跳转至
←
低熵体的笔记本
AI面试题合集（机器学习 深度学习 自然语言）（2）
🌙
正在初始化搜索引擎
首页
更新记录
友链
Vibe Coding
大模型面试八股文
低熵体的笔记本
首页
更新记录
友链
Vibe Coding
Vibe Coding
智绘诞生记
大模型面试八股文
大模型面试八股文
AI Agent精选八股文
AI Agent精选八股文
AI 最前线 (Harness_沙箱部署_K8s)篇
AI 最前线 (Harness_沙箱部署_K8s)篇
AI前沿技术与概念
Agent Memory篇
Agent Memory篇
记忆管理
记忆管理
AI Agent 记忆系统的四层架构各层的职责与存储介质是什么？
Agent 的长期记忆如何设计？向量库和 KV 存储如何配合？
在一个客服 Agent 中，用户第 50 次对话时提到了第 3 次对话的偏好，Agent 该如何 记得 ？
如何在有限 Token 下保留关键信息？
如何设计一个高效的对话记忆管理系统？
有哪种记忆，对应到 AI Agent 中分别是什么？
Agent Skill篇
Agent Skill篇
Agent Skill 和普通函数有什么区别？
Agent 框架中通常如何实现 Skill 的注册与发现机制？
Agent 调用 Skill 时，如何防止 Skill 中的 prompt injection 攻击？
Skill 如何共享 Agent 的上下文（Context）？上下文的数据结构一般如何设计？
Skill 执行出错时，错误信息如何暴露？既要方便调试，又不能泄露系统内部敏感信息。
Skill 执行完毕后，它的状态和中间结果如何持久化？什么情况下需要持久化，什么情况下不需要？
Skill 的典型生命周期是怎样的？从注册、触发到销毁会经历哪些阶段？
Skill 的执行结果如何反馈给 Agent，用于后续的自我改进或反思？
Skill 的版本管理如何设计？当多个版本的同一 Skill 并存时，Agent 如何选择？
Skill 编排时如何做超时控制和熔断？如果一个 Skill 长时间无响应，整体流程如何处理？
一个 Skill 请求调用敏感操作（如转账），设计一套安全的确认与审计机制。
举例说明，一个“发送邮件”的 Skill 应该包含哪些必要字段和约束？
什么是 Agent 中的 Skill？它和传统意义上的 API 或函数调用有什么本质区别？
你有多个 Skill 提供相似功能时，Agent 如何根据用户意图进行自动路由和选择？
多个 Skill 并发执行时，如何避免上下文数据竞争或不一致？
如何在运行时动态加载和卸载 Skill，而不中断 Agent 主进程？
如何处理 Skill 之间的依赖关系？比如 Skill A 的输出是 Skill B 的输入。
如何对 Skill 进行 A
如何对 Skill 进行 A
B 测试？在 Agent 场景下与传统 Web 服务的 A
B 测试？在 Agent 场景下与传统 Web 服务的 A
如何对 Skill 进行 A B 测试？在 Agent 场景下与传统 Web 服务的 A B 测试有何不同？
如何设计一个 Skill 市场或仓库，让第三方开发者可以提交和发布 Skill？
如何设计一个 Skill 的描述
如何设计一个 Skill 的描述
如何设计一个 Skill 的描述 元信息结构，使 Agent 能够自动理解和选用合适的 Skill？
如何评估一个 Skill 的质量？有哪些可量化的指标？
如何限制一个 Skill 的执行权限？比如禁止访问文件系统或网络。
如果 Skill 执行过程中需要用户确认或补充信息，如何设计 Skill 的断点续执行机制？
实际落地中，你遇到过 Skill 设计的哪些反模式？如何避免？
当 Agent 在长对话中使用了大量 Skill，上下文窗口超出 LLM 限制时，如何处理 Skill 产生的历史信息？
当 Agent 错误地选择了一个不合适的 Skill 导致任务失败，如何通过 feedback loop 优化 Skill 选择策略？
当一个复杂任务需要多个 Skill 协作完成时，编排逻辑应该放在哪里？Agent 核心还是 Skill 内部？
当你允许第三方 Skill 在你的 Agent 中运行时，需要做哪些安全隔离？
用户在同一次对话中多次调用同一个 Skill，Skill 内部如何维护会话级别的状态？
能否举一个实际场景，说明如何使用 DAG（有向无环图）来编排多个 Skill 的执行？
Agent Tool篇
Agent Tool篇
AI Agent精选八股文
Agent 基础篇
Agent 基础篇
🌐A2A 协议是什么？它解决了什么问题？
Agent 核心概念与组件
LLM 应用开发
🔌 MCP 是什么？它解决了什么问题？
Agent 架构篇
Agent 架构篇
Agent Framework
Agent Framework
Agent 调试工具
AutoGen
CrewAI 工作流编排
LangChain
LangGraph
SpringAI
[LangChain / LangGraph / SpringAl / LangChain4J /
Multi Agent 协作
Agent 系统设计篇
Agent 系统设计篇
系统设计
Agent 评测篇
Agent 评测篇
Agent 观测体系
Agent 评估体系
工程实践与可观测性
Agent 部署 观测篇
Agent 部署 观测篇
多 Agent 可观测性与调试
部署和成本控制
1.请解释Agent的核心组件有哪些，并说明它们之间的协作关系
Cache & DataBase篇
Cache & DataBase篇
Elasticsearch 搜索与 Agent 知识库
MongoDB 文档存储与聚合管道
Redis 核心基础与持久化
一、分布式数据库与一致性
一、消息队列与数据库协同
缓存一致性策略
Distributed systems and consistency篇
Distributed systems and consistency篇
分布式共识算法
Message Queue篇
Message Queue篇
消息队列与分布式中间件
一、消息队列与数据库协同
一、消息队列核心概念
RAG & Vector Database篇
RAG & Vector Database篇
RAG 链路设计
RAG 技术
Spring
Spring
MVC
MVC
Mybatis FrameWork篇
Mybatis FrameWork篇
Mybatis 持久层框架
Spring Cloud 微服务生态
Spring MVC 与 WebFlux
IoC 容器与 AOP 原理
Spring Boot 与自动装配
大模型基础篇
大模型基础篇
Doing
Prompt 设计
大模型基础
推理优化
语言基础篇
语言基础篇
Java
Java
Arrays.sort是使用什么排序算法实现的？
BigDecimal(double)和BigDecimal(String)有什么区别？
BigDecimal和Long表示金额哪个更合适，怎么选择？ (1)
BigDecimal和Long表示金额哪个更合适，怎么选择？
Integer a=1000，Integer b=1000，==是什么结果，如果是100呢？
JDK 9中对字符串的拼接做了什么优化？
JDK新版本中都有哪些新特性？
Java中Timer实现定时调度的原理是什么？
Java中创建对象有哪些种方式
Java中异常分哪两类，有什么区别？
Java中有了基本类型为什么还需要包装类？
Java中的static都能用来修饰什么？ (1)
Java中的static都能用来修饰什么？
Java和C++主要区别有哪些？各有哪些优缺点？
Java序列化的原理是啥
Java是值传递还是引用传递？
Java有协程吗？ (1)
Java有协程吗？
Java注解的作用是啥
Java的动态代理如何实现？
Lambda表达式是如何实现的？
RPC接口返回中，使用基本类型还是包装类？
SimpleDateFormat是线程安全的吗？使用时应该注意什么？
Stream的并行流一定比串行流更快吗
Stream的并行流一定比串行流更快吗？
String a = ab ; String b = a + b ; a == b 吗？
String str=new String( hollis )创建了几个对象？
String、StringBuilder和StringBuffer的区别？
String中intern的原理是什么？
String为什么设计成不可变的？
String是如何实现不可变的？
String有长度限制吗？是多少？
Char能存储中文吗？
Finally中代码一定会执行吗？
Final、finally、finalize有什么区别
serialVersionUID 有何用途 如果没定义会有什么问题？
try中return A，catch中return B，finally中return C，最终返回值是什么？
While(true)和for(;;)哪个性能好？
为什么JDK 9中把String的char[]改成了byte[]？ (1)
为什么JDK 9中把String的char[]改成了byte[]？
为什么Java不支持多继承？
为什么Java中的main方法必须是public static void的？ (1)
为什么Java中的main方法必须是public static void的？
为什么不建议使用异常控制业务流程 (1)
为什么不建议使用异常控制业务流程
为什么不能用BigDecimal的equals方法做等值比较？
为什么不能用浮点数表示金额？
为什么对Java中的负数取绝对值结果不一定是正数？
为什么建议多用组合少用继承？
为什么建议自定义一个无参构造函数
为什么这段代码在JDK不同版本中结果不同
什么是AIO、BIO和NIO？
什么是SPI，和API有啥区别
什么是UUID，能保证唯一吗？
什么是反射机制？为什么反射慢？
什么是序列化与反序列化
什么是泛型？有什么好处？
什么是深拷贝和浅拷贝？
什么是类型擦除？
你知道fastjson的反序列化漏洞吗
反射与封装是否矛盾？如何解决反射破坏封装不安全的问题？ (1)
反射与封装是否矛盾？如何解决反射破坏封装不安全的问题？
如何理解Java中的多态？
如何理解面向对象和面向过程？
字符串常量是什么时候进入到字符串常量池的？
常见的字符编码有哪些？有什么区别？
怎么修改一个类中的private修饰的String参数的值 (1)
怎么修改一个类中的private修饰的String参数的值
接口和抽象类的区别，如何选择？
有了equals为啥需要hashCode方法？ (1)
有了equals为啥需要hashCode方法？
泛型中K T V E ？ Object等分别代表什么含义。
泛型中上下界限定符extends 和 super有什么区别？
说几个常见的语法糖？
Python
Python
@dataclass 自动生成了哪些方法？
Agent 在处理 LLM 流式响应时，应该用什么方式逐 token 处理输出？
Agent 工具注册表用 list 存还是 dict 存，有什么区别？
Agent 并发调用多个 LLM 时，如何正确处理超时和取消？
Agent 并发调用多个工具，有的工具响应快有的慢，如何让用户尽早看到可用结果？
Agent 服务上线后内存持续增长，没有明显的代码 bug，如何排查？
Agent 服务跑了一段时间后内存持续增长，你怎么排查和解决？
Agent 框架冷启动慢，怀疑是 torch、sentence transformers 导入耗时，怎么优化？
Agent 框架里 LLM 客户端适合用单例吗？有什么替代方案？
Agent 消息对象用了 slots 之后，发现子类继承它时内存优化失效，怎么排查和修复？
Agent 系统中每次 LLM 调用都创建一个记录对象，如何优化这类高频小对象的内存占用？
Agent 系统里有多个模块都需要访问 LLM 客户端（如 openai.AsyncOpenAI），如何设计才能避免重复创建连接池，同时保证可测试性？
Agent 调用外部工具时，如何区分 应该重试 和 不应该重试 的错误？
Agent 调用搜索工具超时后，责任链的重试 Handler 用指数退避，但如果 LLM 的 context window 快满了，等待重试会浪费 token 预算，怎么设计？
Agent 配置接口里，用户传 memory limit=None 表示 不限制内存 ，不传则表示 用平台默认值 ，这两种语义怎么区分？
Agent 需要同时处理用户实时请求（高优先级）和后台批量任务（低优先级），如何设计任务调度？
LLM 返回的 JSON 解析失败了，你会怎么处理？
LangGraph 并行节点执行时，浅合并会导致什么问题，如何用 Annotated + reducer 正确解决？
Protocol 和 ABC 在定义接口时有什么本质区别？
Python import 时会重复执行模块代码吗？
Python 上下文管理器是什么，with 语句是怎么工作的？
Python 函数默认参数在什么时候求值？
Python 多继承的 MRO C3 算法原理是什么，super() 在多继承中如何工作？
Python 多重继承时，方法查找按什么顺序进行？
Python 字典底层哈希表的实现原理是什么？
Python 字典的时间复杂度是多少？
Python 异常类怎么自定义，什么时候该用自定义异常？
Python 描述符协议是什么？
Python 描述符是什么？
Python 普通实例为什么会有额外的内存开销？
Python 深拷贝和浅拷贝有什么区别？
Python 的 GIL 是什么，它对多线程有什么影响？
Python 的 MRO 是什么，怎么查看一个类的 MRO？
Python 的元类是什么？
Async def 和普通函数有什么本质区别？
asyncio.Queue 是什么，和普通 queue.Queue 有什么区别？
asyncio.Semaphore 是什么，怎么用？
Asyncio.gather 和 asyncio.as completed 分别是什么？
Await 关键字是如何在协程链上传播控制权的？
cProfile、line profiler、memory profiler 分别用来解决什么问题？
contextvars.ContextVar 解决了什么问题？
dataclass 与 slots 如何配合优化 Agent 数据模型，以及和 Pydantic 的选型策略？
dataclass 和 Pydantic BaseModel 的核心区别是什么？
functools 的 lru cache、partial、reduce 在 Agent 中如何应用，各自有什么限制？
Getattr 什么时候会被调用？
Getattr 和 getattribute 的本质区别是什么？
Lru cache 的参数有什么要求？
New 和 init 分别负责什么？
threading.Event、Lock、Queue 分别解决什么问题？
try
try
except
except
else
else
Try except else finally 四个子句分别在什么时候执行？
一个 Multi Agent 系统需要并发调用 10 个子 Agent，每个 Agent 内部又会调用 LLM，如何设计并发控制策略避免触发 OpenAI Rate Limit？
为什么要用 functools.wraps？
什么时候用 Protocol，什么时候用 ABC？
什么是单例模式，Python 里最简单的单例实现是什么？
列表推导式和生成器表达式有什么区别？
在 Agent 批量调用 LLM 时，Semaphore 满了任务会怎样？如何避免因退避重试导致槽位被长期占用？
在 Agent 流式输出场景中，如果用户中途关闭了浏览器，服务端应该如何感知并停止 LLM 调用，避免产生不必要的 Token 费用？
在 Agent 系统中，如何用 Python 实现线程安全的单例模式来管理全局配置？请对比不同实现方式的优缺点。
在 LLM 场景中，为什么要用指数退避而不是固定间隔重试？如果多个 Agent 实例同时触发重试，会出现什么问题，怎么解决？
在 LLM 应用开发中，如何利用 Pydantic 实现 LLM 结构化输出，并自动生成 Tool Schema？
在 LangChain 的 BaseModel 配置类中，为什么可以直接用 Field() 做类型校验，而不需要手写描述符？
在 LangChain 自定义 Tool 中，如果不用 Pydantic 定义参数 Schema 会怎样？
在 LangChain 这类 Agent 框架中，新增一种 Tool 类型时需要手动到处注册，有没有更优雅的方案？
在 LangChain 里不加 @functools.wraps 会怎样？
在 LangGraph 中，如果 Agent State 里有一个记录 已访问 URL 的集合，并行节点各自爬取不同的页面，怎么设计这个字段才不会出问题？
在 LangGraph 多步骤 Agent 中，如何用 ContextVar 实现全链路 trace id 透传，而不污染 AgentState？
在 LangGraph 节点接口设计中，应该用 Protocol 还是 ABC 来约束节点实现？
在 RAG 管道中，需要同时处理文档解析、Embedding 计算和向量存储写入三个步骤，如何设计并发架构最大化吞吐量？
在 RAG 系统中，对 Embedding 函数加 lru cache 时踩过哪些坑？
在基于线程的多 Agent 系统中，如何用 threading.Event、Lock、Queue 实现 Supervisor Worker 架构，保证任务分发的线程安全和优雅停止？
在处理 LLM 流式响应时，如何高效拼接 token？
在多 Agent 协作系统中，如何用上下文管理器实现跨服务的分布式链路追踪？
在定义 Agent 组件接口时，Python 的 Protocol 和 abc.ABC 各有什么特点，在 Agent 框架设计中应该如何选择？
在异步 AI Agent 服务中，如何用 ContextVar 实现请求级别的上下文隔离，避免并发请求间的数据污染？
在异步 Agent 框架中，能否用 threading.Queue 在协程之间传递任务？
在批量处理 LLM 请求时，gather 和 as completed 应该怎么选择？
在构建 AI Agent 框架时，Tool 参数校验和 Agent 配置管理应该用 Pydantic v2 还是 dataclass？
在构建 AI Agent 框架时，用多重继承组合 MemoryMixin、ToolMixin、LoggingMixin，MRO 和 C3 线性化算法是如何决定方法查找顺序的？
在构建 AI Agent 的工具调用链时，需要对大量 Tool 对象进行过滤和转换，请解释列表推导式、生成器表达式、map
在构建 AI Agent 的工具调用链时，需要对大量 Tool 对象进行过滤和转换，请解释列表推导式、生成器表达式、map
在构建 AI Agent 的工具调用链时，需要对大量 Tool 对象进行过滤和转换，请解释列表推导式、生成器表达式、map filter 三者的性能差异，以及在 Agent 数据处理场景中应该如何选择
在设计 AI Agent 的 Tool 注册函数时，可变默认参数陷阱是如何产生的？None 哨兵模式怎么解决？
在设计一个支持多家 LLM 提供商的 Agent 框架时，LLM 客户端接口应该用 Protocol 还是 ABC？
在高并发 AI Agent 系统中同时运行数千个 Agent 实例时，slots 的工作原理是什么？怎么正确使用它优化内存？
如何为 AI Agent 系统设计自定义异常层次，以及重试、降级、熔断三层容错机制？
如何将上下文管理器应用于 Agent 链路追踪，包括 LLM 调用耗时、异常捕获，以及与 OpenTelemetry 的结合？
如何根据 API 的 RPM
如何根据 API 的 RPM
如何根据 API 的 RPM TPM 限额合理设置 Semaphore 并发数，并结合 tenacity 构建完整并发控制方案？
如何用 Mixin 为 Agent 设计可插拔的能力组件？
如何用 asyncio.Queue 实现生产者 消费者模式调度 Agent 任务，并支持优雅关闭和优先级调度？
如何用 new 实现线程安全的单例模式？
如何用动态代理透明地为 Agent 所有工具调用加上日志和耗时监控？
如何用描述符实现 Agent 配置类的参数校验？
带参数装饰器和普通装饰器有什么区别？
当 AI Agent 系统出现响应慢、内存持续增长等性能问题时，如何使用性能分析工具链定位问题，并给出常见瓶颈的优化策略？
描述符协议的属性查找优先级是怎样的？property 的底层原理是什么？
生成器和普通函数有什么区别？
给 SmartAgent 加一个新的 TracingMixin，放在哪个位置最合适？如果放错了会怎样？
请解释 CPython 的引用计数机制和分代垃圾回收原理，以及在 AI Agent 中如何防范对话历史和 Tool 大对象导致的内存泄漏？
请解释 Protocol、TypeVar、Generic、Literal 的作用，并说明如何在 AI Agent 框架设计中用它们实现类型安全的工具注册和 Agent 接口约束。
请解释 Python 元类的工作原理，并实现一个基于元类的 Tool 自动注册系统，同时与 init subclass 方案对比。
请解释 Python 描述符的 get、set、delete 协议，并说明如何用描述符实现 Agent 配置的类型校验和环境变量注入？
请解释 Python 生成器的底层帧挂起原理，以及如何用异步生成器实现 LLM 流式输出的 FastAPI SSE 接口？
请解释 asyncio 事件循环的工作原理，以及如何在 Agent 中正确使用 asyncio.gather 并发调用 LLM、用 Semaphore 防止 Rate Limit？
请解释带参数装饰器的三层嵌套结构，并实现一个支持指数退避+抖动的 LLM 自动重试装饰器。
请解释责任链模式的设计原理，并说明如何将其应用于 Agent 工具调用失败的场景，实现多级降级策略？
请说明 GIL 的工作原理，以及在 AI Agent 中三类典型负载（LLM 调用、文档处理、Embedding 计算）应该如何选择并发方案？
责任链模式是什么？
LLM-RAG--AI agent面试题库
LLM-RAG--AI agent面试题库
大模型（LLMs）基础面
10 LLMs 训练经验帖
11 大模型（LLMs）langchain 面
多轮对话中让AI保持长期记忆的8种优化方式篇
13 基于langchain RAG问答应用实战
14 基于LLM+向量库的文档对话 经验面
15 大模型 RAG 经验面 Copy
16 LLM文档对话 —— pdf解析关键问题
17 大模型（LLMs）RAG 版面分析——表格识别方法篇
大模型（LLMs）RAG 版面分析——文本分块面
19 大模型外挂知识库优化——如何利用大模型辅助召回？
2 Layer normalization 篇
20 大模型外挂知识库优化——负样本样本挖掘篇
RAG（Retrieval-Augmented Generation）评测面
22 检索增强生成(RAG) 优化策略篇 Copy
23 大模型（LLMs）RAG —— 关键痛点及对应解决方案
大模型（LLMs）RAG 优化策略——RAG-Fusion篇
Graph RAG 面——一种基于知识图谱的大模型检索增强实现策略
26 大模型（LLMs）参数高效微调(PEFT) 面
27 适配器微调（Adapter tuning）篇
28 提示学习（Prompting）篇
29 LoRA 系列篇
3 LLMs 激活函数篇
30 如何使用 PEFT库 中 LoRA？
31 大模型（LLMs）推理面
32 大模型（LLMs）增量预训练篇
33 增量预训练（Pretrain）样本拼接篇
34 基于lora的llama2二次预训练
35 大模型（LLMs）评测面
36 大模型（LLMs）强化学习面
37 大模型（LLMs）强化学习——RLHF及其变种面
38 大模型（LLMs）强化学习—— PPO 面
39 强化学习在自然语言处理下的应用篇
Attention 升级面
40 大模型（LLMs）训练集面
41 大模型（LLMs）LLM生成SFT数据方法面
42 大模型（LLMs）显存问题面
43 显存优化策略篇
44 大模型（LLMs）分布式训练面
图解分布式训练（一）—— 流水线并行（Pipeline Parallelism）
图解分布式训练（二）—— nn.DataParallel篇
图解分布式训练（三）—— nn.parallel.DistributedDataParallel
图解分布式训练（四）—— torch.multiprocessing 详细解析
49 图解分布式训练（五） —— AMP混合精度训练 详细解析
5 transformers 操作篇
50 图解分布式训练（六）—— Pytorch的 DeepSpeed 详细解析
51 图解分布式训练（七）—— accelerate 分布式训练 详细解析
52 图解分布式训练（八）—— ZeRO 学习
53 大模型分布式训练故障恢复篇
54 pytorch 分布式计算 坑 bug 梳理篇
55 大模型（LLMs）agent面
56 LLMs 位置编码篇
57 LLMs Tokenizer 篇
58 怎么让英文大语言模型支持中文？（一） —— 构建中文tokenization
59 怎么让英文大语言模型支持中文？（二） —— 继续预训练篇
6 LLMs 损失函数篇
60 怎么让英文大语言模型支持中文？（三） —— 对预训练模型进行指令微调
61 大模型（LLMs）加速篇
62 LLMs 推理性能面
63 LLM（大语言模型）部署加速方法——PagedAttention篇
64 大模型推理加速工具 —— vLLM
65 LLM（大语言模型）部署加速方法——Faster Transformer篇
纯Python超轻量高性能LLM推理框架——LightLLM
67 LLM推理技术之StreamingLLM：如何拥有无限长生成能力
SwiftInfer —— 大模型无限流式输入推理飙升46%，打破多轮对话长度限制
69 大模型幻觉（LLM Hallucination）面
7 相似度函数篇
70 大模型的幻觉问题篇
71 如何缓解大模型幻觉？
72 LLMs 对比篇
百川智能baichuan7B、13B、53B、baichuan2总结篇
74 LLaMA 常见面试题篇 Copy
75 GPT 经验篇
76 思维链 Chain of Thought（COT）
77 思维链 Chain of Thought（COT）变体篇
78 小样本提示学习篇
79 LLMs 测试集 中 数据泄露 问题篇
8 大模型（LLMs）进阶面
80 MOE（Mixture of Experts）篇
81 大模型蒸馏篇
82 LLMs 浮点数篇
83 自定义 CUDA 函数的轻量级包装器 —— bitsandbytes篇
84 大模型（LLMs）软硬件配置面
85 Token及模型参数准备篇
86 多模态常见面试篇
87 NLP Trick 篇
88 文本分类常见面试篇
89 文本摘要常见面试篇
大模型（LLMs）微调面
90 命名实体识别常见面试篇
91 向量检索常见面试篇 Copy
92 LLMs 其他 Trick
93-向量检索、检索增强生成（RAG）、大语言模型及相关系统架构——典型面试问题及简要答案
94- “幻觉” 问题根本无解！为什么我们的大模型会 “说胡话”？
95-一文读懂Transformer【超详细】【原理篇&实战篇】-飞书云文档
95-一文读懂Transformer【超详细】【原理篇&实战篇】-飞书云文档
LangChain面（高频）
LangChain面（高频）
一、基础认知与核心设计
一、基础认知与核心设计
LangChain面
LangChain 设计哲学与 LCEL 深度解析
LangChain 核心抽象、依赖管理与生态集成实战
七、代理与工具 (Agents & Tools)
七、代理与工具 (Agents & Tools)
Agent 概念
工具定义与使用
高级 Agent 架构
三、核心组件：链 (Chains)
三、核心组件：链 (Chains)
LangChain 链式调用深度解析：从 LLMChain 到 RouterChain 的全景图
自定义链
链的调度与执行
高级链模式
九、生产部署、缓存与安全
九、生产部署、缓存与安全
LangServe
安全实践
缓存机制
速率限制与成本控制
二、模型、提示与输出解析
二、模型、提示与输出解析
LangChain 提示工程：从模板到动态示例，彻底掌握 Prompt 管理
LangChain 模型层深度剖析：抽象、并发、容错与本地推理
LangChain Output Parser 深度解析：从结构化提取到自定义容错
五：检索器与高级检索策略 (Retrievers)
五：检索器与高级检索策略 (Retrievers)
基本检索器
混合检索与重排序
高级检索器
八、回调、流式处理与异步
八、回调、流式处理与异步
回调系统 (Callbacks)
异步支持 (Async)
性能监控
流式处理 (Streaming)
六、记忆系统 (Memory)
六、记忆系统 (Memory)
对话记忆类型
记忆与 Agent 集成
记忆的持久化与多用户
记忆调试与测试
十、生态对比与最佳实践
十、生态对比与最佳实践
与其他框架的对比
常见陷阱与解决方案
生态与未来
项目结构建议
四、文档处理与向量存储 (Data Connection)
四、文档处理与向量存储 (Data Connection)
嵌入与向量库
文本分割
文档加载器
LoRA 高频面试题
LoRA 高频面试题
一、核心原理与数学基础
三、训练与推理特性
二、架构与实现细节
五、LoRA 变体与前沿进展
六、实践与工程经验
四、与其他 PEFT 方法的对比
NLP专项高频面试（学习检测
NLP专项高频面试（学习检测
面试都可用）
面试都可用）
NLP高频面（10）目前常见的几种大模型架构是啥样的
NLP高频面（11）RLHF的流程有哪些
NLP高频面（12）Lora微调的原理、什么是Qlora
NLP高频面（13）什么是大模型幻觉，如何解决大模型幻觉
NLP高频面（14）DPO、PPO等强化学习训练方法介绍
NLP高频面（15）有哪几种分布式训练方式
NLP高频面（16）deepspeed原理
NLP高频面（17）什么是KV Cache
NLP高频面（18）什么是prefill和decoder分离架构
NLP高频面（19）VLLM推理加速原理
NLP高频面（1）Transformer的基本结构、作用和代码实现
NLP高频面（20）flash attention原理
NLP高频面（21）deepseek V1-V3 分别有哪些改进，这些改进是如何对模型产生影响的
NLP高频面（22）deepseek论文中的的GRPO训练原理、和PPO相比有哪些改变，这些改进有什么作用
NLP高频面（23）对抗训练的发展脉络，原理，演化路径
NLP高频面（24）RAG相关内容简介
NLP高频面（25）RAG的reranker模块结果，原理和目前存在的挑战
NLP高频面（26）RAG的retriever模块作用，原理和目前存在的挑战
NLP高频面（27）SFT有哪几种参数微调方法？有什么优缺点？
NLP高频面（28）Reward model是如何训练的，怎么训练一个比较好的Reward model
NLP高频面（29）大模型解码常见参数解析
NLP高频面（2）LSTM、GRU和Transformer 结构的区别与联系，优缺点分别是什么？
NLP高频面（30）LLama系列模型介绍，包括LLama LLaMA2和LLama3
NLP高频面（31）多模态预训练模型的主要结构、特征对齐与融合方法及对比损失函数详解
NLP高频面（32）介绍一下CLIP和CLIP2
NLP高频面（33）Vision Transformer（ViT）模型架构介绍
NLP高频面（34）深度解析Layer
NLP高频面（35）LLaMA ChatGLM BLOOM的区别
NLP高频面（36）深入理解思维链（Chain-of-Thought）提示方法
NLP高频面（37）大模型训练和推理的显存估计－飞书云文档
NLP高频面（38）什么是LLM的灾难性遗忘？如何避免灾难性遗忘？
NLP高频面（39）什么是大模型的涌现能力？
NLP高频面（3）普通RNN的梯度消失和梯度爆炸问题
NLP高频面（40）什么是 BitFit?
NLP高频面（41）什么是 IA3 微调？
NLP高频面（42）RAG系统评估：方法、指标与实践指南
NLP高频面（43）什么是人类偏好对齐中的「对齐税」(Alignment Tax)？如何缓解？
NLP高频面（44）RLHF过程中的马尔科夫决策过程及对话场景MDP设计
NLP高频面（45）PPO 算法在 RLHF 中的原理与实现详解
NLP高频面（46）Transformer 架构中的位置编码及其演化详解
NLP高频面（47）探讨Transformer中的注意力机制：MHA、MQA与GQA
NLP高频面（48）大语言模型中的思维链（CoT）技术详解
NLP高频面（49）大模型RAG常见面试题解析
NLP高频面（4）BN和LN的区别与联系，为什么attention要用LN
NLP高频面（50）大模型（LLMs）分词（Tokenizer）详解
NLP高频面（51）LSTM详解
NLP高频面（52）BERT 变体详解
NLP高频面（53）LLM中激活函数详解
NLP高频面（54）深度学习优化器详解
NLP高频面（55）深度学习正则化详解
NLP高频面（56）深度学习归一化详解
NLP高频面（57）DeepSeek系列概览与发展背景
NLP高频面（5）BERT的基本结构介绍、预训练任务、下游任务
NLP高频面（6）decoder-only、encoder-only和encoder-decoder的区别与联系
NLP高频面（7）GPT和Bert的mask有什么区别？ (1)
NLP高频面（7）GPT和Bert的mask有什么区别？
NLP高频面（8）GPT三个版本的区别
NLP高频面（9）大模型常见的几种解码方案
PDF 试看
PyTorch 面试八股
PyTorch 面试八股
一：PyTorch 基础与张量操作
七：模型部署与性能优化
三：神经网络模块 (torch.nn)
九：前沿扩展与实战
PyTorch 面试八股
五：训练与优化
八：高级特性与调试
六：分布式训练
四：数据处理与加载
Python面
Python面
Python60道在真实 Python 面试中常见且具有代表性的问题（面试必背）
Python—编程八股
（python面试题）快速全面掌握python（必背）——60道python面试题及详细答案（二）
（python面试题）快速全面掌握python（必背）——60道python面试题及详细答案（一）
RAG核心面（精选）
RAG核心面（精选）
RAG核心面（精选）
三、在线检索：从查到到查准
二、离线准备：数据处理与索引
五、效果评估与迭代
RAG核心面
四、生成增强与防幻觉
RLHF面试高频考点
RLHF面试高频考点
1-基础认知与流程全景
1-基础认知与流程全景
RLHF面试高频考点
与其他学习范式的区别
标准三阶段流程
2-偏好数据与奖励建模
2-偏好数据与奖励建模
偏好数据构造
奖励模型架构与训练
奖励模型的局限与风险
3-策略优化（PPO 为核心的 RL 阶段）
3-策略优化（PPO 为核心的 RL 阶段）
KL 散度约束
PPO 算法核心组件
四个关键模型的角色与交互
强化学习问题形式化
训练流程与稳定性 (1)
训练流程与稳定性
4-DPO 及其他对齐方法
4-DPO 及其他对齐方法
其他偏好优化方法 (1)
其他偏好优化方法
方法选择指南 (1)
方法选择指南
直接偏好优化（DPO） (1)
直接偏好优化（DPO）
5-评估、监控与调试
5-评估、监控与调试
安全与红队测试
安全与红队测试
对齐效果评估 (1)
对齐效果评估
训练过程监控 (1)
训练过程监控
6-高级主题与前沿方向
6-高级主题与前沿方向
RLAIF 与宪法 AI (1)
RLAIF 与宪法 AI
RLHF 的理论视角 (1)
RLHF 的理论视角
参数高效 RLHF
多模态与具身 RLHF
过程奖励与细粒度监督
迭代对齐与持续学习
7-工程实现与训练部署
7-工程实现与训练部署
分布式 RLHF 系统架构
实验管理与复现
显存与计算优化
训练稳定性的工程技巧
SFT面（精选）
SFT面（精选）
大模型SFT面
七：高频面试题精选
三：训练方法与工程实践
二：SFT数据工程
SFT面（精选）
八：手撕代码与项目深挖
六：高级话题与前沿实践
SFT面（精选）
Transfomer精选面试
Transfomer精选面试
七：经典模型与前沿架构
七：经典模型与前沿架构
新架构探索
现代大模型基座
里程碑模型
长上下文模型
三：位置编码深度解析
三：位置编码深度解析
相对位置编码
Transfomer面
位置编码与长度外推：从原理到实践的系统性解析
二：模型架构与预训练范式
二：模型架构与预训练范式
分词与嵌入
常用预训练架构
总体架构设计
预训练任务
五：推理部署与高效化
五：推理部署与高效化
KV Cache 深度解析：从原理到多轮对话优化
推理加速技术
大模型压缩与高效推理技术深度解析
部署方案
八：手推与细节
八：手推与细节
梯度与反向传播
系统性调优思路
计算与参数量
六：注意力机制变体与演进
六：注意力机制变体与演进
其他增强
效率型注意力
结构型变体
四：训练优化与稳定性
四：训练优化与稳定性
Transformer 训练的优化器、学习率策略与稳定性调优
分布式训练并行策略：从数据并行到3D并行及通信优化
Transformer 训练稳定性：Loss Spike、梯度爆炸与混合精度训练深度解析
混合精度训练、显存优化与大模型训练策略深度解析
基础理论与核心组件
基础理论与核心组件
前馈网络与激活函数
Transfomer精选面试
残差连接与归一化
自注意力机制
分布式训练-核心题
分布式训练-核心题
分布式训练面
七：训练加速技巧
三：分布式并行策略
主流大模型训练框架与 PyTorch DDP 实战细节
分布式训练面
五：通信机制与拓扑
混合专家模型 (MoE) 深度剖析：从稀疏架构到负载均衡
六：训练稳定性与调试
四：ZeRO 优化与显存卸载
多模态面（精选）
多模态面（精选）
前沿与趋势
前沿与趋势
多模态模型的因果推理、可解释性与思维链推理
多模态模型的自我进化、合成数据与低成本适应
多模态Agent：从GUI自动化到具身智能的感知、推理与行动
多模态学习的前沿探索：从脉冲神经网络到持续学习
多模态大模型的未来：能耗、伦理、开源生态与通向常识之路
世界模型与多模态生成：从视频预测到因果理解
统一多模态大模型：Any-to-Any架构、离散化、数据与评估全解
多模态模型在垂直领域的应用、挑战与伦理实践
基础理论与核心概念
基础理论与核心概念
多模态面
对齐与对比学习
常见任务形式
系统与流程
表示学习与融合方式
零样本与鲁棒性
对齐与安全
对齐与安全
多模态对齐与幻觉
安全与偏见
工程部署与优化
工程部署与优化
分布式训练
多模态面
服务架构与部署
模型压缩
端侧与边缘多模态部署：框架、优化与实战全解
核心模型架构
核心模型架构
其他架构
多模态大语言模型 (MLLM)
视觉 语言预训练模型（理解与对齐）
视觉生成模型（文本到图像
视觉生成模型（文本到图像
视觉生成模型（文本到图像 视频）
训练方法与策略
训练方法与策略
低资源高效微调
多阶段训练流程
数据工程
训练技巧与稳定性
预训练目标
评估体系
评估体系
幻觉与偏见评估
综合评测基准
评估指标与方法
评估设计与工程
大模型专项面试题库
大模型专项面试题库
200道AI算法工程师必背面试题
26年大模型高频面试60道
30 道关于视频扩散模型（Video Diffusion Models）及其相关技术的面试题
300道大模型岗位面试题分类整理
AI大模型面试题
AI技术面试总结问题
AI面试题合集（机器学习
AI面试题合集（机器学习
深度学习
深度学习
AI面试题合集（机器学习 深度学习 自然语言）（1）
AI面试题合集（机器学习 深度学习 自然语言）（2）
Al智能客服系统面试
（两万万字深度解析）DeepSeek R1：从简到深全面学习如何利用强化学习训练大型语言模型（详解）-飞书云文档
DeepSeek-R1深度报告——50道相关面试题（必背）——深刻理解相关概念（DeepSeek-R1大模型+强化学习（RL）+推理能力）
LangGraph
OpenCV 面试题库大全
OpenClaw 大模型面试题（附答案）
Transformer面试问题汇总
Transformer面试题总结97道
（九万字）人工智能算法工程师高频面试题解析
大模型LLM面试题大全超详细解析
大模型应用开发
大模型算法工程师-面试题库大全
大模型面试常见问题及详细解答
大模型高频面试50道
对比学习（Contrastive Learning）」的30道面试题清单
深度学习面试八股
算法研究员 面试题库⼤全
最新版AI大模型面试八股文
（两万字深度研究—如何提高模型准确率）目标检测准确率提高终极指南——模型准确率从约88%提升至98%以上的优化策略
（强化学习面试题）快速全面掌握强化学习（必背）
大模型大厂面试题，持续更新
大模型大厂面试题，持续更新
【华为】 大模型技术面经 (1)
【华为】 大模型技术面经
【字节】 大厂NLP技术面试 (1)
【字节】 大厂NLP技术面试
【字节】大厂LLM面试必考题 (1)
【字节】大厂LLM面试必考题
【字节】大模型（LLMs）RAG 检索增强生成面（完整版） (1)
【字节】大模型（LLMs）RAG 检索增强生成面（完整版）
【小米】大厂面试笔试算法精华题 (1)
【小米】大厂面试笔试算法精华题
【百度】人工智能经典考题
【腾讯】 大语言模型面试题 (1)
【腾讯】 大语言模型面试题
【阿里】 大模型面试真题 (1)
【阿里】 大模型面试真题
【阿里】大厂高频算法题 (1)
【阿里】大厂高频算法题
千问大模型应用开发工程师二面
大模型校招大厂面试题 (1)
大模型校招大厂面试题
一面
小米大模型一面
快手大模型开发面经 (1)
快手大模型开发面经
拼多多大模型面经
文心一言实习面经
百度AI Agent开发面试题集
米哈游LLM算法实习面经
美团Agent面试
腾讯wxg大模型算法面试题
腾讯微信大模型算法一面
腾讯混元大模型开发面试
蚂蚁AI应用开发面试
大模型幻觉面
大模型幻觉面
一、基础概念与分类
三、幻觉的检测方法
二、幻觉的成因
大模型幻觉面
六、前沿研究与开放问题
四、幻觉的评估指标与基准
大模型微调-核心题
大模型微调-核心题
大模型微调面
七：分布式微调与工程优化
三：参数高效微调（PEFT）
九：多模态大模型微调
大模型微调面
五：偏好对齐微调（RLHF
五：偏好对齐微调（RLHF
五：偏好对齐微调（RLHF DPO）
八：微调评估与问题诊断
微调数据工程全景：从数据策略到质量控制的深度解析
十一：手撕代码与项目深挖
十二：系统设计与软技能
十：前沿微调技术
四：指令微调（SFT）
大模型手撕-核心题
大模型手撕-核心题
第一梯队：高频必考基础（几乎各厂都问）
第一梯队：高频必考基础（几乎各厂都问）
大模型手撕
2.手撕旋转位置编码（RoPE）
大模型手撕-核心题
4.LoRA 原理与权重合并
第三梯队：应用与系统设计手撕（偏业务逻辑）
第三梯队：应用与系统设计手撕（偏业务逻辑）
10.RAG 检索与重排序
大模型手撕
12.Agent 工具调用解析器
9.BPE Tokenizer 训练伪代码
第二梯队：工程优化与算子（Infra
第二梯队：工程优化与算子（Infra
推理岗重点）
推理岗重点）
5.KV Cache 管理 & PagedAttention
6.FlashAttention 分块逻辑
7.分布式并行通信模拟
8.模型量化基本操作
大模型手撕 核心题
大模型推理-核心题
大模型推理-核心题
大模型推理面
三、模型量化
二、KV Cache 与多头注意力变体
五、主流推理框架与服务架构
六、性能指标与评估
四、推理加速技术
大模型蒸馏面试-核心题
大模型蒸馏面试-核心题
大模型蒸馏面
七：蒸馏训练策略与超参
三：黑盒蒸馏（仅使用教师输出）
九：前沿趋势与开放问题
大模型蒸馏面
五：蒸馏与量化
五：蒸馏与量化
五：蒸馏与量化 剪枝结合
八：蒸馏评估与对比
六：LLM 蒸馏实战与典型案例
四：白盒蒸馏（利用教师内部状态）
大模型评测面试题
大模型评测面试题
大模型评测面
七、多模态评测
三、人类评估与混合评估
二、自动化评测指标与经典基准
五、多维度能力评测（知识、推理、代码、对话等）
八、评测中的陷阱与前沿
六、安全性、偏见与鲁棒性评测
四、LLM as judge
搜广推算法工程师 面试题库大全
显存问题-核心题
显存问题-核心题
一：显存基础与构成
一：显存基础与构成
不同精度下的显存换算
其他
推理时显存构成
显存的核心角色
训练时显存构成
三：显存优化技术全景
三：显存优化技术全景
ZeRO 优化
参数高效微调
并行策略与显存
激活值优化
系统级优化
量化与压缩
二：显存估算与分析
二：显存估算与分析
推理显存快速估算
瓶颈定位
给定硬件反推可行性
训练显存快速估算 (1)
五：前沿与趋势
五：前沿与趋势
MoE 模型的显存特性
其他前沿话题
硬件演进对显存的影响
长上下文带来的显存挑战
四：常见显存问题诊断与调优
四：常见显存问题诊断与调优
OOM 的排查链路
推理服务中的显存管理
端侧部署的显存约束
训练不稳定的显存因素
机器学习专项面试（学习检测
机器学习专项面试（学习检测
面试都可用）
面试都可用）
机器学习数据、特征处理、模型融合
机器学习笔试/面试题七
机器学习笔试 面试题 三
机器学习笔试 面试题 四
机器学习笔试 面试题五
机器学习笔试/面试题六
机器学习笔试/面试题目一
机器学习笔试 面试题目 二
机器学习面试八股升级版
深度学习面（精选）
深度学习面（精选）
模块一：神经网络基础
模块一：神经网络基础
感知机与多层感知机 (MLP)
损失函数
激活函数
模块七：常用评估与调试
模块七：常用评估与调试
模型调试与偏差 方差
评估指标
模块三：卷积神经网络 (CNN)
模块三：卷积神经网络 (CNN)
其他卷积形式
感受野与计算
核心组件
经典架构演进
模块二：优化算法与训练技术
模块二：优化算法与训练技术
初始化方法
学习率调度
归一化层
梯度下降变体
正则化与防过拟合
模块五：生成模型
模块五：生成模型
扩散模型 (Diffusion Models)
生成对抗网络 (GAN)
自编码器 (AE) 与变分自编码器 (VAE)
模块八：前沿与应用领域概览
模块八：前沿与应用领域概览
Transformer 与大型语言模型
多模态学习
强化学习基础
目标检测与图像分割
自监督学习与对比学习
模块六：深度学习基础训练与推理部署
模块六：深度学习基础训练与推理部署
分布式训练
推理加速与模型压缩
框架与工具
模块四：序列模型与 RNN
模块四：序列模型与 RNN
序列到序列 (Seq2Seq) 与注意力
序列处理技巧
循环神经网络 (RNN)
职场面经
职场面经
面试问题及回答思路与范例 - 飞书云文档
“三无人员”怎么面试和写简历
3.自我介绍通用模版
如何有效反问面试官 - 飞书云文档
大模型评测岗位的面试
此部分为截图。无法上传内存大的文件
¶
