大模型应用开发面试题库 200题（8讲47页）

这份题库不是给"想了解大模型"的人看的，是给"简历上已经写了做过大模型应用、但被追问三层就卡住"的人看的。200 道题、8 讲、47 页，题量不算大，但覆盖的提问方式偏真实面试场景——面试官往往不问你"什么是 RAG"，而是问"你的 RAG 召回率上不去，你按什么顺序排查"。这份材料更接近后一种问法。

它假设你已经动过手，只是没系统复盘

如果你完全没写过调用大模型接口的代码，这份题库会读得比较吃力，因为它默认你至少碰过下面这些东西中的一部分：一套提示词的迭代过程、一次向量库的选型和调参、一轮 Agent 工具调用的失败重试、一段流式输出的前端对接。它不会手把手教你装环境，而是直接问"为什么这么设计""出问题怎么定位""换一种方案代价是什么"。

换句话说，它补的是"做过但说不清"的缺口。很多转岗的人卡在这一步：项目能跑通，但讲不出取舍逻辑，一问到边界条件就含糊。题库的价值在于把这类含糊点逐条摆出来，逼你给出明确答案。

题目集中在几个真实会被追问的区块

从整体分布看，重点不在模型原理推导，而在应用层的工程决策：

• 提示工程部分，考的是结构化输出怎么保证稳定、few-shot 示例怎么选、系统提示与用户输入冲突时怎么处理，而不是"什么是思维链"这种定义题。
• 检索增强（RAG）是重头，切分粒度、embedding 模型选型、混合检索、重排序、引用溯源、召回评估，每一环都有对应提问，且多是"你会怎么做 + 为什么不那样做"的形式。
• Agent 与工具调用，聚焦在工具描述怎么写才不容易误触发、多步任务的失败恢复、循环终止条件、并行调用的副作用控制。
• 还有一部分落在评测与上线：怎么构造评测集、离线指标和线上体感不一致怎么办、成本与延迟的权衡、灰度与回滚。

这些问题在真实面试里出现频率高，但公开的八股材料往往讲得很浅，或者停留在概念层。这份 47 页的内容更像是把每个话题压成若干个"必须能答上来"的点。

建议的用法：先自测，再补，别顺序刷

200 题从头刷到尾效率很低。更实际的做法是先扫一遍题目，把"看题目就知道答案"和"知道方向但说不完整"和"完全没思路"分成三档。第三档是要花时间的，第二档是要动手验证的，第一档可以直接跳过。

对第二档的题，光背答案是没用的——面试官稍微换个场景你就露馅。建议挑其中几道，回到自己的项目里找一个能对上的场景，把当时的做法和材料里的思路对照一遍，找出差异在哪。这个过程比刷题本身更能提升应变能力。资料包里附带的知识图谱可以当索引用，用来确认某个话题有没有被漏掉。

看完之后，你应该能回答这些问题

如果你把这 200 题吃透，下面这类问题应该不用现想：

• 检索效果差，你会先怀疑切分、embedding 还是查询改写？判断依据是什么？
• 模型输出 JSON 偶尔格式错，除了重试还有哪些更稳的办法？各自的代价是什么？
• Agent 调工具陷入死循环，你会加哪些终止条件？怎么防止误伤正常的多步任务？
• 上线后用户反馈"答得不对"，但你离线评测分数不低，问题可能出在哪几个环节？
• 同一个需求，用长上下文直接塞和用 RAG 检索，你会怎么选？边界在哪里？
• 如何向非技术同事解释你的方案为什么选这个模型，而不只是"因为它效果好"？

能流畅答完这些，说明你不是背了答案，而是真的把项目里的决策想清楚了。这份题库的作用，就是帮你把那层"想清楚"逼出来。缺哪块补哪块，别指望它替你补上没做过的实践。