到数组中第K大的元素、实现一个简单的LRU缓存机制。这些题和模型推理中流水线、缓存、数据切片等实际工作有一定关联出的并不突兀。我建议备考时不要盲目刷题要按题型分类刷同时把每个题型的边界条件单独整理一份清单。数组题永远检查空数组二分查找永远确认左右端点和退出条件DFS永远考虑环和去重字符串操作永远考虑大小写和空白字符。5.2 一道典型搜索题从审题到边界处理拿一道高频题举个例子给定一个升序排列的整数数组和一个目标值找出目标值在数组中的开始位置和结束位置不存在则返回[-1, -1]。要求时间复杂度O(log n)。这道题几乎是二分查找的必考变形。常规做法是写两个二分查找一个是左边界搜索一个是右边界搜索。左边界的二分条件是当mid值大于等于目标值时收缩右边界同时记录候选位置右边界的二分条件是当mid值小于等于目标值时收缩左边界记录候选位置。核心易错点是死循环和越界。def search_range(nums, target): def find_left(): left, right 0, len(nums) - 1 res -1 while left right: mid (left right) // 2 if nums[mid] target: right mid - 1 else: left mid 1 if nums[mid] target: res mid return res def find_right(): left, right 0, len(nums) - 1 res -1 while left right: mid (left right) // 2 if nums[mid] target: left mid 1 else: right mid - 1 if nums[mid] target: res mid return res return [find_left(), find_right()]实现不是重点重点是你在写完代码后有没有自查这几个细节输入是空数组时两个函数都不会进入循环直接返回[-1, -1]正确目标值不存在但所有元素都小于target时find_left返回-1find_right返回-1正确所有元素都大于target时类似。这些边界case是笔试判分点漏一个可能就丢一半用例的分数。另一个实用技巧是动手编码前先看一眼数据范围。数组长度是10的5次方级别O(n)扫描也能过但如果到了10的6次方以上必须用O(log n)解法。这决定了你写出的代码能不能通过全部case也是工作中评估算法复杂度的基本素养。6. 业务场景综合题企业知识库问答的设计框架6.1 一类综合题的通用答法综合设计题是很多人的失分重灾区因为它没有标准答案考察的是你面对一个模糊需求时的拆解能力。联想比较喜欢出的场景题包括企业内部知识库问答系统、智能客服Agent、长文档自动摘要、代码辅助工具、AI驱动的数据报表分析等。乍看五花八门但答题框架是相通的。拿到题目后第一步是需求澄清。不要拿到题就写架构先写你对该场景的理解用户是谁输入输出是什么最大并发量大概多少对响应延迟的容忍度多少如果题目没有给出这些信息你可以自己设定合理假设并在答案里注明。这样既不显得冒进又体现了产品思维。第二步是模块划分。一个完整的AI系统至少包含数据接入层、模型层、编排层和评估层。数据接入层负责把文档或业务数据清洗、切分、向量化模型层负责选择和部署合适的基座模型编排层负责Prompt管理、工具调用流程、多模型协作评估层负责量化系统效果。把四个层写清楚比写一堆组件名更能让面试官信服。第三步是技术选型和理由。不需要给出一堆备选方案再挑一个直接说你选什么、为什么够用。比如选RAG而不是微调理由是企业知识库更新频繁RAG不需要重新训练模型改一次知识库就能生效选现成的向量数据库而不是自己实现检索理由是把精力放在业务效果优化上而不是重复造轮子。第四步是评估和风险。你要主动说出系统可能失败的地方这就是设计题拉开分数的地方。比如大模型幻觉风险怎么防、权限控制怎么做、query命中率低时怎么办、成本超支怎么控制。主动暴露风险比面试官追问出来要加分得多。6.2 拿分关键是画清数据流而不是堆名词综合设计题的评分点往往不是方案多新颖而是数据流是否完整闭环。很多同学喜欢把最新最热的框架名全部堆上去什么LangChain、LlamaIndex、AutoGen、Milvus、FastAPI每样都提一句但组件之间怎么衔接、数据变更时怎么更新、模型调用失败时怎么降级一个字不写。这样的答案给面试官的印象是“听过概念但没做过”。举一个常见场景的完整答法设计一个企业知识库问答系统。需求假设企业内部有大量产品文档、FAQ、售后工单员工希望用自然语言提问系统给出带引用来源的答案。并发量不高但答案准确率要求高。数据流设计先把文档和FAQ统一解析为纯文本按标题层级切分成固定大小的chunk并保留元数据用Embedding模型把chunk向量化写入向量库同时保留倒排索引支持关键词检索。用户提问时同一个query同时走向量检索和关键词检索合并两路结果后经过重排序模型选出Top-K相关片段把用户问题、召回片段、历史对话拼进Prompt调用大模型生成答案并要求模型输出引用编号最后把引用编号映射回原文段落展示给用户。这个方案哪里体现了工程意识混合检索解决专有名词向量化效果差的问题重排序解决纯向量检索Top-K不精准的问题引用映射解决大模型幻觉不可控的问题。每一步都有明确的目的没有一个组件是多余的。风险部分可以写如果知识库文档经常更新定时任务要负责增量更新向量库避免员工查到过期内容如果大模型生成不稳定可退化为RAG模板回答、甚至纯关键词检索的降级链路。这些细节都展示了你对系统的全面把握。7. 备考节奏与时间线三轮复习法及避坑清单7.1 三轮复习法的时间分配如果你现在距离笔试还有三个月建议按以下三轮节奏安排三轮时间可以根据自身基础灵活调整。第一轮约3周基础扫盲。把机器学习经典模型、深度学习核心组件、大模型基础原理全部过一遍重点是概念理解和公式推导。每天花一小时做选择题练习把错题记下来后面两轮专门用来复看。这轮不追求深度追求覆盖面因为联想的笔试面很宽怕的是你连某个考点出现都不知道。第二轮约4周专项突破。针对大模型、RAG、Agent、推理优化这些增量考点做专题学习每个专题都要自己动手实现一个小Demo。比如用LangChain或LlamaIndex搭一个本地知识库问答部署一个量化后的模型跑通一个Agent工具调用。笔试考工程题的本质是考你有没有动手经验Demo做一遍比背十篇文章都有用。第三轮约2周模拟与复盘。严格按照120分钟时间做整套笔试模拟题训练时间分配和临场心态。这一轮最重要的不是做对多少而是找到自己在哪类题型上卡壳。如果你每次都在编程题上超时就说明算法训练不够需要临时加练如果总在简答题上语无伦次就准备一个自己的答题模板。7.2 资料与工具清单很多同学问该看什么书、刷什么题我提供一个相对精简的清单重点是够用而不是求全。理论方面经典教材加深度学习课程能覆盖大部分基础考点。大模型方向不要只读二手博客至少要精读Transformer原论文和LoRA、QLoRA这几篇关键论文的摘要和核心方法部分。如果时间充裕再看一篇RAG相关的综述能把RAG的三种范式Naive、Advanced、Modular讲清楚简答题就很好展开了。工程实践方面一定要自己跑几个项目。用开源模型在本地部署一个对话服务尝试用vLLM做推理加速给模型做一次INT8量化对比量化前后速度和精度的变化用RAG技术搭一个自定义知识库问答网站。这些项目不需要很复杂但能让你在回答工程题时真正有话可说。刷题方面LeetCode高频题一百题左右就够按题型分类刷重点吃透数组、哈希、二分、双指针、栈、DFS/BFS、动态规划这几类。不要追求刷题数量要追求每一道题都能讲出思路、时间复杂度和边界条件。7.3 笔试当天的四个实战提醒第一个提醒拿到试卷先花两分钟扫一遍全卷确认题目分布和时间分配策略。如果编程题特别难先跳过把后面的设计题写完再回来看。选择题上卡住超过一分钟必须蒙一个走人不要因小失大。第二个提醒在线编程题务必要注意函数签名和输入格式。系统判卷是自动判题多个空行、多余输出都可能导致判错。写完代码后如果时间允许手动构造几个边界case自测一遍比如空数组、单元素数组、重复元素全相同数组。第三个提醒简答题和设计题写稍微详细一点比只写个提纲好得多。联想的评分倾向于按点给分你写的数据流、模块名、评估指标、风险项都会成为得分点。尽量用分点式或者画出文字版流程图方便阅卷人按图找点。第四个提醒考试环境提前半天准备好。找个网速稳定的地方确认浏览器兼容、摄像头权限、编译器环境正常。每年笔试都有人因为本地环境配置问题浪费掉宝贵的二十分钟这种低级失误完全可以通过提前演练避免。备考过程中最大的坑就是把时间全部花在看教程上而没有动手实践。AI工程师这个岗位本质上要求的是理解、编码、调试、部署的全链路能力。你看一百篇RAG教程不如自己调通一个带重排序的问答系统你背一百个网络结构不如自己跑一次量化推理对比数据。笔试只是第一关但它筛的恰恰是那些只停留在表面理解、缺少动手验证习惯的人。保持这种把东西真正跑起来的执着后面面试和实际工作会顺利很多。