km1994/LLMs_interview_notes

这是什么？

LLMs_interview_notes（在 README 中也称为“AIGC 面试宝典”）是一个中文的大语言模型（LLM）算法岗位面试题库。它包含 800+ 道高频面试题，按主题组织，而不是像常见的面试仓库那样按公司或文章组织。

主要特点

按考点组织：每道题都有难度评级（⭐、⭐⭐、⭐⭐⭐）
结构化答案：每道题都遵循相同的三部分格式：
1. 一句话答案
2. 对为什么的深入解释
3. 面试官可能追问的问题
注重推理，而非记忆：问题强调“为什么”、“如何权衡取舍”和“如何实现”，而不是定义
紧跟前沿：涵盖到 2026 年的主题，包括 Harness Engineering、Loop Engineering、GraphRAG 和 MCP
社区驱动：用户可以通过 Issues 提交新问题，通过 Pull Requests 修正答案

内容模块

模块	题目数量	详细解答数量
RAG（检索增强生成）	160	40 题完整解答
Agent	100	24 题完整解答
RL 后训练（RLHF/PPO/DPO/GRPO）	120	40 题完整解答
Hermes Agent	100	22 题完整解答
Loop Engineering	100	100 个答案要点
GraphRAG（知识图谱）	100	100 个答案要点
目标检测与计算机视觉	100	100 个答案要点
经典主题（30+ 子主题）	数百	主题列表 + 各主题答案链接

经典主题包括：LLM 基础、微调、LangChain、RAG、PEFT、推理、分布式训练、Agent、位置编码、tokenizer、幻觉、模型对比、CoT、MoE、蒸馏、多模态、KV Cache、角色扮演、DeepSeek-R1、MCP、上下文工程、Qwen3 等。

126 道带完整详细解答的题目已在仓库中开源，涵盖 RAG 基础、分块策略、嵌入、Agent 基础、RLHF、PPO、DPO 和 Harness Engineering。

适合谁？

准备 LLM 算法或 AI Agent 面试的学生或专业人士（校招、社招或转行）
从 CV、NLP 或后端转向 AIGC 的工程师
需要可直接使用的分级题目的面试官
任何希望系统复习 LLM 知识的人

如何有效使用（来自 README）

第一遍：浏览 ⭐ 题目，建立知识地图——每天约 20 题，持续两周
练习表达：关闭屏幕，用一分钟口头解释 ⭐⭐ 题目，然后对照答案检查
模拟面试：使用 ⭐⭐⭐ 场景题（来自 Loop Engineering、GraphRAG、目标检测）设计解决方案并讨论权衡——每题都包含“考察点”和“得分点”

按角色的建议路径：

算法岗位：经典主题（基础 → 微调 → 分布式训练 → 内存优化），然后 RL 后训练（120 题）
Agent/应用岗位：Agent（100）→ Hermes → Loop Engineering → MCP/上下文工程
从 CV/NLP 转行：基础 + 位置编码 + tokenizer，然后 RAG 和 Agent
只有一周：只做 ⭐ 题目，加上目标岗位的经典主题部分

示例题目格式

【⭐⭐】为什么说“RAG 效果的 70% 由分块决定”？

💡 考察点：你是否理解分块对检索质量的决定性影响，而不仅仅是调整 chunk_size
🎯 得分点：解释分块 → 检索 → 生成的链路；给出具体的分块大小范围
✅ 答案要点：分块决定了检索单元的信息完整性。太小会破坏语义；太大会淹没在噪声中……

示例真实面试题（来自 README）

“长上下文模型（例如，具有 1M token 上下文的 Gemini 1.5 Pro）能否取代 RAG？”

README 说面试官不想听到简单的“是”或“否”——他们希望你从成本、时效性和可追溯性维度进行拆解。能够识别这些维度是获得高分的关键。

贡献模式

Issues：提交新问题
Pull Requests：修正或改进答案
维护者会审查每个提交

当前状态

积极维护，有近期提交
徽章显示星标、fork 和最后提交状态
欢迎 PR（根据 README 徽章）