#回答大模型面试题的通用模板
如果用户不要求极短回答，一个成熟答案通常都可以按下面 5 步展开：
- 先定义问题：这个概念是什么，要解决什么问题。
- 再讲核心机制：它是怎么工作的，数据/信息如何流动。
- 然后讲优点：为什么大家会用它。
- 再讲局限和 trade-off：成本、风险、边界条件是什么。
- 最后落到实战：在什么场景下适合用，不适合用什么。
例如回答“LoRA 是什么”：
- 不是只说“低秩分解”。
- 应该说：LoRA 通过冻结原模型，只学习低秩增量矩阵，降低训练显存和参数更新量；优点是便宜、快、适合多任务 adapter 管理；局限是表达能力有限，遇到任务分布差异大时可能不如全参数微调。
#模板里的关键术语
核心机制指信息如何流动、参数如何更新、请求如何经过系统，而不是“用了某某框架”。trade-off指收益和代价同时出现，例如量化降低显存但可能损伤精度，batching 提高吞吐但可能增加单请求等待时间。
实战落地不是泛泛说“可以用于业务”，而是说明输入数据、在线链路、评测指标、回滚策略和风险边界。面试里最稳的答案通常是把一个抽象概念压到一条具体链路上讲清楚。
#回答前检查
- 这个概念解决的问题是什么。
- 最小机制链路能否用三句话讲完。
- 相比替代方案的优势和代价各是什么。
- 如果上线失败，最可能查哪些指标和日志。
#模板不要机械套用
通用模板的价值是防漏，不是让所有答案长得一样。基础概念题可以压缩成“定义 + 机制 + 边界”；系统设计题要展开成“需求 + 链路 + 组件 + 指标 + 风险”；项目题要突出“我做了什么、为什么这么做、结果怎样、后来如何复盘”。
如果面试官要求极短回答，就先给结论，再用一句话补边界；如果面试官继续追问，再逐层展开。一个好的回答应该可以伸缩：30 秒能讲清核心，3 分钟能讲清机制和取舍，10 分钟能讲清实现、指标和失败排查。
模板还要和岗位匹配。同一个“KV cache 是什么”，算法岗可以重点讲 attention 中 K/V 的复用机制，平台岗要重点讲显存估算、分页管理和驱逐策略，应用岗要重点讲长上下文成本和服务延迟。先判断面试官关注点，再决定展开深度，答案会更聚焦。
如果不知道怎么收尾，可以用“所以我会这样选型”结束：在什么条件下用这个方案，在什么条件下不用，线上用哪些指标观察。这个收尾能把抽象解释落到决策，也能自然引出项目经验或系统设计讨论。
答题时还要注意别把模板变成流水账。比如“先定义、再机制、再优点、再局限”只是骨架，真正得分的是每一段里有没有关键证据：公式、流程、复杂度、指标、失败案例或项目结果。没有这些证据，答案虽然结构完整，仍然会显得空。
练习时可以把同一道题写成短、中、长三版。短版用于笔试和快速确认概念，中版用于普通面试，长版用于系统设计或项目深挖。三版共用同一个核心结论，但展开层次不同，这样现场回答更容易控制节奏。