大模型基础
Token、上下文窗口、Temperature、Top-p、Embedding、Prompt、Function Calling、幻觉与对齐。
AI 面试专题：从基础到项目表达
AI 面试越来越少停留在“你知道某个名词吗”，更多会追问你是否理解模型能力边界、RAG 链路、Agent 工程、数据安全、成本延迟和业务指标。这个专题帮你把知识点组织成可以复习、可以表达、可以落地的结构。
LLM
Interview Core
RAG检索增强生成
Agent工具调用与编排
VectorEmbedding / Rerank
Ops评估 / 成本 / 安全
01 / Knowledge Map
AI 面试知识地图
建议按“基础概念、核心方案、工程落地、项目表达”四层准备。每层都要能讲清原理、限制、取舍和你在项目里的具体做法。
应用架构
RAG、Agent、模型路由、缓存、队列、限流、降级、异步任务和人审流程。
工程指标
准确率、召回率、命中率、延迟、吞吐、成本、稳定性、日志、追踪和灰度发布。
业务价值
效率提升、人工节省、转化率、满意度、风险降低，以及这些指标如何被真实验证。
02 / Question Bank
高频问题与回答方向
RAG 为什么会答错？怎么优化？
从文档切分、召回质量、Embedding 模型、Query 改写、重排、上下文拼接、提示词约束和答案校验几层回答。最好补充你的评估指标。
向量检索和关键词检索怎么结合？
关键词适合精确匹配，向量适合语义召回。生产中常用混合检索，再用 Rerank 排序，并对低置信结果触发兜底。
Agent 和普通工作流有什么区别？
Agent 更强调模型参与规划、工具选择和迭代执行；普通工作流通常路径固定。回答时要强调权限、超时、重试、审计和失败回滚。
如何降低大模型调用成本？
模型分层、缓存、Prompt 精简、批处理、流式响应、结果复用、限流、异步任务、只在关键环节调用强模型。
如何判断一个 AI 功能是否上线？
看离线评测、灰度效果、人工审核、异常兜底、日志监控、权限控制、数据合规和业务指标，而不是 demo 看起来能跑。
怎么处理模型幻觉？
通过引用来源、检索约束、结构化输出、拒答策略、置信度判断、规则校验和人工复核降低风险，不能承诺完全消除。
03 / Project Story
项目表达模板：别只说“我接了大模型”
面试官真正想听的是你如何把 AI 能力放进业务系统，并在效果、成本和风险之间做取舍。
背景业务痛点、用户是谁、原流程成本有多高。
方案模型、RAG、Agent、数据流、权限和系统边界。
难点召回不准、回答不稳、延迟过高、数据脏、权限复杂。
指标命中率、准确率、处理时长、人工节省、用户反馈。
取舍为什么这样切分文档，为什么选这个模型，为什么保留人工审核。
复盘上线后出现了什么问题，你怎么监控、迭代和降级。
04 / 14-Day Plan
14 天冲刺复习计划
Day 1-3
补基础
整理 LLM 基础概念，准备每个概念的一句话解释、适用场景和常见误区。
Day 4-6
拆 RAG
画出完整链路：数据清洗、切分、Embedding、索引、检索、重排、生成、评估。
Day 7-9
练系统设计
准备知识库问答、智能客服、代码助手、运营文案生成四类场景。
Day 10-12
复盘项目
把自己的项目按“背景、方案、难点、指标、取舍、复盘”写成 3 分钟版本。
Day 13-14
模拟追问
让 AI 扮演面试官连续追问，重点训练边界、失败案例、成本和安全问题。