大模型面试宝典
AIGC / 大模型 / AI Agent 算法岗 · 800+ 高频面试考点
RAG 160 · Agent 100 · RL 后训练 120 · Hermes Agent 100 · GraphRAG 100 · Loop Engineering 100 · 目标检测 100 · 经典专题 30+
这是什么
一份中文编写、按考点组织、持续更新的大模型算法岗面试题库。
和"把别人的面经搬过来"不同，这里的每道题都按同一套结构写：先给一句话答案，再拆为什么，最后给面试官会追问什么。题目不考背诵，考的是你能不能把权衡讲清楚。
举个真题：长上下文模型（Gemini 1.5 Pro 1M token）能取代 RAG 吗？ 面试官不想听"能"或"不能"。他想听你从 成本、时效、可溯源 三个维度拆开讲——拆得出维度，就是高分。
这份题库的不同之处
| 常见面经仓库 | 本仓库 | |
|---|---|---|
| 组织方式 | 按文章 / 按公司 | 按考点，每题带难度 ⭐ ⭐⭐ ⭐⭐⭐ |
| 答案形态 | 大段概念复述 | 一句话答案 + 深度拆解 + 避坑指南 |
| 题目取向 | 名词解释、背诵题 | "为什么""怎么权衡""怎么落地" |
| 技术时效 | 停更在某个时间点 | 跟到 2026 年的真高频：Harness Engineering、Loop Engineering、GraphRAG、MCP |
| 参与方式 | 只能看 | Issue 提新题 / PR 修答案，每条都看 |
适合谁
- 🎯 正在准备 大模型算法岗、AI Agent 岗 面试的同学（校招 / 社招 / 转岗都适用）
- 🔄 从 CV、NLP、后端 转 AIGC 的工程师——先补主干，再看方向
- 🧑💼 需要出题的 面试官——题目已按难度分层，可直接取用
- 📚 想系统梳理一遍大模型知识图谱的人
🗂️ 目录导航
| 模块 | 题量 | 已完成内容 | 直达 |
|---|---|---|---|
| 大模型 RAG | 160 | 40 题逐题详解 | 进入 → |
| 大模型 Agent | 100 | 24 题逐题详解 | 进入 → |
| 强化学习后训练（RLHF / PPO / DPO / GRPO） | 120 | 40 题逐题详解 + 作答要点 | 进入 → |
| Hermes Agent 专题 | 100 | 22 题逐题详解 + 作答要点 | 进入 → |
| Loop Engineering | 100 | 100 题作答要点 | 进入 → |
| 知识图谱 GraphRAG | 100 | 100 题作答要点 | 进入 → |
| 目标检测与机器视觉 | 100 | 100 题作答要点 | 进入 → |
| 经典专题（30+） | 数百考点 | 专题题单 + 逐专题答案入口 | 进入 → |
经典专题包含哪些方向？（点击展开）
大模型基础面 · 进阶面 · 微调 · LangChain · RAG · PEFT · 推理 · 增量预训练 · 评测 · 强化学习 · 训练集 · 显存优化 · 分布式训练 · Agent · 位置编码 · Tokenizer · 推理加速 · 幻觉 · 模型对比 · CoT · 数据泄露 · MoE · 蒸馏 · 软硬件配置 · Token 与参数 · 多模态 · NLP · KV Cache · 角色扮演 · Chat o1 · DeepSeek-R1 · 推理大模型 · Kimi 1.5 · MCP · 上下文工程 · Qwen3
每个专题都配了对应的答案目录，点进专题里的"点击查看答案"即可。
已开源的逐题详解，直接看这里（126 题）
| 详解文件 | 覆盖 |
|---|---|
| RAG 基础篇 15 题 | 概念、Pipeline、Embedding、检索、幻觉 |
| RAG 分块策略 15 题 | 固定/递归/语义/延迟分块、代码与表格处理 |
| RAG Embedding 10 题 | 模型选型、维度、微调、ColBERT、SPLADE |
| Agent 基础篇 24 题 | Agent 概念、ReAct、工具调用、记忆系统 |
| RL 后训练基础 | RLHF 全流程、奖励模型、KL 约束 |
| PPO 深度解析 | 4 模型结构、优势函数、公式手推 |
| DPO 深度解析 | DPO 与 PPO 的取舍、损失函数推导 |
| Harness Engineering 基础 | Agent = Model + Harness、路由/记忆/权限 |
| Harness 自进化核心 | 技能自动生成、Nudge Engine、学习闭环 |
🚀 怎么刷效率最高
第一步：先扫 ⭐ 题，建立主干。 从 RAG 核心概念 和 Agent 基础 入手，每天 20 题，两周过一遍。这一步只求"见过"，不求背熟。
第二步：练"讲"，别练"看"。 对着 ⭐⭐ 高频题，合上屏幕自己讲一分钟，再对照答案查漏。面试考的是表达，不是记忆力。
第三步：用 ⭐⭐⭐ 场景题做模拟面试。 拿 Loop Engineering、GraphRAG、目标检测 里的开放题自己出方案、讲权衡——这些题每题都写了「考察点 / 得分项」，正好用来给自己打分。
按岗位选路线：
- 算法岗：经典专题的「基础面 → 微调 → 分布式训练 → 显存优化」，再切 RL 后训练 120 题
- Agent / 应用岗：Agent 100 题 → Hermes 专题 → Loop Engineering → 经典专题的 MCP / 上下文工程
- 从 CV/NLP 转 AIGC：经典专题的「基础面 + 位置编码 + Tokenizer」打底，然后直奔 RAG 与 Agent
- 时间只剩一周：只过 ⭐ 题 + 经典专题 里你目标岗位对应的那一栏
🧭 题目长什么样
每道题都是同一套三段结构，方便你直接搬进自己的答题模板：
【⭐⭐】为什么说"RAG 70% 的效果由分块决定"？
💡 考察点：是否理解分块对召回质量的决定性影响，而不是只会调 chunk_size
🎯 得分项：能说清 分块 → 召回 → 生成 的传导链路；能给出具体 chunk 大小区间
✅ 作答要点：分块决定了检索单元的信息完整度。切碎了语义断裂，切大了噪声淹没……
🗓️ 更新计划
| 状态 | 内容 |
|---|---|
| ✅ 已完成 | RAG 40 题、Agent 24 题、RL 后训练 40 题、Hermes 22 题 逐题详解 |
| ✅ 已完成 | Loop Engineering / GraphRAG / 目标检测 各 100 题「考察点 + 得分项 + 作答要点」 |
| ✅ 已完成 | RAG 进阶篇与实战篇（41-160 题）逐题详解补齐 |
| ✅ 已完成 | Agent 工具系统、多 Agent 协作章节详解 |
| 📌 计划中 | 面经投稿真实面试复盘、大厂题库整理、季度高频考点变化 |
大模型这行变化快，本仓库会持续跟。想第一时间拿到更新，可以关注公众号（见文末）。
🤝 参与共建
内容靠大家，欢迎以任何方式参与：
- 提出问题 / 补充新题 → 提 Issue
- 修正答案、改错别字、补链接 → 提 Pull Request，哪怕只改一个字
- 分享真实面经 → 在 Issue 里按「公司 / 岗位 / 轮次 / 题目 / 复盘」写下来，我会整理进仓库
- 发现题目过时或有争议 → 直接说出来，标注依据即可
具体的提交规范见 CONTRIBUTING.md。每一条 Issue 和 PR 我都会看，有贡献的伙伴会出现在更新说明里。
⭐ 觉得有用？
如果这份题库帮到了你的面试准备，点一个 Star 就是最大的支持——它能让更多正在准备面试的人搜到这份内容，也能让我知道该继续投入。
也欢迎把它转给身边正在准备大模型面试的朋友。
📮 持续更新的地方
题库的完整答案、更新最快的部分，放在公众号和知识星球的《大模型面试宝典》专栏：
- 公众号：关于NLP那些你不知道的事 —— 回复「大模型」领取高频考点 PDF
- 知识星球「大模型面试宝典」 —— 实战篇 / 场景题的完整解析与更新
⚠️ 声明
- 本仓库内容由作者根据一线面试与工程实践整理，免费开源，欢迎转载分享（请附仓库链接）。
- 部分进阶题标注「可参考最新论文」，个别说法（如"RAG 70% 效果由分块决定"）属业内流传经验，暂无严格论文出处，请以批判视角看待。
- 若发现错误，欢迎提 Issue 纠错——被指出错误并修正，比不出错更重要。