大模型应用开发面试题库200题（ 8讲47页）

大模型应用开发这个方向的面试，最近两年问法变了。前几年还能靠"调过 LangChain、写过 RAG Demo"糊过去，现在面试官会追着问：切片怎么切的、召回率掉了怎么排查、多轮对话里上下文超了你怎么截。答不上来，简历上写的项目立刻显得像抄的。

这份题库一共 200 道，8 讲、47 页，不是按"初级/中级/高级"分层的通识手册，而是围绕应用开发这条线上真正会被追问的点来组织。它的用法不是从头读到尾，而是拿来自查：哪一块你只能说出名词，说不出取舍。

它覆盖的是"中间那层"的缺口

大模型方向的岗位大致分三块：底层训练、推理工程、应用开发。这份题库盯的是第三块，也就是大多数转岗者实际能碰到的部分。它不要求你推导注意力公式，但会问你为什么相似度检索要用归一化后的向量、为什么重排模型能救回一批召回结果。

常见的缺口有三类。第一类是概念混着用，比如把微调、提示工程、RAG 当成三种并列的"优化手段"，被问"什么情况下不该上 RAG"就卡住。第二类是工程细节缺失，知道要做向量库，但说不清索引类型怎么选、元数据过滤在检索前还是检索后生效。第三类是没有踩坑经验，答"效果不好就换更大的模型"，而面试官想听的是怎么定位是切片问题还是检索问题还是提示词问题。

200 道题基本把这三类缺口都戳到了，所以做起来会有明显的不适感——不是不会，是"知道一半"。

按主题分组，适合按块刷

题目按主题切分成若干组，大致沿着应用开发的链路走：提示词与结构化输出、向量检索与 RAG、Agent 与工具调用、模型选型与成本、评估与线上问题排查，另外还有一批偏基础的概念题用来兜底。

• 提示词部分不考"怎么写更好的提示词"这种空话，更多是问约束输出格式的手段有哪些、各自的失败模式是什么。
• RAG 部分占比最重，从切片策略、嵌入模型选择一直问到多路召回融合和重排。
• Agent 部分集中在工具定义、循环终止条件、失败重试这些容易出事故的地方。
• 工程与评估部分涉及缓存、并发、延迟、效果回归，这些在真实项目里比模型本身更容易翻车。

建议的用法是：先按主题整块过一遍，把答不上来的标记出来，不要急着看答案。第二遍再针对标记的部分集中处理，第三遍做交叉复习。一次刷完 200 题，记住的不会超过三成。

配套练习怎么用

题库本身是问答形式，但单纯背答案在面试里很容易露馅，因为面试官会顺着你的回答往下追问一层。比较有效的做法是：每道题先自己口述一遍，最好录音，然后对照参考答案看漏了哪个维度。

另一个办法是反向使用。挑一道题，假设自己是面试官，想出三个追问。比如"你怎么做切片"这个问题，追问可以是：重叠长度设多少、按语义切和按固定长度切各有什么代价、文档里有表格怎么办。能自己问出这三个问题，说明这块是真懂了。

如果是转岗准备，建议把 RAG 和评估这两块练到能讲清一个完整案例的程度，包括当时选了什么方案、遇到什么问题、怎么验证改好了。面试里最容易被追问的就是"你怎么知道它变好了"。

看完应该能回答的问题

过完这 200 题，至少应该能不卡壳地回答下面这些问题：

• RAG 效果不好，你会按什么顺序排查？每一步看什么指标？
• 什么场景下应该微调而不是做检索增强？反过来呢？
• 多轮对话里上下文超长，有哪几种处理方式，各自的代价是什么？
• Agent 调用工具失败或陷入循环，你会在哪一层加约束？
• 怎么评估一个已经上线的问答应用有没有变差？
• 向量检索的召回结果怎么判断是"召回不到"还是"排序不对"？

这些问题答不上来，说明缺的不是知识点，是把知识点串起来的那条线。题库的价值也在这里——它不教你新东西，它告诉你哪块还没连上。