百度 AI / 算法怎么准备
百度算法岗覆盖搜索、推荐和生成。公开讨论里相关性和多样性、以及生成如何评，是常考点。
五题覆盖相关性、多样性、生成评测、编码和产品协作。用你的检索或 LLM 项目答。
百度怎么面算法
- 传统检索和生成可能都会问。
- 评估设计比报 SOTA 更重要。
- 编码仍可能出现。
面试阶段与知识点
第一批不把每个阶段拆成独立 URL，避免程序化重复页。阶段对应下面的题，练完再用模拟面试串起来。
- 相关性：评估。
- 多样性：列表。
- 生成：评测。
- 产品：幻觉。
值得开口练的题
每题给考察点、思路、结构化参考答案和追问。参考答案用来组织语言，面试时必须换成你自己的项目事实。
如何判断一次搜索结果是否相关，而不是只看点击？
考察点
- 标注
- 点击偏差
- 分级
回答思路
点击有位置与选择偏差，需分级人工标注配合去偏，不能单靠 CTR 当相关性金标准。
结构化参考答案
- 指标上定义分级相关标准，抽样 query 做人工标注，点击仅作弱监督并做 IPS 或随机桶去偏。
- 方法上建立坏 case 池与长尾 query 专项评估，商业结果与自然结果同一相关性量表。
- 工程上标注平台与评测流水线版本化，变更标准需重跑基线并可回滚，避免口径漂移。
- 有效性以标注一致率、去偏后 NDCG 与线上满意度调研同向，证明相关性评估独立于点击偏差。
面试官可能追问
- 如何保证标注一致？
- 长尾 query 怎么抽样？
- 商业结果如何标？
十条结果都相关但几乎一样，如何加入多样性？
考察点
- 意图
- 去重
- 评估
回答思路
先做意图覆盖识别多需求，再用 MMR 类去重，多样性指标与 NDCG 一起看。
结构化参考答案
- 指标上除 NDCG 外增加意图覆盖率、列表内相似度与重复率，避免多样性伤害头部相关体验。
- 方法上识别 query 多意图后分槽位展示，同质结果 MMR 降权，新闻突发场景单独调配额。
- 工程上多样性重排需在检索延迟预算内完成，策略可 A/B 回滚，防止强行塞无关内容。
- 有效性以多样性指标提升而相关性 NDCG 不显著下降的用户实验，证明列表既相关又覆盖多面需求。
面试官可能追问
- 多样性是否伤头部体验？
- 如何避免强行塞无关？
- 新闻突发如何平衡？
生成式回答如何评估幻觉？
考察点
- 依据
- 人工
- 拒答
回答思路
生成回答需可追溯检索依据，无依据时拒答或降级为链接，自动指标只作辅助。
结构化参考答案
- 指标上统计有依据回答占比、事实错误率与拒答率，人工抽检与自动事实核查分开报。
- 方法上要求引用可检索证据片段，开放域先检索再生成，无足够依据则拒答或展示来源链接。
- 工程上平衡生成延迟与检索深度，幻觉超阈值自动降级，模型与规则包版本可快速回滚。
- 有效性以幻觉率门槛达标后的用户信任调研与投诉量，证明评测体系能拦住不可验证的生成内容。
面试官可能追问
- 开放域如何找证据？
- 如何防引用伪造？
- 延迟和生成如何权衡？
实现 query 归一化的优先级（大小写、标点、同义）
考察点
- 顺序
- 语言
- 不可逆
回答思路
先做无损 Unicode 与大小写规范化，同义替换要可配置可关闭，并保留原 query 日志。
结构化参考答案
- 样本上准备中英文混合、人名专名与标点变体测试集，覆盖归一化前后检索结果差异。
- 方法上顺序为 Unicode 规范化、大小写、语言相关标点处理，同义表可配置且记录映射关系。
- 工程上同义替换默认可关，归一化结果与原 query 双写日志，便于回归与 A/B 对比偏差。
- 有效性以测试集召回率不下降、人名误改率为零的回归报告，证明归一化提升检索而非引入噪声。
面试官可能追问
- 人名如何避免被同义改坏？
- 如何回归？
- 归一化是否进日志？
产品要把生成当默认结果，你担心幻觉，如何推进？
考察点
- 默认
- 场景
- 退出
回答思路
高风险场景不默认生成，必须带来源与一键退回原网页，幻觉率超门槛则阻断上线。
结构化参考答案
- 指标上列出医疗法律等高风险场景清单，设定幻觉率与无来源回答占比的上线门槛。
- 方法上生成默认仅限低风险 query，每条回答带来源引用，用户可一键查看原检索结果。
- 工程上部署分级策略与快速回滚，未达门槛的功能保持实验态而非全量默认。
- 有效性以分场景 A/B 的用户满意度与投诉复盘，证明在推进产品目标的同时守住了可验证性底线。
面试官可能追问
- 谁定高风险名单？
- 你如何拒绝无来源上线？
- 如何复盘？
和岗位、模拟面试一起用
资料管理里保存目标岗位 JD，模拟面试会按简历出题。点题目下的按钮会把本题带进模拟开场，仍需先绑定简历与岗位。