简体中文 · English · 日本語 · 한국어 · Português do Brasil · Español · Bahasa Indonesia
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 · 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。
|
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。 |
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。 |
|
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。 |
599 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。 |
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。
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。 |
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。 |
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。 |
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。 |
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。 |
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。 |
01–20 共 20 个核心专题、490 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
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。
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。
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
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
共 28 个专题、599 道题。点击分类展开完整目录。
🧠 基础与模型 · 6 个专题 / 141 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 / 62 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 / 127 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、授权与协议安全
- 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 / 137 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 / 99 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 / 28 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
- 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。
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 |
|---|---|
|
|
点击二维码可查看原图 · 感谢你的支持 ❤️
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。