232 道公开题，先看资料状态再决定学习顺序

内置基础题库保留了 232 道逐题附有参考资料、标记为“资料核验”的内容。当前副本共有 232 道公开题，其中 232 道标记为“资料核验”；以后新增的题目按自身状态显示。它们覆盖基础原理、应用工程、训练、推理、评测和系统设计等方向，但不代表每道题同等重要，也不代表所有岗位都会问到。对大多数人，更有效的顺序是：先掌握核心必会，再按目标岗位选择岗位专项。

此前 768 道批量扩展题只有按类别附加的通用“延伸阅读”，没有完成逐题资料核验，因此已经移出主题库并固定归档。归档题不会出现在搜索、筛选或随机模拟中；以后确有需要时，可以取回单题、补齐资料并重新校验，而不是一次性全部恢复。

页面上的“备考层级”只表示建议学习顺序。它不等于题目难度、答案是否经过资料核验、题目是否公开，也不等于你个人的复习状态。这几项会分别显示，不能互相替代。

直接选择一条岗位路线

每条路线都会把通用核心题与该方向的岗位专项合并起来，并按不同分类抽题。第一次准备、还没有确定方向时，先用“通用核心”即可。

四个层级字段分别表示什么

层级	含义	建议怎么用
核心必会	在常见大模型岗位之间复用度高，能够独立成为主问题，并有公开面经或岗位数据支持的知识点	第一次准备时优先完成；至少能先给结论，再讲原理、取舍和一个项目例子，并接住两轮追问
岗位专项	在某类岗位中重要，但并非所有候选人都需要掌握，例如训练算法、推理基础设施、RAG / Agent 应用或多模态方向	结合职位描述和自己的项目经历选择，不需要跨方向全部学习
扩展知识点	用于拓宽边界、补充细节或跟进新主题；内容可以练习，但目前没有足够证据把它列为通用默认路径	核心和岗位专项完成后再学；也可以在遇到项目问题时按关键词查阅
待重整	题目仍可搜索、阅读和练习，但频率证据、重复性、题目粒度或答案表达仍需要进一步整理	不放进默认学习路径；除非与目标岗位或近期面试直接相关，否则可以先跳过

“待重整”不是“待审核发布”，也不表示答案一定错误。题目是否发布由公开状态控制，答案是否可用和是否经过资料核验则由答案状态与核验标记控制。

分级依据和证据边界

分级不是精确的“出题概率预测”。团队、级别、岗位和时间都会改变面试重点，我们采用的是一套可解释的编辑规则：

1. 跨岗位复用度：Transformer 基础、RAG、评测、工程取舍和项目深挖等能否在多个常见岗位中复用。
2. 是否能成为主问题：一个知识点应当能独立展开，而不只是某道题里的一个术语。
3. 是否有重复证据：优先参考多个相互独立的候选人复盘，或岗位数据与真实复盘的交叉印证。
4. 是否能检验能力：问题能否让候选人解释原理、边界、方案取舍和真实项目证据，而不仅是背一个定义。

不同资料能证明的事情也不同：

• 候选人复盘可以证明某个时间、岗位或团队问过什么，但属于个人回忆，不能外推为所有公司的统一题库。
• 职位描述统计可以说明市场需要哪些技能，但不能直接证明面试一定会怎样提问。
• 原论文、标准和官方工程文档适合核对答案中的技术事实，不能单独证明某道题“高频”。
• GitHub 面试题合集适合检查覆盖面；收藏量、题目数量或多个合集重复收录，都不能独立证明真实出题频率。

因此，没有可追溯的一手信息时，本站不会把题目包装成某家公司的“原题”。如果新证据出现，或发现重复、过窄和表述不清的题目，层级也会继续调整。

我应该从哪里开始

第一次准备大模型面试

先只筛选“核心必会”。每题先闭卷口述：用一句话回答结论，再补原理、关键取舍和一个自己真正做过或明确标注为推演的例子。答不出来的题加入薄弱题，第二轮只练这些题，不要一开始顺序刷完整个题库。

已经确定目标岗位

• RAG / Agent / 应用工程：核心必会之后，优先选 RAG、Agent、评测与安全、系统设计和工程实践。
• 训练 / 算法 / 后训练：核心必会之后，优先选预训练与数据、训练与对齐、训练工程及相关数学基础。
• 推理 / 基础设施：核心必会之后，优先选推理与部署、并发调度、KV Cache、量化、分布式与性能分析。
• 多模态或其他专门方向：先完成通用核心，再依据职位描述选择对应的岗位专项；简历没有相关经历时，不要为了显得全面而编造项目。

面试临近，只剩几天

先从“核心必会 + 目标岗位分类”随机抽题，然后集中重练薄弱题。最后单独准备项目介绍、个人贡献、一次失败或故障、关键取舍和可验证结果；这些内容通常比再浏览一批边缘知识点更能暴露真实能力。

参考资料

下面的链接用于解释分级依据，并不意味着其中每个问题都已逐题映射到本站。

岗位需求与面试结构

• AI Engineering Field Guide：895 份岗位描述的技能统计（2026 年 1 月样本）：提供 RAG、Prompt、Agent、Python、评测等技能在该样本中的占比；样本有地域和平台边界，不能视为整个市场。
• AI Engineering Field Guide：面试流程、理论题、项目深挖与系统设计：用来交叉检查面试能力结构，而不是照单全背。

候选人公开复盘

• 奇安信大模型岗位面经（牛客，2025）
• 腾讯 RAG / Agent 岗位面经（牛客，2026）
• 快手大模型岗位面经（牛客，2026）
• 百度大模型强化学习 / 后训练面经（牛客，2026）
• Amazon AI Engineer 面试复盘（LeetCode，2025）

这些复盘覆盖不同公司、方向和年份，只能作为“真实出现过”的证据。匿名发帖、记忆偏差和团队差异仍然存在，因此不会仅凭一篇复盘把题目列为通用核心。

工程实践与答案核对

• Anthropic：Building effective agents
• Hamel Husain：Your AI Product Needs Evals
• Chip Huyen：Building A Generative AI Platform
• Retrieval-Augmented Generation in Industry：13 位从业者访谈研究
• PromptLayer：Agentic System Design Interview

这些资料主要用于核对工程边界、评测方法和系统设计思路。具体题目的答案仍应优先追溯到对应论文、标准或官方文档。

更新时间：2026-08-06。 分级是可修订的学习导航，不是对任何公司题库的承诺。