Банк вопросов: темы по частоте
Число — сколько раз вопросы темы прозвучали на собесах всего; в скобках — «частые» вопросы (≥ 2 собесов) под отдельные заготовки. Всего ~1 360 частых.
| Область | Тема | Упоминаний | Частых |
|---|---|---|---|
| RAG, поиск и агенты — 21% | поиск, эмбеддинги, реранкеры | 716 | 84 |
| RAG: устройство, документы, чанки | 605 | 68 | |
| агенты и tool calling | 533 | 64 | |
| оценка качества RAG и LLM | 518 | 57 | |
| Трансформеры и NLP — 17% | трансформер и attention | 691 | 81 |
| классический NLP, BERT | 579 | 76 | |
| основы нейросетей | 368 | 57 | |
| токенизация и декодирование | 315 | 36 | |
| Опыт и проекты — 16% | самопрезентация, опыт | 658 | 75 |
| роль в команде, процессы | 555 | 71 | |
| условия, мотивация | 393 | 38 | |
| уточнения по проектам | 240 | 22 | |
| Классический ML и метрики — 15% | классический ML | 860 | 113 |
| метрики классификации | 489 | 58 | |
| данные: разметка, дисбаланс | 263 | 32 | |
| статистика, A/B | 117 | 13 | |
| LLM: обучение и инференс — 13% | обучение и файнтюнинг | 609 | 84 |
| выбор моделей, промптинг | 516 | 60 | |
| инференс, квантизация | 344 | 43 | |
| Код — 10% | Python | 784 | 105 |
| алгоритмы, лайвкодинг | 314 | 31 | |
| SQL | 137 | 14 | |
| Продакшн и проектирование — 5% | продакшн, бэкенд, MLOps | 516 | 68 |
| system design магазина (X5) | 102 | 8 |
Что звучит в начале собеса (первые 5 вопросов, 394 собеса)
| Тема | Доля среди первых пяти |
|---|---|
| самопрезентация, опыт | 20% |
| роль в команде, процессы | 8% |
| Python | 8% |
| RAG: устройство, твой проект | 7% |
| классический ML | 7% |
| условия, мотивация | 6% |
| агенты | 5% |
Ближе к концу: инференс и квантизация, продакшн и MLOps, устройство трансформера.
Блок «RAG, поиск и агенты»: топ вопросов
| Тема | Собесов | Вопрос |
|---|---|---|
| поиск | 19 | Какие метрики для оценки ретривера? |
| 17 | Как дообучали эмбеддер и реранкер? | |
| 17 | Какую векторную БД использовали и почему? | |
| 16 | Как находили hard negatives? | |
| RAG | 30 | Расскажите о проекте с RAG: проблема, результаты |
| 27 | Какая архитектура RAG у вас? | |
| 20 | Как устроен RAG, из каких компонентов? | |
| 18 | Как делали чанкирование? | |
| агенты | 17 | Какой стек использовал для агента? |
| 12 | Чем агент отличается от обычной LLM? | |
| 12 | Что в твоём понимании агент? | |
| 12 | Использовали LangChain / LangGraph? | |
| оценка | 27 | Какие метрики для оценки RAG? |
| 16 | Метрики для оценки генерации текста? | |
| 14 | Как решали проблему галлюцинаций? | |
| 12 | Как оценивать качество LLM? |