一套精心整理、持续更新的 658 道前沿部署工程师面试题，附专家答案，按主题和公司分类。FDE 面试不只是问“你能不能构建这个系统”，而是问你是否能为特定客户构建它、解释它、现场调试它，并应对在场的利益相关者。这些问题以 Palantir、OpenAI、Anthropic、Google Cloud、Databricks、Sierra 等公司的真实面试流程为原型，涵盖了真正决定 FDE 录用结果的五个维度。
内容基于真实的前沿部署工程师面试流程编写，并达到资深工程师的编辑标准。
前沿部署工程师面试考察什么
在各家公司，FDE 面试流程会考察五个维度。准备不足的人往往只侧重第一个维度；而优秀的候选人会全面准备这五个方面。
- 编码与实战构建 不只是 LeetCode：多步骤的构建任务，如内存存储、限流器、解析器和集成，通常允许并期望使用 AI 工具。
- 系统与集成设计 针对特定客户复杂混乱的环境进行设计：对接遗留系统、隔离网络（air-gapped）或 VPC 部署，以及将概念验证推进到生产环境。
- 应用机器学习、LLM 与 AI Agent RAG、Agent 设计与评测、护栏机制，以及判断何时 Agent 并非正确答案，一切以实际落地为准。
- 生产环境调试 部署的 Agent 或流水线在生产环境中的表现与测试环境不同：隔离数据漂移、环境差异和上游变更。
- 客户与沟通 需求挖掘、应对敌对利益相关者的场景、演示失误后的补救，以及向非技术决策者解释技术权衡。
LLM 与生成式 AI 面试题
Token、上下文窗口、提示工程 vs RAG vs 微调、幻觉、评测、成本与延迟：每个 AI 原生 FDE 面试流程首先考察的概念核心。
- 请描述 LLM 生成响应时实际发生了什么。OpenAI · Anthropic · Google
- 请端到端地讲解 transformer 架构，不涉及复杂数学。OpenAI · Anthropic · Google
- 什么是 token，为什么 FDE 需要关注分词（tokenization）？OpenAI · Anthropic · Cohere
- 什么是上下文窗口，它在生产环境中有哪些实际限制？OpenAI · Anthropic · Google
- 请解释 temperature 和 top-p。在什么情况下你会在企业工作流中使用 temperature 0？OpenAI · Anthropic · Cohere
- 什么是嵌入（embedding），它们如何实现语义搜索？Cohere · OpenAI · Glean
- 为什么点积是注意力和嵌入中的相似度得分，什么时候应该归一化为余弦相似度？Cohere · OpenAI · Anthropic
- 基础模型（base model）和指令模型（instruct model）有什么区别，客户为什么会关心这一点？Anthropic · Mistral · Cohere
- 为什么 LLM 会产生幻觉？Anthropic · OpenAI · Scale
- 你正在构建一个标记高风险合同条款的分类器。你会优先优化精确率还是召回率？Scale · Microsoft · OpenAI
- 客户希望模型“了解我们的文档”。提示工程、RAG 还是微调：如何选择？OpenAI · Anthropic · Cohere
- 你的提示加上检索到的文档超出了上下文窗口。有哪些选择，各自的权衡是什么？OpenAI · Anthropic · Glean
- 为什么向量搜索会检索出“相关但错误”的结果，如何修复？Cohere · Glean · OpenAI
- 给我三种具体的幻觉缓解措施，以及每种措施的代价。Anthropic · OpenAI · Scale
- 微调何时优于少样本提示？需要多少数据，如何防止性能回退？OpenAI · Cohere · Mistral
- 什么是“迷失在中间”（lost in the middle），它如何改变你为 RAG 系统组装上下文的方式？Anthropic · Glean · OpenAI
- 工具/函数调用有哪些失败模式，在生产环境中如何处理？OpenAI · Anthropic · Sierra
- 你需要模型保证输出 JSON，但它总是破坏 schema。你该怎么办？OpenAI · Anthropic · Scale
- 什么时候 AI Agent 是错误的答案？请论证不应使用 Agent。Anthropic · Sierra · OpenAI
- 客户说你的 LLM 应用太慢。给我五个降低延迟的手段，以及各自的权衡。OpenAI · Microsoft · Google
查看全部 62 道 LLM 与 GenAI 基础问题及答案 →
RAG 与 AI Agent 面试问题
检索管道、分块、重排序、使用工具的 Agent、防护栏、多租户与评测框架：OpenAI、Anthropic、Sierra、Glean 和 Scale 的典型 FDE 设计轮面试题。
- 带我完整走一遍 RAG 管道，并告诉我它通常在哪里出问题。OpenAI · Scale · Cohere
- 你会如何为检索对文档进行分块，如何判断你的分块质量好不好？Cohere · Scale · Harvey
- 关键词搜索 vs 向量搜索：在 RAG 系统中，各自真正带来什么价值？Glean · OpenAI · Cohere
- 什么时候 AI Agent 是错误的答案？请论证不应构建一个。Anthropic · Sierra · OpenAI
- 在让客户上线之前，你会如何评估一个 RAG 系统？OpenAI · Anthropic · Scale
- 你会如何对合同、Slack 讨论串和满是表格的 PDF 进行分块：用同一套管道还是不同的？Harvey · Glean · Scale
- 设计一个混合检索技术栈：BM25、向量和重排序器。每个阶段分别挽回什么？Glean · Cohere · OpenAI
- 客户的 RAG 试点只有 60% 的问题回答正确。请诊断问题。OpenAI · Scale · Anthropic
- 检索在客户的内部行话上失败了。微调嵌入模型、加重排序器，还是重写查询？Glean · Cohere · Databricks
- 设计一个带订单状态和退货工具的客户支持 Agent。如何保证它安全且有用？Sierra · Decagon · OpenAI
- 某品牌想要一个从不提供财务建议、始终保持品牌语气、从不提及竞争对手的 Agent。设计这些防护栏。Sierra · Anthropic · Writer
- 你的 Agent 工作流需要 30 秒。设计流式输出的用户体验，包括流中途失败时该如何处理。Vercel · OpenAI · Sierra
- 为医疗领域构建文档问答系统，错误答案比没有答案更糟糕。你如何让它可靠地说出“我不知道”？Anthropic · Harvey · OpenAI
- 模型写出的每一句话都必须链接到来源片段。设计这个引用系统。Harvey · Glean · Anthropic
- 为高管设计 text-to-SQL，一个错误但看似合理的查询绝不能误导任何人。Databricks · Snowflake · OpenAI
- 客户希望通过 MCP 将内部 API 暴露给模型。安全地设计它：认证、最小权限、版本管理。Anthropic · OpenAI · Glean
- 每晚对 1000 万条记录运行 LLM，且在预算之内。设计这个批处理流水线。Databricks · Scale · Anthropic
- 接入 40 个企业数据源（SharePoint、Confluence、Jira、网盘），支持增量同步和删除处理。Glean · Databricks · Microsoft
- 为 LLM 产品设计完整的评测框架：离线黄金标准、LLM 评审、在线 A/B 测试、CI 门禁。OpenAI · Anthropic · Scale
- 设计针对 1000 万份文档、带用户级权限的 RAG：用户绝不能看到其无权访问的数据。Glean · Microsoft · OpenAI
查看全部 80 道 RAG 与 Agent 系统设计题目及答案 →
AI 工程师的编码与 DSA 面试题
多步骤实战项目（内存数据库、限流器、解析器），加上 LeetCode 中等难度的经典题，对标 OpenAI/Anthropic 的实操面试以及 Meta/Palantir 的经典题目。
查看全部 94 道编码与 DSA 题目及答案 →
机器学习与数据科学面试题
经典机器学习、嵌入、指标（精确率/召回率、AUC）、实验设计与统计学：Google Cloud、Databricks 和 Scale 在考察 GenAI 之外仍然测试的内容。
- 解释精确率、召回率和 F1，对于欺诈检测客户来说哪个指标最重要？Google · Scale · Microsoft
- 你的模型 ROC AUC 达到 0.95，但客户在生产环境中并不满意。AUC 到底能告诉你什么？Google · Scale · Meta
- 解释偏差-方差权衡，以及它在真实客户部署中是如何体现的。Google · Microsoft · Databricks
- 你如何检测过拟合？请带我走一遍你会用来修复它的工具。Google · Databricks · Microsoft
- 客户的数据集 99.5% 是负样本，他们的模型准确率显示 99.5%。请带我走一遍你会怎么做。Scale · Google · Microsoft
- 你的模型在试点中得分 95%，在生产环境中只有 70%。发生了什么？Google · Databricks · Scale
- 解释 k 折交叉验证，以及你在什么情况下会拒绝使用它？Google · Databricks · Microsoft
- 客户说“我们希望模型是准确的”。你如何将这句话转化为你要优化的指标？Google · Databricks · Snowflake
- 请像我解释一个聪明但从未做过 ML 的工程师那样解释梯度下降。可能出什么问题？Google · Meta · Scale
- 树集成 vs 线性模型 vs 神经网络，面对客户的表格数据问题你如何选择？Databricks · Google · Snowflake
- 客户想尝试一个更花哨的模型，而你认为提升点在特征工程。请用例子来论证你的观点。Databricks · Snowflake · Google
- 余弦相似度到底衡量的是什么？为什么它是比较嵌入向量的默认选择？Google · Databricks · Scale
- 客户想要对 200 万用户进行分群。请带我走一遍聚类、k-means、如何选择 k，以及它会在哪些地方出问题。Google · Snowflake · Microsoft
- 什么时候传统机器学习优于 LLM，什么时候 LLM 才是正确的选择？客户希望所有事情都用“AI”。Google · Databricks · Scale
- 一位受监管的客户问：“为什么模型拒绝了这个申请？”请解释 SHAP，以及你会如何部署可解释性。Google · Microsoft · Databricks
- 客户想要预测每周需求。时间序列机器学习有什么不同之处？你如何避免让自己难堪？Databricks · Google · Snowflake
- 你的模型输出“90% 概率”。客户问这是否意味着它 90% 的情况下是对的。是这样吗？Google · Scale · Microsoft
- 先向我解释 p 值到底是什么，然后再向客户的营销副总裁解释。Meta · Google · Microsoft
- 为客户新的推荐模型设计一次 A/B 测试。要运行多久？需要多少用户？Meta · Google · Databricks
- 客户每天查看 A/B 测试仪表盘，并在结果达到显著性当天就停止了测试。这有什么问题？你会怎么告诉他们？Meta · Google · Snowflake
查看全部 70 道机器学习与数据科学面试题及答案 →
SQL 与数据工程面试题
窗口函数、gaps-and-islands、Spark 内部机制、湖仓设计、幂等管道与 CDC：Databricks/Snowflake/Palantir 数据赛道。
- RANK、DENSE_RANK 和 ROW_NUMBER 有什么区别？什么时候这个选择真正重要？Snowflake · Meta · Retool
- 查找每个部门第二高（或第 N 高）的薪资。Meta · Microsoft · Retool
- 编写 SQL，查询每个地区、每个月按收入排名前三的产品。Snowflake · Databricks · Palantir
- 一张表中同一业务键存在重复行。编写 SQL 只保留每个键的最新版本。Retool · Meta · Palantir
- 为什么我加了 WHERE 过滤条件后，LEFT JOIN 的行为变得像 INNER JOIN？Retool · Meta · Microsoft
- 查找连续 3 天及以上登录的用户（gaps-and-islands）。Meta · Palantir · Databricks
- 用 SQL 对原始事件流进行会话化：间隔超过 30 分钟即开启新会话。Databricks · Meta · Snowflake
- 编写 SQL，实现注册 → 激活 → 购买漏斗，并按每周注册群组拆分。Meta · Snowflake · Retool
- 用 SQL 构建群组留存矩阵：每个每月注册群组在 N 个月后仍活跃的百分比。Meta · Databricks · Snowflake
- 加了一个 join 之后，你的行数和收入总额暴增。发生了什么？你如何检测到它？Palantir · Retool · Meta
- 在 SQL 中将行转置为列，不使用 PIVOT 关键字。Snowflake · Retool · Microsoft
- 你拿到的是存储在 Snowflake VARIANT 列中的原始 JSON 事件。你会如何查询和建模它们？Snowflake · Databricks · Palantir
- 客户在一个 20 亿行的表上执行查询需要 40 分钟。请描述你的诊断过程。Databricks · Snowflake · Palantir
- 解释 Snowflake 的微分区和聚簇，以及在什么情况下更大的仓库并不能让查询变快。Snowflake · Microsoft · Palantir
- 为什么 Parquet 是分析场景的默认选择？相比 CSV，列式存储到底带来了什么好处？Databricks · Snowflake · Palantir
- 你如何为 Snowflake 仓库确定规格，什么时候纵向扩容、什么时候横向扩容，又如何控制账单？Snowflake · Microsoft · Retool
- Spark：宽转换和窄转换有什么区别，为什么 shuffle 代价高昂？Databricks · Palantir · Microsoft
- 你的 Spark join 出现数据倾斜，199 个任务几秒内完成，一个却要跑一小时。如何修复？Databricks · Palantir · Microsoft
- 客户的 Delta 表有 400 万个小文件，每个查询都慢得像爬。发生了什么，如何修复？Databricks · Palantir · Snowflake
- 为一家网约车公司的分析系统设计星型模型。Databricks · Snowflake · Palantir
查看全部 47 道 SQL 与数据工程题目及答案 →
AI/ML 系统设计面试题
Palantir 式的问题拆解、POC 的生产化、客户事故排查、可观测性、VPC/隔离网络部署：演示如何变成部署。
- 至少一次（at-least-once）和恰好一次（exactly-once）投递有什么区别，FDE 为什么要在意？OpenAI · Retool · Databricks
- 解释限流的工作原理：固定窗口、滑动窗口、令牌桶。每种方式分别在什么时候会失效？OpenAI · Anthropic · Glean
- p50、p95 和 p99 延迟到底是什么意思，为什么生产环境工程师如此执着于尾部延迟？Vercel · OpenAI · Microsoft
- 什么是死信队列，在生产环境中如何处理毒消息？Retool · Microsoft · Databricks
- 周五晚上在客户现场，他们要求立即上线一个热修复。你会如何安全地操作，什么时候应该拒绝？Palantir · Retool · Microsoft
- 估算一个拥有 5 万日活用户、每人每天调用 10 次 LLM 的应用的容量和成本。你需要为哪些资源做规划？OpenAI · Anthropic · Microsoft
- 周一早上 9 点，p99 延迟达到平时的 10 倍。请描述你最初 30 分钟的处理步骤。OpenAI · Vercel · Microsoft
- 客户调用你们 API 的应用间歇性超时。你看不到他们的代码。如何排查？OpenAI · Anthropic · Retool
- 一个 Python 服务在高负载下开始重复处理消息。为什么会发生，如何修复？OpenAI · Retool · Databricks
- 客户的 Next.js 网站首字节时间（TTFB）长达 3 秒。请诊断问题、说明修复方案，以及如何证明每个修复都有效。Vercel · Retool
- 为一个 LLM 应用设计可观测性方案。你会记录、追踪和告警哪些内容，它与普通服务有何不同？OpenAI · Anthropic · Glean
- 你如何像管理代码一样对 prompt 变更进行版本管理和发布——评审、金丝雀发布、回滚、审计？Anthropic · OpenAI · Glean
- 设计一个用于长时间运行 LLM 任务的任务队列，包括优先级、取消、进度和毒消息处理。OpenAI · Anthropic · Retool
- 你的产品要部署到数十个客户环境中。设计跨所有这些环境的密钥管理方案。Palantir · Retool · Microsoft
- 你收到一个模糊的提示，比如“设计一个检测欺诈的系统”。前十分钟你会做什么？Palantir · OpenAI · Microsoft
- 分解：设计一个检测信用卡欺诈的系统。Palantir · Databricks · Microsoft
- 分解：设计一个协调城市灾难响应的系统。Palantir · Microsoft
- 分解：在一家医院网络中合并患者记录。Palantir · Databricks · Microsoft
- 分解：设计一个为配送卡车车队规划路线的系统。Palantir · Microsoft · Databricks
- 分解：预测航班延误，并在面试官每五分钟改变一次规则的情况下应对。Palantir · OpenAI · Databricks
查看全部 78 道系统设计与生产工程题目及答案 →
FDE 行为与客户面试题
发现阶段的角色扮演、敌意利益相关者场景、演示翻车后的补救、小组汇报，以及“为什么选择面向客户”的筛选问题：这些是方差最大、准备最少的 FDE 面试环节。
- 讲讲你从头到尾负责过的最模糊的项目。第一周你做了什么？Palantir · OpenAI · Scale AI
- 为什么选择面向客户的岗位而不是纯工程岗位？说服我你不会一年内就离职。Palantir · OpenAI · Databricks
- 这个岗位有 50–75% 的时间在出差，有时要在客户现场连续待上几周。说实话，你会如何应对？Palantir · Databricks · Snowflake
- 讲讲一次你用几天时间交付了“本应”花几个月的东西。你砍掉了哪些环节，又是如何取舍的？OpenAI · Scale AI · xAI
- 讲讲你快速学习一个陌生领域的经历。有多快？你如何验证自己真的理解了？Harvey · Palantir · Scale AI
- 描述你在客户那里遇到的最严重的一次生产事故。你告诉了他们什么，什么时候说的？Palantir · OpenAI · Microsoft
- 讲讲一次你对客户说“不”，而他们后来反而感谢你的经历。Databricks · Snowflake · Sierra
- 讲讲一个失败的项目。是谁的责任？Palantir · OpenAI · Google
- 估算：一家财富 500 强的客户支持组织每天会消耗多少 LLM token？Google · Palantir · Microsoft
- 讲讲你如何把一个持怀疑态度的利益相关者变成支持者。Databricks · Microsoft · Palantir
- 角色扮演：我是一家区域性银行的副总裁，我想要“一个聊天机器人”。请主持这次需求发现通话。Sierra · OpenAI · Anthropic
- 用两分钟向我们的首席法务官解释 RAG。她非常聪明、很忙，而且不懂技术。Harvey · Anthropic · OpenAI
- 角色扮演：一位 CTO 告诉你“我们去年试过 GPT，它在我们的数据上到处产生幻觉，AI 根本不行”。请回应。OpenAI · Anthropic · Scale AI
- 一位高管直截了当地问：“它能做到 100% 准确吗？”回答时既不能撒谎，也不能丢掉这单生意。Harvey · Anthropic · Sierra
- 客户说试点“应该直接就是好的”。与他们一起现场定义成功指标。OpenAI · Scale AI · Databricks
- 一位客户带来了 30 个 AI 用例。设计一个工作坊来选出第一个。Palantir · Microsoft · Scale AI
- 这是一份充满行话的工程师状态更新。把它改写成指导委员会的邮件。Palantir · Microsoft · Databricks
- 你的演示在客户面前、演示进行到一半时出错了。你在现场会怎么做？Snowflake · Vercel · Google
- 客户坚持要微调，而 RAG 显然更合适。他们不肯让步。作为可信赖的顾问还是供应商，你会怎么做？OpenAI · Cohere · Databricks
- 你独自在现场。客户提出超出范围的需求，而你的团队在另一个时区还在睡觉。现在就做出决定。Palantir · Scale AI · OpenAI
查看全部 82 道行为与客户场景题目及答案 →
MLOps 与机器学习工程面试题
模型的 CI/CD、漂移检测与再训练、Kubernetes 推理、特征存储、从预发布到生产的晋升以及流水线测试：AWS、Databricks 以及每个 ML 平台循环都在考察的内容。
- ML 模型的 CI/CD 与传统 DevOps 的 CI/CD 有什么不同？Amazon · Microsoft · Capital One
- 作为 MLOps 工程师，你的日常工作职责是什么？Amazon · Microsoft · JPMorgan
- MLflow 的用途是什么？它的四个组件是什么？Databricks · Amazon · Microsoft
- 为什么要使用模型注册表，而不是直接把模型工件存在 S3 里？Amazon · JPMorgan · Capital One
- 特征存储解决什么问题？解释在线存储与离线存储的区别。Uber · Capital One · Netflix
- 影子部署与模型的 A/B 测试有什么区别？Netflix · Capital One · Google
- 当你说“把预发布推到生产”时，这对一个模型来说究竟意味着什么？Amazon · Databricks · Microsoft
- 你如何在 MLOps 流水线之上确保质量和测试？Amazon · Google · Databricks
- 你如何确保 ML 工作流的可复现性？Amazon · JPMorgan · Databricks
- 请带我走一遍使用 MLflow Model Registry 将模型从预发布晋升到生产的流程。Databricks · JPMorgan · Capital One
- 你会如何在 AWS 上使用 SageMaker、CodePipeline 和 Lambda 实现 MLOps 流水线？Amazon · Capital One · JPMorgan
- 解释 Azure 上的 MLOps，Azure DevOps 和 Azure ML Pipelines 是如何配合的？Microsoft · JPMorgan
- 你的流水线会自动再训练。你如何决定新模型是否替换旧模型？Amazon · Uber · Capital One
- 设计一个自动化再训练流水线。什么应该触发再训练？Uber · Capital One · Amazon
- 什么是时间点正确性？在持续再训练中如何避免数据泄露？Capital One · JPMorgan · Uber
- 什么是训练-服务偏差？如何保持在线与离线特征的一致性？Google · Uber · Microsoft
- 为一个实时欺诈检测模型设计特征存储。JPMorgan · Capital One · Uber
- 你会使用哪些统计检验来检测漂移？应设定什么阈值来触发行动？Microsoft · JPMorgan · Amazon
- 当真实标签延迟到达或永远不会到达时，你如何监控生产环境中的模型？Netflix · Uber · JPMorgan
- 对于新模型版本，你会选择蓝绿部署还是金丝雀部署？为什么？Capital One · Amazon · Netflix
查看全部 40 道 MLOps 与机器学习工程面试题及答案 →
机器学习基础设施与 GPU 面试问题
GPU/TPU 工作负载、分布式训练与并行、推理服务（vLLM、批处理、KV 缓存）、集群调度与扩展、API 网关：这是 NVIDIA、Google 和 AI 实验室考察的基础设施深度。
- 解释 CUDA 执行模型如何映射到硬件：网格、块、warp、SM。NVIDIA · Google · CoreWeave
- 带我梳理 GPU 内存层次结构：寄存器、共享内存、L2、HBM。什么数据放在哪里，为什么？NVIDIA · xAI · Meta
- 什么是 warp 分歧，为什么它会损害性能？NVIDIA · xAI
- 解释内存合并和共享内存 bank 冲突。如果一个 kernel 同时存在这两个问题，你会如何修复？NVIDIA · Meta · xAI
- 什么是占用率？在选择块大小时，如何权衡占用率与寄存器和共享内存的使用？NVIDIA · Google · CoreWeave
- 你如何判断一个 kernel 是内存受限还是计算受限？NVIDIA · Google · Together AI
- 你是否从事过机器学习 GPU 工作负载？NVIDIA · CoreWeave · Together AI
- 比较数据并行、张量并行和流水线并行——什么时候使用哪一种？它们如何组合成 3D 并行？OpenAI · Anthropic · Meta
- 解释环形 all-reduce 的工作原理，并推导其通信开销。NVIDIA · OpenAI · Meta
- ZeRO 和 FSDP 实际上分片了什么？每个阶段能节省多少内存？梯度检查点在其中处于什么位置？Meta · OpenAI · Anthropic
- 我们需要训练一个内存装不下的 1000 亿参数模型。请设计数据和模型并行方案。Google · Anthropic · OpenAI
- 流水线并行是在横向扩展网络上运行，还是留在节点内部？请将 TP、PP 和 DP 映射到网络拓扑上。xAI · OpenAI · NVIDIA
- NCCL 到底做什么？为什么 GPU 利用率显示 100% 时，任务实际上可能受限于通信？NVIDIA · CoreWeave · xAI
- 对于 GPU 训练集群，InfiniBand 与 RoCE 如何选择？xAI · Meta · CoreWeave
- 你如何处理 MoE 模型中的专家负载均衡？如果 90% 的 token 路由到 10% 的专家会发生什么？OpenAI · xAI · Together AI
- 你的训练任务编译并运行了，但损失曲线是平的。请描述你的调试流程。Google · Anthropic · OpenAI
- 你如何在硬件故障和掉队者出现的情况下，让一个持续数周的训练任务保持运行？Anthropic · CoreWeave · xAI
- 你在机器学习基础设施（包括分布式 GPU 集群）方面有哪些经验？CoreWeave · xAI · OpenAI
- 什么是 KV 缓存？为什么它主导了服务内存？你如何确定其大小？请以 70B 模型为例进行计算。OpenAI · Anthropic · NVIDIA
- vLLM 的 PagedAttention 是如何工作的？它实际上解决了什么问题？Together AI · NVIDIA · Anthropic
查看全部 46 道机器学习基础设施与 GPU 面试题及答案 →
AI 安全与提示词工程面试题
深度解析提示词注入防御、PII 处理、用量追踪与滥用防范、审计追踪、SOC2/EU AI Act 以及面向企业数据治理的问题——每一位面向 CISO 的 FDE 都必须能够应对。
- 解释直接提示词注入与间接提示词注入的区别，以及它们各自是如何真正破坏一个 LLM 应用的。OpenAI · Microsoft · Glean
- 越狱与提示词注入有何不同？请分别举一个真实应用中的例子。Anthropic · Microsoft · Scale
- 为什么系统提示词会泄露？哪些内容绝不应该放在系统提示词中？OpenAI · Anthropic · Salesforce
- 请介绍 OWASP LLM Top 10，对于企业 AI Agent 部署，你会优先处理哪两项风险？Microsoft · Palantir · Scale
- 什么是智能体系统中的“过度代理”？哪些控制措施能真正限制它？OpenAI · Anthropic · Salesforce
- 什么是数据/模型投毒？你如何检测通过微调或嵌入数据引入的后门？Microsoft · Scale · OpenAI
- 解释 MITRE ATLAS。你会如何将一次针对 AI 系统的观测到的攻击映射到其战术与技术上？Microsoft · Palantir · Scale
- 你的 LLM Agent 存在提示词注入漏洞，会泄露系统提示词。你如何防御？OpenAI · Anthropic · Salesforce
- 你会如何防御一个 RAG 系统免受被投毒的检索上下文以及向量/嵌入攻击？Glean · Microsoft · Anthropic
- 工具投毒和提示词注入如何影响 MCP 服务器和智能体 AI？你如何防御它们？Anthropic · OpenAI · Salesforce
- 请介绍你会如何对一个面向客户的 GenAI 聊天机器人进行红队测试。Microsoft · Scale · OpenAI
- 设计一个持续的 AI 红队计划：团队构成、危害类别、执行频率，以及你会首先用 PyRIT 自动化哪些内容。Microsoft · Scale · Anthropic
- 在 LLM 服务系统的请求流程中设计安全护栏——它们位于哪些环节，各自能捕获什么？Anthropic · OpenAI · Salesforce
- 比较 PII 检测方法：正则表达式、熵、NER、外部 API。为什么仅靠正则表达式无法找到人名？Microsoft · Snowflake · Glean
- PII 脱敏应该放在 AI 网关还是应用层？请论证其中的权衡。Microsoft · Salesforce · Glean
- 为 LLM 流水线设计一个 PII 脱敏系统——PII 会从用户输入、检索上下文、工具结果和输出四个入口进入。请对这四处全部加以防护。Palantir · Microsoft · Glean
- 提示词和输出中包含个人数据。GDPR 对每一次调用外部 LLM 端点意味着什么？OpenAI · Anthropic · Microsoft
- 客户问：“你们会用我们的数据做训练吗？”请给出准确的回答，并解释零数据保留。OpenAI · Anthropic · Glean
- 客户说“我们的数据不能离开我们的环境。”请带我梳理各种部署方案，以及每种方案真正能带来什么。Anthropic · Palantir · Microsoft
- 一家医院想要一个基于患者病历的 LLM 功能。HIPAA 对你的设计到底有什么要求？Microsoft · Palantir · Salesforce
查看全部 47 道 AI 安全、隐私与治理面试题及答案 →
ML 系统设计面试题
为产品界面背后的模型进行设计：信息流排序、推荐、观看时长与 ETA 预测、欺诈与机器人检测、广告排序。涵盖候选生成、特征与标签设计、训练、离线与在线评估，以及大规模服务——按照 Meta、Google、Netflix 和推荐系统团队进行这一轮的方式。
查看全部 12 道 ML 系统设计（产品）面试题及答案 →
按公司分类的 FDE 面试题
每家公司的面试流程都不同。以下页面根据公开报告整理，拆解了流程、轮次，以及面试官真正在考察什么。
面试之前：岗位本身
FDE 面试题：常见问题
什么是前沿部署工程师（FDE）面试？
FDE 面试考察的是你能否在特定客户真实、混乱的环境中构建并交付生产级软件和 AI，而不仅仅是解决抽象的难题。面试内容包括编程、系统与集成设计、生产环境调试、应用 ML 和 LLM 问题，以及一个面向客户的判断力环节。Palantir 开创了这一岗位，如今 OpenAI、Anthropic 和 Google Cloud 等 AI 公司也在大量招聘该职位。
FDE 面试与普通软件工程师面试有何不同？
标准的软件工程师面试流程问的是“你能不能构建这个系统”。FDE 面试流程则在此基础上增加：“你能不能为特定客户构建它、清晰地解释它、现场调试它，并应对在场的利益相关者。”只刷 LeetCode 是不够的：真正的差异化在于集成思维、生产成熟度和客户沟通能力。
FDE 面试通常有哪些轮次？
常见的流程包括招聘人员初筛、一到两轮技术面试（编程加上集成或系统设计）、一次实操构建或带回家作业，以及一个客户场景或行为面试环节。具体轮次因公司而异，且会随时间变化，所以请与你的招聘人员确认你的流程。各公司的具体拆解见下方链接。
FDE 面试中允许使用 AI 工具吗？
在 AI 原生公司中越来越普遍，而且用好这些工具本身就是考察信号的一部分。陷阱在于不加判断的复制粘贴：面试官期望你去阅读、调试并拒绝糟糕的模型输出，而不是盲目粘贴。有些公司仍会进行不使用工具的轮次，所以请提前询问。
哪些公司招聘前沿部署工程师？
Palantir 开创了这一岗位。如今 OpenAI、Anthropic、Google Cloud、Databricks、Sierra、Cognition、Cursor、Applied Intuition、Anduril、Scale、Glean 等众多公司都在招聘前沿部署工程师或应用 AI 与解决方案工程师。请参阅下方按公司分类的备考清单。
如何准备 FDE 面试？
在真实维度上练习，而不仅仅是写代码：系统与集成设计、生产环境调试、应用机器学习与大语言模型，以及客户场景。按顺序完成下面的主题轨道（它们的排序对应真实面试流程逐步升级的方式），然后针对你正在面试的具体公司进行专项训练。
有没有带答案的 FDE 面试问题 PDF 或表格？
本页面是一套持续更新、结构化的前沿部署工程师面试问题集，附带专家答案，按主题和公司分类整理。随着面试流程的变化，我们会保持内容更新，这是静态 PDF 无法做到的。
备战每一个 FDE 面试问题，掌握能拿到 offer 的答案
共 658 道题，涵盖 11 个主题，按由易到难排序，每道题都配有资深工程师级别的答案，以及面试官通常不会透露的追问。每个轨道的前几道题免费开放。
所有答案、概念与课程、所有论文精讲、全部已发布的视频课程、动手实践的 FDE Lab 任务、Premium PDF 指南及配套文件、完整的模拟测试题库和工作样本下载。Referral Premium 不包含指南 PDF 及其配套文件。
6 个月 · 一次付费 · 无自动续费
配合免费视频课程一起学习。
面试流程会变化，并因团队、级别和地区而异。请将本内容视为方向性备考资料，并与你的招聘人员确认具体的面试轮次。