先想清楚：你是哪一类缺口

大模型应用开发这个方向的面试，难点不在“会不会调用接口”，而在于面试官往往会在两三个问题之内，把你从“用过”逼到“讲清楚”。比如你写过一个 RAG 问答，对方接着会问：切块策略怎么定的、召回率怎么评估、上下文塞不下时怎么取舍、幻觉用什么指标衡量。答不上来，不是因为你没做过，而是没被问过。

这份题库面向的就是这种状态：项目跑通过，但知识是零散的，面试时组织不起来。200 道题的排列本身构成一张知识地图，适合拿来当自查清单——先做一遍，把答不顺的地方标出来，再回头补。

题都落在哪些能力上

从主题看，题目集中在几个必须能开口讲的区域：

提示工程与结构化输出：不只是写 prompt，还包括如何约束模型输出格式、如何用少量样本稳定结果、失败时怎么降级。
检索增强生成：文档切分、向量化、召回与重排、上下文拼装，以及端到端效果怎么测。
智能体与工具调用：函数调用的协议细节、多步任务的流程控制、出错重试与状态管理。
模型基础认知：上下文窗口、温度与采样、微调与提示的取舍、Token 成本估算。
工程与落地：并发与限流、缓存、评测集构建、线上问题的排查路径。

这些问题有个共同点：答案没有唯一标准，但必须给出你的判断依据。题库的价值在于把“依据”这一层逼出来。

怎么用这 47 页，比看完更重要

建议不要按顺序从头读到尾。第一遍快速扫过，只做一件事：把题目分成“能讲清楚”“能讲一半”“完全没思路”三类，用三色标记。第二遍只攻后两类，每道题先自己写三到五句话的答案，再对照解析找差距——差距通常不在结论，而在你漏掉的边界条件。

第三遍是模拟：随机抽十道，口头讲出来，掐时间。很多题你心里明白，但一开口就散。这个环节最能暴露问题，也最接近真实面试。

如果你正在准备跳槽，可以把这份题库当一个阶段性的自测工具，而不是背诵材料；背下来的答案在追问面前撑不过两轮。

看完你应该能回答这些问题

RAG 系统的效果不好，你会按什么顺序排查？每一层分别看什么指标？
上下文长度不够时，你有哪些取舍策略，各自代价是什么？
结构化输出要求模型返回 JSON，怎么保证稳定？失败时怎么兜底？
工具调用和普通提示的区别在哪，多步任务如何避免跑偏？
怎么判断一个问题该用提示工程解决，还是该上微调？
上线后怎么衡量“答得好不好”，评测集从哪来？

如果这些问题你能不看稿讲三分钟，这份题库对你就是复习；如果讲不满一分钟，它对你就是补课清单。两种用法都成立，关键是别把它当成读完就结束的资料。