字节AI算法实习面试实录：全程压力面，强度直接拉满

算法题2道，30min，第一道是纯英文题(太难蚌了)，第二道是一个中文题，是关于把一个jsonobject数组(类似于[["id":1"'value":123},{"id":2,"value":1234,"parent":1}] 这 样的)转换成一个树状结构并输出，并且要求能处理各种错误输入。两题均不是力扣题

讲一下协程

node.js和python的并发有什么区别?node 的 async/await 和 python 的asyncio库有什么区别?

vue2和vue3分别是怎么实现数据-视图双向绑定的?(问前端也太可怕了)

解释一下java中的controller是起什么作用?

RPC是在哪一层中?路由器是在哪一层(应该是说的七层网络结构)

聊了10多分钟项目

自我介绍

这一面基本没问项目，而是聚焦于我之前的开发实习，问了极大量的工程八股，算法题极难

二面(65min)

解释几种norm的区别(Batchnorm、LayernormGroupnormInstanceNorm和RMSNorm)? LN里面有哪些可学习的参数?

Node.js在返回时怎么指定数据类型(问nodejs我是没想到的)

python哪些库可以调用C++(答ctypes、pybind11)，面试官觉得太少了，于是告诉了其他答案，然后让分别解释这些库的原理

然后开始基础编程八股，python的装饰器

算法题:最长公共子序列(但是要求时间复杂度小于o(nm)的方法)，15分钟。写出DP后面试官提示时间复杂度不符，后来再次提示用二分，最后才想出二分+哈希表的思路，但是也没写完，只说了思路，不得不说难度拉满

项目细节问答(太细了，有好几次问着问着开始拷打某个公式，让我现场手推。列举其中几个特别细节的问题:LoRA的rank、alpha、dropout参数以及为什么这么设置、rewardmodel怎么训练的(用公式解释)、写loglikelihoodloss公式、)

自我介绍

不愧是核心部门，场均压力面，强度直接拉满了，二面甚至两道算法题

2026年，大模型已经无处不在，但"幻觉"（hallucination）仍是企业落地的最大杀手：金融风控、医疗问诊、客服机器人动辄编造事实，直接导致合规风险和信任崩盘。

知识图谱（Knowledge Graph） 的核心价值正是结构化知识：把碎片化数据变成"实体-关系-属性"的三元组网络，让大模型"先查图谱再回答"。

• 行业价值：支持复杂多跳推理、知识溯源、实时更新，广泛用于推荐系统、智能搜索、企业大脑。
• 大模型痛点：纯向量RAG召回率低、无法处理逻辑关系；知识图谱+大模型（GraphRAG）可将准确率提升40%以上。
• 图谱赋能意义：把大模型从"概率生成器"变成"可信知识引擎"，真正实现企业级私有化落地。

核心知识点：知识图谱不是"又一个数据库"，而是大模型的长期记忆和推理大脑。

为方便大家学习 这里给大家整理了一份学习资料包 需要的同学 根据下图自取即可