guocong-bincai/ai-interview-guide

ai-interview-guide 是一个免费、开源的面试准备资料集，面向申请AI相关工程职位的人。它组织为题库加学习材料，旨在覆盖多种AI角色——不仅仅是单一职位。README将其描述为“面向所有AI职位的系统性面试指南”，并提供针对不同角色的学习路线，这样你就不必从头到尾全部学习。

包含内容

• 28个主题领域和720道题。 主题包括LLM基础、提示工程、RAG系统、Transformer架构、AI代理、向量搜索、模型训练、推理优化、AI安全、生产部署、多模态AI等。（一个部分说“673道面试题”，另一个部分说“28个主题共720道题”——两个数字都出现在README中。）
• 每道题配一张图。 项目为每道题配了一张动漫/漫画风格的“知识图解”。这些图不是装饰：每张图都是在阅读完整问题和答案后制作的，旨在捕捉核心机制、工程流程、常见错误和一行记忆钩子。理念是先记住图片，然后扩展成口头回答。
• 11套幻灯片（共495页），名为“深入LLM”。 这些是课程式PDF，主题包括微调和部署、提示和思维链、知识编辑、数学推理、文本水印、越狱攻击/防御、文本隐写、多模态模型、GUI代理、代理安全和RLHF对齐。

答案的设计方式

项目的答案刻意超越“什么是X”。它们还旨在解释：为什么做出这个选择，如何验证，以及如何权衡质量、延迟、成本、安全性、复杂性和替代方案。README称之为“工程权衡”重点。

每道题都设计为三种版本练习：

1. 30秒版本 — 先给出结论和核心判断。
2. 3分钟版本 — 添加原理、选项比较和工程权衡。
3. 追问版本 — 解释如何验证，失败时该怎么做，以及为什么不使用替代方法。

针对角色的学习路径

README为每个角色建议了不同的阅读顺序，例如：

• LLM应用工程师：LLM基础 → 提示 → RAG → 代理基础 → 生产部署 → AI系统设计
• RAG工程师：LLM基础 → RAG → 向量索引 → 高级RAG → 安全/评估 → 代理可观测性
• 代理工程师：提示 → 代理基础 → 规划/反思 → 多代理 → MCP/技能 → 可观测性
• 模型训练/推理工程师：Transformer → 模型训练 → 推理优化 → 推理框架 → 生产部署
• 前向部署工程师（FDE）：项目经验 → Python工程 → AI系统设计 → 生产部署 → FDE主题
• 多模态工程师：Transformer → 多模态 → 多模态代理 → 推理优化 → 生产部署
• AI安全/评估工程师：LLM基础 → 提示 → 安全/评估 → 可观测性 → 生产部署

内容质量规则

项目声明优先考虑“问题质量而非纯粹数量”。README中的具体规则：

• 没有来源的精确性能数字不得出现。
• 不得编造“大公司面试”标签。
• 不得使用第一人称项目成就。
• 提交更改前，贡献者必须手动检查断链、页内锚点、问题编号、重复标题和来源。
• 自动审计检查断链、重复问题和缺少必需数据的条目。

如何使用

README的快速入门建议：

• 首次学习者：遵循上述角色路线。
• 面试前快速复习：从“按公司面试题”部分开始，然后回到薄弱主题。
• 准备深度项目问题：练习项目经验和AI系统设计部分。
• 准备FDE角色：练习FDE部分（开放式问题分解、客户交付、生产AI系统）。
• 一般建议：先给出判断，然后解释知识；用自己实验或项目中的真实数据替换占位符示例数字；说明解决方案何时有效、何时失败，以及如何监控和回滚；并针对时间敏感细节（产品版本、论文结果、性能声明）核对官方来源。

其他细节

• README已翻译成中文、英语、日语、韩语、巴西葡萄牙语和西班牙语。
• 项目采用MIT许可证。
• 维护者接受自愿“打赏”（通过微信/支付宝二维码），但声明这完全可选，不解锁任何额外内容；给仓库加星、分享或提交真实面试反馈被描述为同样有价值的支持。
• 仓库包含两份治理文档：内容质量规范（CONTENT_QUALITY.md）和插图制作规范（ILLUSTRATION_GUIDE.md）。