20-大模型应用开发面试题库200题8讲47页

这份资料的名字很直白：200 道题、8 讲、47 页。它不是一门从零教你写 Python 的课，也不是讲 Transformer 原理的论文导读。它针对的是一个很具体的人群——已经能调用模型 API、写得出 demo，但一到面试就说不清楚"为什么这么做"的大模型应用开发者。

如果你正处在这个阶段，下面这几个问题可以先自测一下：RAG 里召回率上不去，你会先查哪一环？让模型输出结构化 JSON，除了在提示词里写"请返回 JSON"，还有什么更稳的办法？微调和 RAG 各自适合什么场景，边界在哪？如果这几个问题你答得含糊，这份题库的价值就体现出来了。

它补的是"会说"和"会做"之间的那道缝

大模型应用开发这个方向有个特点：上手门槛低，但深度提问的杀伤力很大。很多人能跑通一个知识库问答，却讲不清切分粒度怎么定、向量检索和关键词检索为什么要混合、重排模型的收益到底值不值那点延迟。面试官往往不问"你会不会"，而是问"你为什么这么选"。

200 道题的密度意味着它覆盖的面比较宽：提示工程、RAG 全链路、微调与对齐、Agent 与工具调用、推理优化、评测与安全，基本都在射程内。你不必从头到尾刷完，更适合把它当体检表用——先扫一遍题目，把答不上来的挑出来，再回头看对应的 8 讲解析。这比顺序学习省时间。

几类容易被问倒的题，值得提前想清楚

• RAG 的工程细节：文档怎么切、embedding 选型怎么权衡、召回条数设多少、上下文塞不下时怎么截断。这些问题没有标准答案，但答不出取舍逻辑就会显得只会调包。
• 幻觉与可控性：如何降低编造、如何做引用溯源、如何让模型在不知道时说不知道。这是落地项目里最常被追问的一块。
• 微调 vs 提示 vs RAG：三者不是替代关系，什么时候该上哪个，成本、数据量、迭代速度怎么权衡。
• Agent 的可靠性：工具调用失败怎么办、多步任务怎么防止跑偏、循环怎么终止。
• 评测：你怎么知道改完之后变好了？没有评测集的项目，改进都是玄学。

这些问题在真实面试里出现频率很高，而且往往是连环追问。题库的作用是帮你把散落的经验整理成能说出口的答案。

怎么用这份资料效率最高

建议分三轮。第一轮快速过题，只标记"会/不会"，不深究，半小时能扫完，得到一张自己的薄弱点地图。第二轮针对标记为"不会"的题，对着解析动手验证——很多题光看答案记不住，自己跑一遍才有感觉，比如亲手试一次混合检索对召回的影响。第三轮做口述练习，把答案讲出来，讲不顺的地方就是还没真懂的地方。

需要提醒的是，题库是静态的，而大模型这个领域迭代很快。模型能力在变，一些两年前的最佳实践今天可能已经过时。看解析时不妨多问一句：这个结论现在还成立吗？带着这种怀疑去读，比全盘接受更有收获。

看完应该能回答的问题

• 一个 RAG 系统效果不好，你能按什么顺序排查？
• 结构化输出有哪几种实现路径，各自的可靠性如何？
• 什么情况下你会建议微调，而不是继续优化提示词？
• 怎么给一个 Agent 应用设计最小可用的评测方案？
• 模型上下文变长之后，成本和延迟怎么控制？

如果这些问题你现在答得磕磕绊绊，那这份题库正好对症。它不承诺让你变成专家，但能帮你把"我做过"变成"我讲得清楚"。面试考的就是后者。