大模型应用开发面试题库 200题（8讲47页）

这份资料的核心不是视频讲解，而是一份 8 讲、47 页、200 道题的大模型应用开发面试题库，外加一张 knowledge-map.html 知识图谱和配套课件说明包。它更像一份可以逐条对照、动手验证的技术清单，适合已经写过一些 LLM 调用代码、但对工程细节和面试追问缺乏系统梳理的开发者。

题库的组织方式与覆盖范围

200 道题按 8 个讲次分组，大体沿着「基础概念 → 提示工程 → 检索增强 → 微调 → 推理与部署 → 评测与安全」这条主线铺开。它不是把名词解释堆在一起，而是偏向工程决策类问题：RAG 里 chunk 大小怎么定、向量库选型看哪些指标、LoRA 的秩和 target module 怎么选、KV Cache 显存怎么估、Function Calling 的 schema 设计有哪些坑。这类问题在真实项目里都要做取舍，所以题库天然带有讨论空间。

knowledge-map.html 值得单独拿出来看。它把散落在 200 题里的知识点按依赖关系连成一张图，方便你定位自己卡在哪一层——是底层的注意力机制没吃透，还是上层 Agent 编排的工程模式不熟。用它做自测比顺序刷题效率更高。

适合拿来当什么用

• 面试前的查漏清单：按图谱逐节点过，标记「能讲清楚 / 只知道名词 / 完全没接触」三档，把第三档补掉。
• 项目设计对照表：做 RAG 或 Agent 时，把相关题目的思路当作设计评审的问题列表，逐条问自己方案是否成立。
• 技术选型的锚点：向量数据库、推理框架、微调方案这些选择题，题库给出的判断维度可以直接搬进技术方案文档。

要注意的是，题库给出的是「考点 + 思路」，不是逐题的标准答案代码。想真正吃透，最好对每道有疑问的题，自己写一段最小可运行代码去验证——比如亲手跑一次不同 chunk size 下的召回效果，比背结论有用得多。

按技术栈拆解的重点模块

RAG 与检索链路

这部分题量最大，也是最容易在面试中被追着问的。文档切分、embedding 模型选择、混合检索、重排序、上下文压缩、多路召回融合，每一环都有可复用的工程模式。建议结合一份能跑通的开源 RAG 项目对照，把题库里的问题映射到具体函数上。

微调与参数高效方法

围绕全量微调、LoRA、QLoRA、Adapter、Prefix Tuning 的对比，以及数据构造、训练稳定性、灾难性遗忘的处理。这里的关键是搞清楚每种方法的显存与效果权衡，而不是记住缩写。

推理、部署与成本

涵盖量化、批处理、并发、显存估算、吞吐与延迟的取舍。做应用的同学往往低估这块，但它恰恰是面试里区分「调过 API」和「上过线」的分水岭。

Agent、评测与安全

工具调用、规划与反思、多智能体协作，以及幻觉检测、评测集构建、越狱与注入防护。这部分偏新，题库的价值在于把常见追问先摆出来，让你提前想清楚自己的答案。

怎么用它自学

建议的路径是：先花半小时把 knowledge-map.html 通读一遍，找出薄弱节点；再按节点去题库里挑对应的题，逐题写下自己的回答；写不出来的，回到代码里做实验验证；最后把验证过的结论整理成自己的笔记。整个过程是「读题 — 作答 — 实验 — 复述」，而不是单纯刷题。

47 页的体量决定了它不适合一口气读完，更适合作为一份长期放在手边的对照材料。每次做新项目或准备面试，翻出相关章节重看一遍，收获会比一次性看完大得多。如果你正在做 LLM 应用开发，这份题库配合你自己的代码仓库使用，效果最好。