km1994/LLMs_interview_notes

これは何か？

LLMs_interview_notes（README では「AIGC 面接宝典」とも呼ばれる）は、大規模言語モデル（LLM）アルゴリズム職向けの中国語の面接問題集です。800 問以上の高頻出面接問題を、一般的な面接リポジトリのように企業や記事ごとではなく、トピックごとに整理しています。

主な特徴

試験ポイントごとに整理：各問題には難易度評価（⭐、⭐⭐、⭐⭐⭐）があります
構造化された回答：各問題は同じ 3 部構成に従います：
1. 一言回答
2. なぜの深い説明
3. 面接官が尋ねそうなフォローアップ質問
暗記ではなく推論に焦点：問題は定義ではなく、「なぜ」、「トレードオフの比較方法」、「実装方法」を強調します
最新情報：Harness Engineering、Loop Engineering、GraphRAG、MCP など、2026 年までのトピックをカバー
コミュニティ駆動：ユーザーは Issues で新しい質問を提出し、Pull Requests で回答を修正できます

コンテンツモジュール

モジュール	問題数	詳細解説あり
RAG（検索拡張生成）	160	40 問完全解説
Agent	100	24 問完全解説
RL 後訓練（RLHF/PPO/DPO/GRPO）	120	40 問完全解説
Hermes Agent	100	22 問完全解説
Loop Engineering	100	100 の回答キーポイント
GraphRAG（知識グラフ）	100	100 の回答キーポイント
物体検出とコンピュータビジョン	100	100 の回答キーポイント
クラシックトピック（30+ サブトピック）	数百	トピックリスト + トピック別回答リンク

クラシックトピックには、LLM 基礎、ファインチューニング、LangChain、RAG、PEFT、推論、分散トレーニング、Agent、位置エンコーディング、トークナイザー、幻覚、モデル比較、CoT、MoE、蒸留、マルチモーダル、KV Cache、ロールプレイ、DeepSeek-R1、MCP、コンテキストエンジニアリング、Qwen3 などが含まれます。

完全な詳細解説付きの 126 問がリポジトリでオープンソース化されています。RAG 基礎、チャンキング戦略、埋め込み、Agent 基礎、RLHF、PPO、DPO、Harness Engineering をカバーしています。

対象読者

LLM アルゴリズムまたは AI Agent の面接を準備している学生または専門家（新卒、経験者、転職者）
CV、NLP、またはバックエンドから AIGC に移行するエンジニア
難易度別の問題を直接使用できる面接官
LLM 知識を体系的に復習したい人

効果的な使用方法（README より）

最初のパス：⭐ の問題をスキャンしてメンタルマップを作成——1 日約 20 問、2 週間
スピーキング練習：画面を閉じて、⭐⭐ の問題を 1 分間声に出して説明し、回答と照合
模擬面接：⭐⭐⭐ のシナリオ問題（Loop Engineering、GraphRAG、物体検出から）を使用してソリューションを設計し、トレードオフを議論——各問題には「テストされる内容」と「得点につながる内容」が含まれます

役割別の推奨パス：

アルゴリズム職：クラシックトピック（基礎 → ファインチューニング → 分散トレーニング → メモリ最適化）、次に RL 後訓練（120 問）
Agent/アプリケーション職：Agent（100）→ Hermes → Loop Engineering → MCP/コンテキストエンジニアリング
CV/NLP から転向：基礎 + 位置エンコーディング + トークナイザー、次に RAG と Agent
1 週間だけ：⭐ の問題と、対象職種のクラシックトピックセクションのみ

問題形式の例

【⭐⭐】「RAG の効果の 70% はチャンキングで決まる」と言われるのはなぜか？

💡 テストされる内容：チャンキングが検索品質に決定的な影響を与えることを理解しているか、単に chunk_size を調整するだけではないか
🎯 得点につながる内容：チャンキング → 検索 → 生成のチェーンを説明する；具体的なチャンクサイズの範囲を示す
✅ 回答キーポイント：チャンキングは検索単位の情報の完全性を決定します。小さすぎるとセマンティクスを壊し、大きすぎるとノイズに埋もれます……

実際の面接問題の例（README より）

「長文脈モデル（例：1M トークンコンテキストの Gemini 1.5 Pro）は RAG を置き換えられるか？」

README によると、面接官は単純な「はい」または「いいえ」を求めているのではなく、コスト、即時性、トレーサビリティの次元で分解することを求めています。これらの次元を特定できることが高得点につながります。

貢献モデル

Issues：新しい質問を提出
Pull Requests：回答を修正または改善
メンテナーがすべての提出をレビュー

現在のステータス

最近のコミットで積極的にメンテナンスされています
バッジはスター、フォーク、最終コミットステータスを示します
PR は歓迎です（README バッジによる）