AI 基础题主要考察概念边界和工程理解。回答时不要只背术语，要能结合应用场景解释。

1. AI、机器学习、深度学习和大模型有什么区别

回答要点：

• AI 是最大概念，目标是让机器表现出智能行为。
• 机器学习是 AI 的一种实现方式，从数据中学习规律。
• 深度学习是机器学习的一类方法，使用多层神经网络学习复杂表示。
• 大模型通常是基于深度学习、大规模数据和参数训练出的通用模型。

简洁回答：

AI 是目标，机器学习是方法，深度学习是机器学习中的神经网络路线，大模型是深度学习在大规模数据和计算上的产物。

2. 训练和推理有什么区别

对比项	训练	推理
输入	数据和标签	用户请求
目标	学习模型参数	生成预测或回答
关注	效果、收敛、数据质量	延迟、成本、稳定性
产物	模型	输出结果

面试中可以补一句：生产应用更多关注推理链路，包括限流、超时、日志和降级。

3. 什么是过拟合和泛化

回答要点：

• 泛化是模型处理未见过数据的能力。
• 过拟合是模型过度记住训练集，导致测试集或线上效果差。
• 解决方式包括增加数据、清洗标签、正则化、早停、交叉验证和降低模型复杂度。

4. 常见评估指标有哪些

分类任务：

• Accuracy。
• Precision。
• Recall。
• F1。
• AUC。

大模型应用：

• 正确性。
• 完整性。
• 相关性。
• 忠实性。
• 格式稳定性。
• 安全性。
• 成本和延迟。

5. Token 和上下文窗口是什么

回答要点：

• Token 是模型处理文本的基本单位。
• 上下文窗口是一次请求中模型能处理的 Token 上限。
• 系统 Prompt、用户问题、历史对话、RAG 文档和输出都占用窗口。
• 上下文窗口影响成本、延迟和回答质量。

6. Embedding 是什么

回答要点：

• Embedding 是把文本、图片等对象映射成向量。
• 语义相近的内容向量距离通常更近。
• 常用于语义检索、推荐、聚类、去重和 RAG。
• 企业场景常结合关键词检索和权限过滤。

7. 大模型为什么会幻觉

回答要点：

• 大模型基于上下文预测高概率输出，不是事实数据库。
• 训练知识可能过时或不完整。
• 上下文不足时模型可能猜测。
• 用户问题可能包含错误前提。
• RAG 检索错误也会导致错误回答。

治理方法：

• 提供可靠上下文。
• 要求引用来源。
• 允许拒答。
• 使用工具查询事实。
• 高风险场景人工复核。

8. 容易漏的点

1. 不要把大模型等同于全部 AI。
2. 不要只讲模型能力，也要讲成本、延迟和安全。
3. 不要说 RAG 或 Prompt 能完全解决幻觉。
4. 不要忽略评估和回归测试。