大模型面试宝典（2024版）

这份「大模型面试宝典（2024版）」不是一套按部就班的教程，更像一个面试前用来查漏补缺的资料夹。它假设你已经跑过几个模型、读过几篇论文、写过一些调用代码，但一坐到面试官对面，发现有些问题答得含糊——比如“RAG 到底怎么评估检索质量”“指令微调和 RLHF 之间差了什么”“Agent 调用工具失败时怎么兜底”。如果你正处在这个阶段，这份资料对得上。

它适合哪类人打开

第一种是准备跳槽、简历上写了“熟悉大模型应用”但心里没底的人。面试不会只问你调没调过 API，它会顺着原理往下追：注意力计算的复杂度在哪、位置编码为什么外推会失效、量化到 4bit 之后精度损失怎么补。第二种是转岗过来的后端或算法同学，工程能力够，但 NLP 和大模型这条线的术语体系不熟，看论文综述能补上词汇和脉络。第三种是已经在做 RAG 或 Agent 项目、想把踩过的坑系统化的人——这类人最该看的不是入门概念，而是综述里对失败模式的归纳。

反过来说，如果你还没写过一次完整的推理调用，这份资料会显得跳。它默认你有动手经验，只是缺梳理。

几块内容分别解决什么缺口

论文综述部分：把散落的名词串成线

资料里收了几篇综述性质的文档，覆盖 RAG、Agent 工具使用、指令调优这几个方向。它们的价值不在“读完就会”，而在于帮你建立分类框架。比如 RAG 这条线，面试常问的不是“什么是 RAG”，而是检索器、重排、生成三段各自的优化手段，以及端到端评估该看哪些指标。综述会把这条链路拆开，你照着检查自己哪一段只能说出个大概。指令调优那篇同理，它把数据构造、训练目标、效果评估分开讲，面试时被追问“SFT 数据质量怎么保证”就不至于卡住。

数据结构与算法：别在这里翻车

大模型岗的算法面试仍然会考基础题，但重点和传统后端不同。高频的是和模型相关的工程题：手写注意力、实现 top-k 采样、处理变长序列的 padding 与 mask、用滑动窗口做流式输出。这部分内容提醒你，基础算法不是背模板就够，得能结合张量操作的场景写出来。

怎么用这份资料更有效

• 先做一次自我提问：拿一张纸，把“RAG 流程”“Agent 决策循环”“指令微调与对齐的区别”各写三句话。写不出来的地方，就是你要重点翻的章节。
• 综述类文档不要通读，带着上面暴露的缺口去定位对应段落，读完用自己的话复述一遍，再对照原文看漏了什么。
• 算法部分建议动手写，不是看。面试白板或共享文档里写不出来，等于不会。
• 把资料里的术语整理成自己的对照表，面试前过一遍，避免“知道意思但说不准名字”的尴尬。

看完应该能回答的问题

用这几个问题检验自己：RAG 系统中检索和生成分别可能引入哪些误差，怎么定位是哪一段的问题？指令微调、RLHF、DPO 各自在解决什么，代价是什么？Agent 调用外部工具时，如何设计失败重试和结果校验？大模型推理中 KV Cache 省了什么、又带来什么限制？如果这些问题你只能答出定义、答不出取舍，说明资料还得再翻一遍。

这份宝典不承诺押中题，它更像一面镜子，照出你哪块知识是虚的。面试前拿它过一遍，把虚的补实，比刷一百道八股有用。