AI Infra 与 Harness 工程 面试题

这个方向在考什么

• 推理优化：KV Cache 的显存公式、PagedAttention、continuous batching
• 量化与压缩：INT8/INT4 的精度损失、GPTQ 与 AWQ 的差异
• 分布式训练：DP / TP / PP / ZeRO 各切什么，通信量怎么估
• 服务化：吞吐与延迟的权衡、扩缩容、GPU 利用率排查

最常见的几个坑

• KV Cache 只会说"缓存 K 和 V"，算不出 7B 模型 4K 上下文的显存
• 把 TP 和 PP 混为一谈，说不出各自的通信模式
• 量化只知道"INT8 更快"，讲不出 outlier 对精度的影响

七天准备路线

1. 第 1 天把 KV Cache 显存公式推一遍，能现场算 7B/13B/70B
2. 第 2 天推理框架：vLLM 的 PagedAttention 与 continuous batching
3. 第 3 天分布式：DP/TP/PP/ZeRO 的切分维度与通信量
4. 第 4 天量化：GPTQ/AWQ/GGUF 的差异与适用场景
5. 第 5-7 天按方向刷题，准备一次真实的显存/吞吐排查

AI Infra 与 Harness 工程高频面试题

• 解释一下 KV Cache 是什么、为什么能加速推理，以及它带来的显存代价怎么算。 · 1-3 年
• 推理服务里 continuous batching 和静态 batching 有什么区别？为什么前者吞吐更高？ · 3-5 年
• 模型量化你了解哪些方案？训练后量化（PTQ）和量化感知训练（QAT）怎么选？量化后精度掉了怎么定位？ · 3-5 年
• 你要为一个 Agent 系统设计评测 harness，会包含哪些维度？怎么保证评测结果可复现？ · 3-5 年
• 显存优化除了量化还有哪些手段？请按"省的是什么"把它们分类。 · 3-5 年
• Agent 的工具编排里，工具多了以后模型选错工具、参数填错怎么办？你会怎么设计降低这类错误？ · 3-5 年
• 线上大模型服务的延迟怎么拆解？哪些部分你能优化、哪些是硬上限？ · 3-5 年
• 提示词版本管理你怎么做？线上提示词改了以后，怎么知道是变好还是变坏？ · 1-3 年
• 你有单卡 A100 80G，要上线一个 7B decoder-only 模型，同时承接两个业务：业务 A 是长 prompt（约 4k tokens）短输出（约 100 tokens）的摘要，业务 B 是短 prompt（约 200 tokens）长输出（约 1k tokens）的代码补全。团队让你在 vLLM 和 TensorRT-LLM 之间二选一。请给出你的选择和判断依据，并具体说明 PagedAttention 在 A、B 两个业务上带来的收益分别体现在哪里、哪个业务上收益相对不明显，为什么。 · 1-3 年
• 你们要上线一个 13B 对话模型，SLA 是 P99 TTFT < 1.5s、平均 TPOT < 40ms。流量特征是白天峰值 QPS 是凌晨的 8 倍，输入长度 P50=300 token、P99=6000 token。模型权重每周要热更一次，业务方后续还想在同一张卡上挂 2~3 个 LoRA adapter 做灰度。团队已经在 vLLM 上跑通了原型；TensorRT-LLM 只在离线 benchmark 里跑过，同卡同 batch 下吞吐比 vLLM 高约 40%。你怎么做上线选型？如果你选 vLLM，怎么补它相对 TensorRT-LLM 的差距；如果你选 TensorRT-LLM，怎么处理热更和 LoRA？ · 3-5 年
• 你们要上线一个 70B 稠密模型的在线对话服务，SLA 是 P99 首 token 延迟 < 2s、单节点输出吞吐 ≥ 2000 tok/s。候选推理引擎是 vLLM 和 TensorRT-LLM。约束有三个：业务要求两周内上线；未来半年内预计换 3 次权重，并可能引入 MoE 结构和多套 LoRA 热切换；团队里只有 2 个人有 CUDA 经验。请给出你的选型结论，并说明在什么可观测条件下你会启动迁移到另一条路线。 · 5 年以上
• 你在一张 24GB 显存的卡上用 vLLM 部署一个 7B 模型（FP16 权重约 14GB），启动参数 gpu_memory_utilization=0.9。同事说："PagedAttention 不会浪费显存，所以把 max_model_len 从 8K 直接调到 32K 没关系。" 这个说法哪里不对？调大之后显存实际被什么吃掉了？ · 校招
• 你要把线上一个 13B decoder 模型从 FP16 换成 W4A16 的 weight-only INT4 量化，目标是把单卡能承载的并发数翻倍。下游有两个任务：一个通用对话，一个对精度敏感的字段抽取。请给出你的量化方案选型（weight-only INT4，还是 W8A8 这类带激活量化的方案）、为什么，以及上线前你会用哪几层手段判断有没有掉点、掉在什么位置。 · 1-3 年
• A100 80G 上服务一个 13B 代码补全模型，FP16 权重占 26GB。现在要同时满足两件事：单卡并发 batch 尽量大；内部评测集上掉点不超过 1%。候选方案是 W8A16（weight-only INT8）和 W4A16（GPTQ/AWQ）。已知经验值：W8A16 显存省约 40%、典型吞吐提升约 1.3x；W4A16 显存省约 70%、吞吐提升约 1.6-1.9x，但在长尾 token（罕见标识符、超长数字）上更容易掉点。你怎么选？如果选 W4，你怎么证明“掉点不超过 1%”这件事？ · 3-5 年
• 成本要求把推理 GPU 卡数砍掉 40%。当前 72B 模型用 FP16 + TP4 跑在 4×A100-80G 上，最大 batch 只能到 8，目标是把 batch 提到 32。候选方案有 W8A8-INT8（SmoothQuant 一类）、W4A16（GPTQ/AWQ 一类）、以及在 Hopper 上的 FP8。请说明你会怎么选、校准数据怎么准备、哪些模块不能量化，以及你怎么判断量化有没有伤到业务。 · 5 年以上
• 一个 13B 模型 FP16 权重约 26GB，你要在单张 24GB 卡上跑，打算用 INT8 weight-only 量化把权重压到约 13GB。请回答：(1) 剩下约 11GB 够不够放 KV Cache 和激活，瓶颈可能在哪；(2) 在 batch=1 的逐 token decode 阶段，端到端延迟大概能降多少，为什么不是 2 倍？ · 校招
• 一个 7B 模型，32 层，GQA 配置为 8 个 KV head、head_dim 为 128，KV cache 用 FP16 存储。请写出 batch=32、平均序列长度 2048 时 KV cache 的显存占用公式并算出结果。然后回答：如果此时显存不够，你会先动 batch size、先动序列长度，还是动别的？说明理由。 · 1-3 年
• 单张 A100 80G 上跑一个 13B 的 MHA 模型：40 层、40 个 KV head、head_dim 128、FP16，权重占 26GB。服务 8K 上下文的并发请求。请先算出每个 token 的 KV cache 占用和单条 8K 序列的占用，然后回答：这张卡理论上最多能服务几个 8K 并发请求，为什么监控里看到的实际并发数往往比这个数还低？在不改模型结构、不换卡的前提下，你怎么把并发提上去，按性价比排序。 · 3-5 年
• 线上要做 32K 长上下文的多轮对话。模型 72B、80 层、GQA 8 个 KV head、head_dim 128，KV 用 FP16 存。现在发现单条序列的 KV 就要吃掉十几 GB，batch 只能开到 4，吞吐上不去，但显存已经见底。请先把这个账算清楚，再给出至少三条处于不同层次的优化路径，并说明各自的代价。 · 5 年以上
• 一个请求进来，最终序列长度 4000 token。模型是 32 层、GQA 8 个 KV head、head_dim 128、KV 用 FP16 存储。请算出这条请求的 KV Cache 占多少 MB；如果同时有 32 条这样的请求并发，总共占多少；以及你会怎么用这个结果来决定部署时的 max_num_seqs？ · 校招

共 45 道，这里列出前 20 道。 去题库检索