km1994/LLMs_interview_notes

이것은 무엇인가?

LLMs_interview_notes(README에서 "AIGC 면접 보물책"이라고도 함)는 대규모 언어 모델(LLM) 알고리즘 직무를 위한 중국어 면접 문제집입니다. 800개 이상의 고빈도 면접 문제를 일반적인 면접 저장소처럼 회사나 기사별로 정리하지 않고 주제별로 정리합니다.

주요 특징

시험 포인트별 정리: 각 문제에는 난이도 등급(⭐, ⭐⭐, ⭐⭐⭐)이 있습니다
구조화된 답변: 모든 문제는 동일한 3부분 형식을 따릅니다:
1. 한 문장 답변
2. 왜에 대한 심층 설명
3. 면접관이 물어볼 가능성이 높은 후속 질문
암기가 아닌 추론에 초점: 문제는 정의보다 "왜", "트레이드오프를 어떻게 비교할지", "어떻게 구현할지"를 강조합니다
최신 정보: Harness Engineering, Loop Engineering, GraphRAG, MCP를 포함한 2026년까지의 주제를 다룹니다
커뮤니티 주도: 사용자는 Issues를 통해 새 질문을 제출하고 Pull Requests를 통해 답변을 수정할 수 있습니다

콘텐츠 모듈

모듈	질문 수	상세 해설 수
RAG(검색 증강 생성)	160	40개 완전 해설
Agent	100	24개 완전 해설
RL 후훈련(RLHF/PPO/DPO/GRPO)	120	40개 완전 해설
Hermes Agent	100	22개 완전 해설
Loop Engineering	100	100개 답변 핵심 포인트
GraphRAG(지식 그래프)	100	100개 답변 핵심 포인트
객체 감지 및 컴퓨터 비전	100	100개 답변 핵심 포인트
클래식 주제(30+ 하위 주제)	수백 개	주제 목록 + 주제별 답변 링크

클래식 주제에는 LLM 기초, 파인튜닝, LangChain, RAG, PEFT, 추론, 분산 훈련, Agent, 위치 인코딩, 토크나이저, 환각, 모델 비교, CoT, MoE, 증류, 멀티모달, KV Cache, 롤플레이, DeepSeek-R1, MCP, 컨텍스트 엔지니어링, Qwen3 등이 포함됩니다.

완전한 상세 해설이 포함된 126개 질문이 저장소에 오픈소스로 공개되어 있습니다. RAG 기초, 청킹 전략, 임베딩, Agent 기초, RLHF, PPO, DPO, Harness Engineering을 다룹니다.

대상 독자

LLM 알고리즘 또는 AI Agent 면접을 준비하는 학생 또는 전문가(신입, 경력, 전직)
CV, NLP 또는 백엔드에서 AIGC로 전환하는 엔지니어
난이도별 질문을 바로 사용할 수 있는 면접관
LLM 지식을 체계적으로 복습하려는 모든 사람

효과적인 사용 방법(README에서)

첫 번째 패스: ⭐ 질문을 훑어 멘탈 맵을 구축——하루 약 20개, 2주 동안
말하기 연습: 화면을 닫고 ⭐⭐ 질문을 1분 동안 소리 내어 설명한 후 답변과 대조
모의 면접: ⭐⭐⭐ 시나리오 질문(Loop Engineering, GraphRAG, 객체 감지에서)을 사용하여 솔루션을 설계하고 트레이드오프를 논의——각 질문에는 "테스트하는 내용"과 "득점 포인트"가 포함됩니다

역할별 권장 경로:

알고리즘 직무: 클래식 주제(기초 → 파인튜닝 → 분산 훈련 → 메모리 최적화), 그 다음 RL 후훈련(120개)
Agent/애플리케이션 직무: Agent(100) → Hermes → Loop Engineering → MCP/컨텍스트 엔지니어링
CV/NLP에서 전환: 기초 + 위치 인코딩 + 토크나이저, 그 다음 RAG와 Agent
1주일만: ⭐ 질문과 대상 직무의 클래식 주제 섹션만

예시 질문 형식

【⭐⭐】"RAG 효과의 70%는 청킹에 의해 결정된다"고 말하는 이유는 무엇인가?

💡 테스트 내용: 청킹이 검색 품질에 미치는 결정적 영향을 이해하는지, 단순히 chunk_size를 조정하는 것이 아닌지
🎯 득점 포인트: 청킹 → 검색 → 생성의 체인을 설명; 구체적인 청크 크기 범위 제시
✅ 답변 핵심 포인트: 청킹은 검색 단위의 정보 완전성을 결정합니다. 너무 작으면 의미를 깨뜨리고, 너무 크면 노이즈에 묻힙니다...

실제 면접 질문 예시(README에서)

"긴 컨텍스트 모델(예: 1M 토큰 컨텍스트의 Gemini 1.5 Pro)이 RAG를 대체할 수 있는가?"

README에 따르면 면접관은 단순한 "예" 또는 "아니오"를 원하지 않습니다——비용, 적시성, 추적 가능성 차원으로 분해하기를 원합니다. 이러한 차원을 식별할 수 있는 것이 높은 점수를 얻는 핵심입니다.

기여 모델

Issues: 새 질문 제출
Pull Requests: 답변 수정 또는 개선
관리자가 모든 제출을 검토합니다

현재 상태

최근 커밋으로 활발히 유지 관리 중
배지는 스타, 포크, 마지막 커밋 상태를 표시
PR 환영(README 배지에 따름)