LLM 与 GenAI 基础是 Cresta 前沿部署工程师面试流程的核心部分。Token、上下文窗口、提示工程 vs RAG vs 微调、幻觉、评测、成本与延迟：这是每个 AI 原生 FDE 面试流程首先考察的概念核心。以下是需要准备的 LLM 与 GenAI 基础问题，先是标记为 Cresta 的问题，然后是来自我们 LLM 与 GenAI 基础专题 中信号值最高的问题，每个问题的答案都达到了资深工程师的标准。

CRESTA 在这里考察什么 · 实用的 Python 和 Golang 编码能力。查看完整的 Cresta 面试流程 →

标记为 Cresta 的 LLM 与 GenAI 基础问题

更多针对 Cresta 面试流程的 LLM 与 GenAI 基础问题

候选人认为最有用的信号值最高的 LLM 与 GenAI 基础问题，模拟 Cresta 前沿部署工程师面试流程所考察的内容。

Cresta LLM 与 GenAI 基础环节背后的概念

这些问题所假设的术语和思维模型。基础部分免费开放；更深入的、决定面试成败的理念属于高级内容。

基础Token 化与 Token语言模型不读取字符或单词。它读取的是 token：由分词器产生的子词片段，每个片段被映射为模型嵌入的一个整数。Token 是上下文窗口和计费的单位，文本切分为 token 的方式解释了大量模型怪癖，这也是为什么几乎每个面试流程都从这里开始。

基础上下文窗口上下文窗口是语言模型一次能够关注的固定 token 数量，输入和输出共享同一预算。理解它，是能够合理设计提示词规模、控制成本与延迟、并决定何时使用 RAG 的工程师，与那些只是把所有内容粘贴进去然后祈祷的工程师之间的分水岭。

基础嵌入与向量表示嵌入将一段文本转换为一组数字，其位置使得含义相近的内容在空间中彼此靠近，从而让你可以按含义而非关键词进行搜索。嵌入是 RAG、语义搜索、聚类和去重背后的引擎，因此 FDE 面试流程期望你能解释余弦相似度，以及那些会悄悄破坏向量索引的陷阱。

基础Transformer 的直观理解Transformer 是所有现代大语言模型背后的架构，建立在自注意力机制之上，让每个 token 可以并行地关注其他所有 token。FDE 面试流程不要求数学推导；他们希望你用高管或同事都能听懂的通俗语言，解释注意力机制为何胜过 RNN、decoder-only 意味着什么，以及为什么长上下文的成本高昂。

核心登录注意力与自注意力注意力机制计算价值向量的加权和，权重取决于每个 token 的 query 与其他所有 token 的 key 的匹配程度。自注意力在单个序列内应用这一机制，使每个 token 都能从其他所有 token 中获取信息，而这种全对比较正是成本随序列长度平方增长的原因。FDE 面试循环会考察它，因为它用一个思维模型同时解释了上下文限制、延迟和 KV 缓存。

核心登录RoPE 与位置编码自注意力本身没有内置的词序概念，因此 Transformer 会将位置信息注入 token 向量。旋转位置编码（RoPE）通过随位置变化的角度旋转 query 和 key 向量，使相对位置信息自然体现在点积中，这就是 RoPE 支撑几乎所有长上下文模型的原因，也是扩展上下文窗口意味着需要重新缩放 RoPE 的原因。

基础Temperature、Top-p 与采样在每一步，模型都会为每个可能的下一个 token 输出一个概率分布，而 temperature、top-p 和 top-k 等采样设置决定了如何将这个分布转化为实际的选择。FDE 面试循环会考察这一点，因为它控制着确定性与创造性之间的旋钮：知道何时在信息抽取时调低、在头脑风暴时调高，以及为什么同一个提示词给出不同答案是预期行为而非 bug。

高级🔒 高级内容LoRA 与参数高效微调全量微调会更新模型中的每一个权重，训练成本高昂，且每个任务都会产生一个完整大小的检查点。LoRA 则冻结基础模型，转而训练小型低秩适配器矩阵，从而得到可交换的微型检查点；QLoRA 进一步加入量化后的冻结基础模型，使整个方案能在单张 GPU 上运行。FDE 面试循环会考察它，因为这是在不超出客户预算、不压垮客户硬件的前提下，用客户数据适配模型的方法。

Cresta 的前沿部署工程师面试循环会提出 llm 与 genai 基础问题，例如“你如何确保 LLM 不会回答超出其设计范围的问题？”、“你的语音 Agent 会抢话并听错账号，但词错误率只有 6%。请诊断这两个问题，并说明应该改用什么指标。”、“为一个接听呼入客服电话的语音 Agent 设计评测。哪些指标可以离线测量，哪些只有生产环境才能告诉你？”。Token、上下文窗口、提示词 vs RAG vs 微调、幻觉、评测、成本与延迟：这是每个 AI 原生 FDE 面试循环首先考察的概念核心。完整题集按由易到难排序并附专家答案，见下方。

按顺序完成本页的 llm 与 genai 基础问题，学习下方链接的底层概念，然后查看 Cresta 的完整面试流程，了解这一轮在整个面试循环中的位置。就 Cresta 而言，面试官会重点考察：实用的 Python 和 Golang 编程能力。

是的。Cresta 在其 AI Agent 团队发布了前沿部署工程师和高级前沿部署工程师职位，工作地点包括旧金山、美国远程以及英国。该职位的工作内容是开发 Agent、将其与外部系统集成，并亲自动手支持部署。

与软件工程师和机器学习工程师一起直接面向客户，落地 Agent 部署，然后根据这些部署中暴露出的问题改进核心平台。Cresta 强调的是成本、安全性和可靠性，而不是演示——这正是联络中心工作中通常的分界线。

全面备战 Cresta 前沿部署工程师完整面试流程

LLM 与 GenAI 基础是其中一轮面试。升级 Premium 即可解锁 Cresta 完整面试流程的所有答案。每个方向都有免费题目，让你先体验内容深度。

所有答案、概念与课程、所有论文解析、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以及工作样本下载。推荐版 Premium 不包含指南 PDF 及其配套文件。

6 个月 · 一次付费 · 不自动续订

搭配免费视频课程一起学习。

本站独立运营，与 Cresta 无关联。所有商标归其所有者所有。