大模型面试全攻略：小白程序员必备的收藏版面经与技巧分享

本文分享了作者近期在多家知名公司（如阿里、腾讯等）大模型应用开发岗位面试的经验。文章重点介绍了面试内容与难度，强调掌握微调原理、做过微调工作及部署大模型的重要性。此外，还总结了面试中常见的算法题、八股文问题以及不同岗位的面试内容。文章还提供了面试准备建议，如复盘、简历润色、扩展技术视野等，并列举了大量的面试题目供参考。

01

时间范围

近半年。

02

实际面过的公司

阿里、腾讯、美团、字节、快手、同程、京东、360、keep、滴滴、印象笔记、作业帮、彩云科技、蓝色光标、江城互娱、Aviagames、Hungry Stdios、深言科技、即时科技、RockFlow、格灵深瞳、百融云创、印象笔记、网龙、 HiDream.ai、昆仑万维、数驱互动、Authing。

03

先说总结

（1）面试内容 & 难度

个人觉得，在 LLM 应用的面试题上，没有太多复杂、高深的问题，不像上来让你说一下分布式锁怎么设计然后死扣设计细节或是描述一下 MVCC 原理这种偏高难度的八股文问题（当然也遇到了一两次）。

究其原因以下几点：

• 一是大模型应用目前仍没有很成熟且被广泛接纳的方案，都还在探索；
• 二是很多公司今年刚开始 all in AI（我司 all 进去的比较早点），面试官也懂得不多。

例如 RAG 这个东西，大部分的面试题无非是“你觉得 RAG 中最难的是什么？（文档切割喽）”、“你是怎么解决幻觉问题的？”，“微调和 RAG 的区别是啥？”等等。

如果你做过 RAG 加上你经常看技术文章结合你的“侃侃而谈”，基本面试官都觉得 ok。

但这里着重说一下我觉得当前非常重要且极大概率提升面试通过率的的一个技术点，就是掌握微调原理并且做过动手做过微调工作再加上动手部署过大模型。

这是我面试中最常被问到而又只能说没做过的问题，当然大部分公司都有专门的算法团队去做这件事，自己到没机会参与其中，也是可以理解的。

算法题：一半是 DP 问题，还有一部分难度是 easy 的问题，总体上都是“老熟人”，但是，你即使写出来，面试不一定就能过，有的干脆就不考算法题。

八股文：明显比之前少很多，这个和面试的岗位有关系，LLM 应用的岗位更偏实践，所有很多一面就是 leader 面，直接问项目，除非一面也不懂 LLM 的东西，就会考八股文。

但总的来说，八股少了，但是绝对不可以不准备，好几次挂在这上面，别小瞧它。

岗位内容：

• 游戏公司：基本上是 LLM + AB test for 游戏策划；BI 分析；游戏社区客服助手；
• toC：Agent 个人助手
• toB：Agent for 解决方案
• other：通用 Agent 平台；公司内部 AI 助手、平台；Agent for 运维

（2）offer

会有很多横向对比，如果你期望薪资比较高，对方说要在等等，基本上凉了。

大部分涨幅基本是不到 20% 的，但我的期望是 30% 左右，最后还是拿到了（要有一点点耐心，还要有一定的运气）。

不要眼高手低，先拿一个低于自己预期的 offer，再慢慢谈，前提是公司想要你。

规划好时间，集中面试，集中对比，由于我时间线拉的过长，后面安排的很乱。

（3）再总结

如下：

• 每次面完都要复盘，没答好的问题，一定要重新梳理答案。
• 没把握问题的可以直接说不会，别给个你自己都听不懂的答案。
• 简历一定要让大模型润色，但自己要 check 一遍，别吹过头了。
• 多看技术文章，扩展技术视野，提高二面面试官对你的印象。
• 表达一定要流畅清晰，不要断断续续的，面试官会觉得你思路不清晰。
• 项目效果评估是个很重要的问题，不管你的技术多炫酷，终究还是要看效果，看落地效果。

04

面试题

这里想到多少写多少。

LLM 基础：

• 大模型是怎么训练出来的？
• Transform 的架构，Encoder 和 Decoder 是什么？
• Function Call 是怎么训练的？
• 微调的方案有哪些？自己做过没有？
• 大模型分词器是什么？
• Embedding 是什么？你们用的那个模型？

Lib：

• 介绍一下 langchian
• 介绍一下 autogen
• 有没有用过大模型的网关框架（litellm）
• 为什么手搓 agent，而不是用框架？
• mcp 是什么？和 Function Call 有什么区别？有没有实践过？
• A2A 了解吗？

Prompt：

• ReAct 是啥？怎么实现的？
• CoT 是啥？为啥效果好呢？有啥缺点？
• Prompt Caching 是什么？
• 温度值/top-p/top-k 分别是什么？各个场景下的最佳设置是什么？

RAG：

• 你介绍一下RAG 是什么？最难的地方是哪？
• 文档切割策略有哪些？怎么规避语义被切割掉的问题？
• 多路召回是什么？
• 文档怎么存的？粒度是多大？用的什么数据库？
• 为啥要用到图数据库？
• 向量数据库的对比有没有做过？Qdrant 性能如何？量级是多大？有没有性能瓶颈？
• 怎么规避大模型的幻觉？
• 微调和 RAG 的优劣势？
• 怎么量化你的回答效果？例如检索的效果、回答的效果。

workflow：

• 怎么做的任务拆分？为什么要拆分？效果如何？怎么提升效果？
• text2sql 怎么做的？怎么提高准确率？
• 如何润色query，目的是什么？
• code-generation 是什么做的？如何确保准确性？
• 现在再让你设计你会怎么做？（replan）
• 效果是怎么量化的？

Agent：

• 介绍一下你的 Agent 项目
• 长短期记忆是怎么做的？记忆是怎么存的？粒度是多少？怎么用的？
• Function Call 是什么做的？
• 你最大的难题是什么？你是怎么提高效果的？怎么降低延迟的？
• 端到端延迟如何优化的？
• 介绍一下 single-agent、multi-agent 的设计方案有哪些？
• 反思机制是什么做的？为什么要用反思？
• 如何看待当下的 LLM 应用的趋势和方向
• 为什么要用 Webrtc？它和 ws 的区别是什么？
• agent 服务高可用、稳健性是怎么保证的？
• llm 服务并发太高了怎么办？

系统设计题：

• 短链系统

• 分布式锁的设计

• 给你一部长篇小说，怎么做文档切割？

• 怎么做到论文翻译，并且格式尽可能和原来的统一

• 游戏社区客服助手设计。如何绑定游戏黑话，如何利用好公司内部的文档

• 结合线上问题快速定位项目工程代码有问题的地方

• 有很多结构化和非结构化数据，怎么分析，再怎么得出我要的结论

八股：

• go 的内存分配策略、GMP、GC
• python 的内存分配策略、GC
• redis 用过那些？mget 底层什么实现的？、zset 怎么实现的？
• mysql 索引怎么设计最好？数据库隔离级别？mvcc 是怎么实现的？
• 分布式锁是什么实现的？
• kafka 的 reblance 是什么？会产生那些问题？怎么保证数据不丢?
• fastapi 设计原理？
• go 中 net/http 如何处理的 tcp 粘包问题
• http2 是什么？比 http1.1 有什么优势？
• Linux 网络性能调优的方式
• 如何定位 Linux 中的 pid、端口号等等

那么如何学习大模型 AI ？

对于刚入门大模型的小白，或是想转型/进阶的程序员来说，最头疼的就是找不到系统、全面的学习资源，要么零散不成体系，要么收费高昂，白白浪费时间走弯路。今天就给大家精心整理了一份全面且免费的AI大模型学习资源包，覆盖从入门到实战、从理论到面试的全流程，所有资料均已整理完毕，免费分享给各位！

核心包含：AI大模型全套系统化学习路线图（小白可直接照做）、精品学习书籍+电子文档、干货视频教程、可直接上手的实战项目+源码、2026大厂面试真题题库，一站式解决你的学习痛点，不用再到处搜集拼凑！

👇👇扫码免费领取全部内容👇👇

1、大模型系统化学习路线

学习大模型，方向比努力更重要！很多小白入门就陷入“盲目看视频、乱刷资料”的误区，最后越学越懵。这里给大家整理的这份学习路线，是结合2026年大模型行业趋势和新手学习规律设计的，最科学、最系统，从零基础到精通，每一步都有明确指引，帮你节省80%的无效学习时间，少走弯路、高效进阶。

2、大模型学习书籍&文档

理论是实战的根基，尤其是对于程序员来说，想要真正吃透大模型原理，离不开优质的书籍和文档支撑。本次整理的书籍和电子文档，均由大模型领域顶尖专家、大厂技术大咖撰写，涵盖基础入门、核心原理、进阶技巧等内容，语言通俗易懂，既有理论深度，又贴合实战场景，小白能看懂，程序员能进阶，为后续实战和面试打下坚实基础。

3、AI大模型最新行业报告

无论是小白了解行业、规划学习方向，还是程序员转型、拓展业务边界，都需要紧跟行业趋势。本次整理的2026最新大模型行业报告，针对互联网、金融、医疗、工业等多个主流行业，系统调研了大模型的应用现状、发展趋势、现存问题及潜在机会，帮你清晰了解哪些行业更适合大模型落地，哪些技术方向值得重点深耕，避免盲目学习，精准对接行业需求。值得一提的是，报告还包含了多模态、AI Agent等前沿方向的发展分析，助力大家把握技术风口。

4、大模型项目实战&配套源码

对于程序员和想落地能力的小白来说，“光说不练假把式”，只有动手实战，才能真正巩固所学知识，将理论转化为实际能力。本次整理的实战项目，涵盖基础应用、进阶开发、多场景落地等类型，每个项目都附带完整源码和详细教程，从简单的ChatPDF搭建，到复杂的RAG系统开发、大模型部署，难度由浅入深，小白可逐步上手，程序员可直接参考优化，既能练手提升技术，又能丰富简历，为求职和职业发展加分。

5、大模型大厂面试真题

2026年大模型面试已从单纯考察原理，转向侧重技术落地和业务结合的综合考察，很多程序员和新手因为缺乏针对性准备，明明技术不错，却在面试中失利。为此，我精心整理了各大厂最新大模型面试真题题库，涵盖基础原理、Prompt工程、RAG系统、模型微调、部署优化等核心考点，不仅有真题，还附带详细解题思路和行业踩坑经验，帮你精准把握面试重点，提前做好准备，面试时从容应对、游刃有余。

6、四阶段精细化学习规划（附时间节点，可直接照做）

结合上述资源，给大家整理了一份可直接落地的四阶段学习规划，总时长约2个月，小白可循序渐进，程序员可根据自身基础调整节奏，高效掌握大模型核心能力，快速实现从“入门”到“能落地、能面试”的跨越。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型

• 带你了解全球大模型

• 使用国产大模型服务

• 搭建 OpenAI 代理

• 热身：基于阿里云 PAI 部署 Stable Diffusion

• 在本地计算机运行大模型

• 大模型的私有化部署

• 基于 vLLM 部署大模型

• 案例：如何优雅地在阿里云私有部署开源大模型

• 部署一套开源 LLM 项目

• 内容安全

• 互联网信息服务算法备案

• …

👇👇扫码免费领取全部内容👇👇

3、这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】