简体中文 · English · 日本語 · 한국어 · Português do Brasil · Español · Bahasa Indonesia
一份面向 AI 全岗位的系统化面试宝典
岗位路线全覆盖 · 核心考点图文化 · 工程取舍可复述 · 内容质量可校验
快速开始 · 学习路线 · 题库导航 · 配套课件 · 质量规范 · 插画规范 · 支持项目
[!TIP] 先选岗位，再走路线；先看图建立记忆，再用答案组织表达。 这不是只为某一个职位准备的题库。无论你面试 AI 应用、RAG、Agent、模型训练与推理、FDE、多模态还是安全评测，都可以找到对应的专题组合、成长路线和高频考点。
✨ 这份指南有什么不同
🧭 AI 岗位全覆盖
覆盖 AI 应用、RAG、Agent、模型训练与推理、FDE、多模态、安全评测等主流方向。不同岗位选择不同专题组合，不必从头盲目刷到尾。
🖼️ 图文双通道记忆
把抽象原理、系统流程、概念对比和常见误区转成动漫知识图。先用画面建立记忆锚点，再结合文字答案形成可复述的面试表达。
⚖️ 回答强调工程取舍
不止解释“是什么”，还会继续回答为什么这样选、如何验证，以及质量、延迟、成本、安全、复杂度和替代方案之间如何权衡。
🧪 内容可以持续校验
720 道题按 28 个专题组织，并用自动审计检查失效链接、重复题和缺少条件的数据；题目质量优先于单纯堆数量。
🧠 看得懂，才能记得住、说得出
这里的插画不是装饰图。每张图都会先通读完整题目和答案，再提炼出核心机制、工程流程、易错认知和一句话记忆点。面试前可以先看图快速唤醒知识结构，再展开文字答案复习细节。
[](docs/01-basic-concepts/)
LLM 基础图解
把 Token、解码、Attention、KV Cache 等抽象概念画成可理解的机制图。
[](docs/03-rag-system/)
RAG 系统图解
从知识入库、检索重排到生成评测，建立完整的生产系统全景。
[](docs/04-transformer-architecture/)
Transformer 架构图解
用结构分解和数据流理解 Attention、位置编码、归一化与架构演进。
[](docs/05-ai-agent-basics/)
Agent 系统图解
把规划、工具调用、记忆、反思和风险边界串成可复述的工作流。
[](docs/08-inference-optimization/)
训练与推理图解
理解微调、对齐、量化、KV Cache、批处理以及吞吐延迟取舍。
[](docs/10-production-deployment/)
安全与生产图解
从安全评测、网关和限流走到可观测、发布与生产可靠性。
01–28 共 28 个专题、720 道题，现已全部完成逐题配图。
01 LLM 基础 · 02 Prompt · 03 RAG · 04 Transformer · 05 Agent
06 向量检索 · 07 模型训练 · 08 推理优化 · 09 安全评测 · 10 生产部署
11 多模态 AI · 12 框架工具 · 13 多 Agent · 14 MCP / Skills · 15 进阶专题
16 简历与面试 · 17 AI 编程工具 · 18 大厂面试题 · 19 推理框架 · 20 RAG 高级优化
21 多模态 Agent · 22 规划与反思 · 23 Agent 可观测性 · 24 Python 工程
25 AI 系统设计 · 26 FDE · 27 项目经验 · 28 测试 Harness
📚 配套学习课件：Dive into LLMs
除了 673 道面试题，仓库还收录了 11 份、495 页的《动手学大模型》系列课件。它们不是单纯的书单链接，而是一套从基础方法、动手实验走到安全与 Agent 前沿的课程型 PDF，适合在刷题后继续补原理、看案例和设计复现实验。
[!NOTE] GitHub 支持 PDF 预览，但文件较大或结构复杂时可能出现
Unable to render。“在线阅读”通过返回标准application/pdf的 jsDelivr 打开；“GitHub”使用仓库预览；“下载”获取 Raw 原文件。第一份课件已从 10.9 MB 优化到 10 MB 以下，以提高 GitHub 预览成功率。
| # | 课件 | 内容简介 | 对应面试方向 | 阅读入口 |
|---|---|---|---|---|
| 01 | 大模型技术与发展 | 从模型演进、预训练与微调讲到推理部署，建立训练、验证、发布的完整链路 | LLM 基础、模型训练、生产部署 | 在线阅读 · GitHub · 下载 |
| 02 | Prompt 与思维链 | Prompt 设计、上下文学习、Few-shot 与 Chain-of-Thought 的方法和边界 | Prompt Engineering、推理能力 | 在线阅读 · GitHub · 下载 |
| 03 | 大模型知识编辑 | 讲清参数知识如何定位、修改与评估，并对比微调、RAG 和机器遗忘 | ROME、MEMIT、MEND、知识更新 | 在线阅读 · GitHub · 下载 |
| 04 | LLM 数学推理 | 围绕推理数据构造、过程监督、蒸馏与评测理解数学能力如何获得 | CoT、推理蒸馏、过程评估 | 在线阅读 · GitHub · 下载 |
| 05 | LLM 文本水印 | 水印嵌入、统计检测、质量影响，以及改写和翻译下的鲁棒性 | 内容溯源、安全评测、KGW | 在线阅读 · GitHub · 下载 |
| 06 | 越狱攻击与防御 | 梳理越狱攻击类型、自动化攻击编排、评估器与防御验证 | 红队 Harness、Guardrail、安全测试 | 在线阅读 · GitHub · 下载 |
| 07 | LLM 文本隐写 | 通过受控 Token 选择隐藏信息，分析容量、自然度、可恢复性与检测性 | 隐写与水印辨析、模型安全 | 在线阅读 · GitHub · 下载 |
| 08 | 多模态大模型 | 多模态模型的架构、数据、训练范式、能力演进与评估框架 | VLM、视觉语言对齐、多模态评测 | 在线阅读 · GitHub · 下载 |
| 09 | GUI Agent | 从页面感知、元素定位、动作空间讲到数据构造、评测与人工接管 | Computer Use、GUI 自动化、Agent | 在线阅读 · GitHub · 下载 |
| 10 | 大模型智能体安全 | 关注 Agent 在多步工具调用中的风险行为、攻击面、轨迹评测和阻断策略 | Agent Safety、行为评测、权限控制 | 在线阅读 · GitHub · 下载 |
| 11 | RLHF 大模型对齐 | 串联 SFT、奖励建模、PPO、KL 约束及奖励黑客等对齐问题 | RLHF、DPO、模型对齐 | 在线阅读 · GitHub · 下载 |
完整来源、页数和实验 Notebook 映射见 课件资料页 与 课件和实验阅读索引。
🚀 快速开始
根据你的目标选择入口：
- 第一次系统学习：先看下方岗位路线，按顺序完成核心专题。
- 面试前快速查漏：直接进入 面试题来源整理，再回到薄弱专题。
- 准备项目深挖：重点练习 项目经验 与 AI 系统设计。
- 准备 FDE 岗位：进入 FDE 专题，练习开放问题拆解、客户交付与生产 AI 系统。
- 参与内容维护：阅读 内容质量规范 与 面试题插画生产规范，并按规范人工检查链接、题号、标题和来源。
- 继续动手实验：查看 《动手学大模型》课件与实验阅读索引，按知识编辑、水印、推理蒸馏、红队与 GUI Agent 路线复现。
每道题建议练成三个回答版本：
- 30 秒版：先给结论和核心判断；
- 3 分钟版：补充原理、方案比较与工程取舍；
- 追问版：说明如何验证、失败如何处理、为什么不用另一种方案。
🗺️ 选择你的 AI 岗位路线
flowchart LR
A["LLM 基础"] --> B["Prompt"]
B --> C["RAG"]
B --> D["Agent"]
C --> E["安全与评估"]
D --> E
E --> F["生产部署"]
F --> G["AI 系统设计"]
H["Transformer"] --> I["模型训练"]
H --> J["推理优化"]
J --> K["推理框架"]
K --> F
classDef core fill:#eef2ff,stroke:#6366f1,color:#312e81;
classDef engineering fill:#ecfeff,stroke:#0891b2,color:#164e63;
classDef model fill:#f0fdf4,stroke:#16a34a,color:#14532d;
class A,B,C,D core;
class E,F,G engineering;
class H,I,J,K model;
AI 应用 / LLM 应用工程师 · 从模型能力走到可上线的业务系统
LLM 基础 → Prompt Engineering → RAG 系统 → Agent 基础 → 生产部署 → AI 系统设计
RAG 工程师 · 从召回链路走到评测与生产治理
LLM 基础 → RAG 系统 → 向量索引优化 → RAG 高级优化 → 安全与评估 → Agent 可观测性
Agent 工程师 · 从工具调用走到规划、协作与治理
Prompt Engineering → Agent 基础 → 规划与反思 → 多 Agent 系统 → MCP 与 Skills → Agent 可观测性
模型训练与推理工程师 · 从架构原理走到吞吐与部署
Transformer 架构 → 模型训练 → 推理优化 → 推理框架 → 生产部署
Forward Deployed Engineer · 从开放问题走到客户生产结果
项目经验 → Python 工程 → AI 系统设计 → 生产部署 → FDE 专题
多模态 AI 工程师 · 从多模态理解走到视觉工具与实时交互
Transformer 架构 → 多模态 AI → 多模态 Agent → 推理优化 → 生产部署
AI 安全与评测工程师 · 从评测方法走到风险控制与线上监测
LLM 基础 → Prompt Engineering → 安全与评估 → Agent 可观测性 → 生产部署
📚 题库导航
共 28 个专题、720 道题。点击分类展开完整目录。
🧠 基础与模型 · 6 个专题 / 174 道题
- 01 · LLM 基础 — Token、解码、Embedding、训练阶段、模型结构基础
- 02 · Prompt Engineering — Prompt、上下文设计、结构化输出与评测
- Transformer 架构 — Attention、位置编码、归一化与架构演进
- 07 · 模型训练 — LoRA、数据、训练、对齐与评估
- 08 · 推理优化 — KV Cache、量化、批处理与推测解码
- 19 · 推理框架 — vLLM、SGLang、TensorRT-LLM 与基准方法
🔎 RAG 与检索 · 3 个专题 / 64 道题
- 03 · RAG 系统 — 文档处理、检索、生成与常见问题
- 06 · 向量索引优化 — ANN 索引、混合检索、Rerank 与调参
- 20 · RAG 高级优化 — 自适应检索、评估、权限和生产治理
🤖 Agent 与协议 · 5 个专题 / 132 道题
- 05 · Agent 基础 — 工具调用、状态、记忆、循环与人工确认
- 13 · 多 Agent 系统 — 协作模式、任务分配、通信与故障处理
- 14 · MCP 与 Skills — MCP 原语、能力发现、JSON-RPC 错误码、Root 访问控制、Transport 选型、多 Server 编排、规范演进、可观测性
- 22 · Agent 规划与反思 — 规划、重规划、验证、反思和终止
- 23 · Agent 可观测性 — Trace、指标、评估、告警与成本归因
🏗️ 工程与系统设计 · 7 个专题 / 141 道题
- 09 · 安全与评估 — 内容安全、Prompt 注入、隐私、红队和评测
- 10 · 生产部署 — 网关、限流、流式输出、可靠性与发布
- 12 · 框架与工具 — 框架抽象、选型、测试和迁移
- 24 · Python 工程 — 异步、类型、测试、重试和性能排查
- 25 · AI 系统设计 — 客服、知识库、网关、任务系统和审核系统
- 26 · FDE 工程师 — 问题拆解、客户交付、生产 AI 系统与现场工程
- 28 · 测试 Harness 与评测 — Test Harness、mock/stub/fake/spy、LLM Eval Harness 与灰度评测
🔭 多模态与前沿方向 · 4 个专题 / 103 道题
- 11 · 多模态 AI — 图像、音频、视频与多模态检索
- 15 · 高级专题 — 尚未完全稳定的研究和工程方向
- 17 · AI 编程工具 — Coding Agent、代码评测、上下文和团队治理
- 21 · 多模态 Agent — GUI、文档、视频和视觉工具调用
💼 面试准备 · 3 个专题 / 53 道结构化训练题
- 16 · 简历与面试技巧 — 简历、项目表达、行为面试与追问
- 18 · 面试题来源整理 — 按公司整理面试考点，使用时注意来源可信度
- 27 · 项目经验 — 项目说明、指标、技术取舍和事故复盘
🧭 高效使用这套题库
- 先说判断，再讲知识：面试官通常更关心你如何选择，而不是能否背出定义。
- 用真实数据替换示例：延迟、吞吐、成本和准确率必须来自你的实验或项目记录。
- 主动补充边界条件：说明方案何时有效、何时失效，以及如何监控和回滚。
- 检查时效性信息：产品版本、论文数据和性能结论可能变化，优先核对官方文档与原论文。
☕ 支持项目
这份面经会持续免费开放。整理、筛选、校对和维护内容需要投入不少时间；如果它帮你节省了备战时间，欢迎请作者喝一杯奶茶。每一份支持都会成为继续更新题库、核对资料和优化答案的动力。
[!NOTE] 打赏完全自愿，不会解锁额外内容。不方便打赏也没关系，点一个 Star、分享项目或提交真实面试反馈，都是很大的支持。
🥤 请作者喝杯奶茶（微信 / 支付宝）
微信支付
支付宝
[](assets/sponsor/wechat-pay.jpg)
[](assets/sponsor/alipay.jpg)
点击二维码可查看原图 · 感谢你的支持 ❤️
🤝 内容质量与贡献
本项目坚持“题目质量优先于数量”。新增或修改题目前，请先阅读 内容质量规范。本仓库不接受无来源的精确效果数字、虚构的一线面试标签或第一人称项目战绩。
提交前请按规范人工检查失效链接、页内锚点、题号、重复标题和来源。
发现错误，欢迎提交 Issue；想补充考点或优化答案，欢迎提交 Pull Request。
如果这个项目对你有帮助，欢迎点一个 Star，也欢迎把你的真实面试反馈沉淀回来，让题库持续变好。