大模型应用开发面试题库200题（ 8讲47页）

这不是一套教程，是一份可对照的知识清单

这份资料的主题很明确：面向大模型应用开发岗位的面试题库，200 道题、8 讲、47 页，配套一份独立的知识地图页面和完整版题库文档。它不教你怎么从零写一个 RAG 系统，也不带你跑通某个框架的 hello world，它的定位是把大模型应用开发这条线上高频被问到的知识点，按结构化方式列出来，让你知道自己哪一块是空的。

对已经写过一些调用 API 的 demo、但说不清背后原理的开发者来说，这种资料的价值不在于「学新东西」，而在于暴露认知盲区。你翻一遍题目，能快速判断自己是只会调接口，还是真的理解 tokenizer、注意力机制、上下文窗口、向量检索、Agent 编排这些环节的取舍。

题库覆盖的技术栈与知识分层

从题目组织方式看，内容大致分布在几个层面，这也是大模型应用开发面试实际会考察的层次：

• 基础层：Transformer 结构、自注意力、位置编码、tokenization、模型参数量与显存估算、推理与训练的差异。
• 提示与调用层：Prompt 设计模式、few-shot 与 zero-shot 的适用边界、结构化输出、函数调用（Function Calling）、流式输出与超时处理。
• 检索增强层：embedding 模型选型、向量库对比、chunk 切分策略、召回与重排、混合检索、上下文注入的截断问题。
• Agent 与编排层：ReAct、工具调用循环、多 Agent 协作、状态管理、失败重试与幻觉抑制。
• 工程与部署层：推理加速、量化、并发与限流、成本核算、评测集构建、A/B 与线上监控。

这些分层不是理论分类，而是面试官提问时实际会走的路径：先问你会不会用，再问你知道为什么这么用，最后问你出问题时怎么排查。题库按这个逻辑铺开，适合当作自查表逐条过。

知识地图与题库的配合方式

资料包里带了一份 knowledge-map.html，这是整份材料里比较值得单独拿出来看的部分。它把零散的题目挂到一张层级图上，让你先看清模块之间的依赖关系，再决定从哪一块补。比如你不清楚 RAG 里 rerank 为什么要单独做，地图会指出它和召回质量、上下文长度、生成稳定性之间的关联，而不是孤立地背答案。

建议的用法是：先过一遍知识地图，标出自己没概念的节点；再回到题库里找对应题目，尝试不看答案口头作答；答不出来的记下来，作为后续集中补的方向。这比顺序刷 200 题效率高，也更接近真实面试的应对状态。

适合拿来对照实践的写法

题库类资料的常见问题是停在「答案背诵」。这份材料的题目偏向工程取舍类，比如向量库在什么数据量级下该换方案、上下文塞不下时优先砍哪部分、Agent 工具调用失败怎么降级，这些问题的答案只有在你真的搭过一个能跑的系统之后才有体感。所以更合理的做法是：遇到一道工程题，先回想自己项目里对应环节是怎么做的，再看答案里的思路差异在哪，把差异补进自己的实现里。

8 讲 47 页的体量不大，适合在一到两周内配合自己的项目过完一轮。不要指望靠它替代动手，把它当作一面镜子，照出你在大模型应用开发这条线上还没打通的地方，然后回到代码里补。这才是这份资料的实际价值所在。