🧠

AI 八股

LLM 基础、Prompt 工程、RAG、Agent 与工具调用、评测与观测、部署与实战、框架与编排

专题列表

LLM 基础

· 幻觉与能力边界
· Token与上下文窗口
· 训练微调与对齐
...及 2 篇更多

Prompt 与上下文

· Few-shot与结构化输出
· Prompt设计原则
· System User Tool消息分工
...及 1 篇更多

RAG

· Chunk与召回策略
· Embedding与向量索引
· 查询改写与Rerank
...及 1 篇更多

Agent 与工具调用

· Agent规划与状态管理
· Tool Calling
· 单Agent与多Agent
...及 1 篇更多

Eval 与观测

· LLM-as-Judge与人工标注
· 回归测试与版本发布
· 离线评测集
...及 1 篇更多

部署与项目实战

· AI项目怎么讲
· 服务拆分与配置管理
· 成本延迟与吞吐优化
...及 1 篇更多

框架与编排

· LangChain与LlamaIndex
· LangGraph与工作流编排
· 框架选型与自研取舍

这里和 cpp/ 保持同一套组织方式，直接按专题编号，不再额外分 notes、questions。

专题导航

使用方式

先从专题 README.md 看整体框架和复习顺序
再按子主题逐个击破，优先掌握”高频问法 + 典型陷阱 + 代码解释”
每篇子文档统一按这套结构写：
- 面试回答（核心概念 + 典型示例）
- 面试追问（继续深挖的方向）
- 原理展开（底层机制 + 代码演示）
- 易错点（常见陷阱 + 注意事项）
- 记忆技巧（快速记忆口诀）

本次扩充重点

这次扩充以”面试高频核心题”为准，不追求冷门大全，重点补齐以下缺口：

LLM基础：Transformer原理、采样参数、Token与上下文、训练/微调/对齐
Prompt与上下文：Prompt设计、结构化输出、上下文管理、缓存策略
RAG系统：Chunk策略、Embedding与索引、查询改写、重排与降幻觉
Agent与工具调用：Tool Calling、状态管理、权限边界、单Agent与多Agent
Eval与观测：评测集构建、LLM-as-Judge、线上监控、回归测试
部署与项目实战：工程化约束、限流缓存重试、成本与延迟优化、项目表达
框架与编排：框架选择、工作流设计、抽象成本、自研取舍

专题概览

01-LLM基础（5个子主题）：

Transformer与自注意力、采样参数与输出控制
Token与上下文窗口、训练微调与对齐、幻觉与能力边界

02-Prompt与上下文（4个子主题）：

Prompt设计原则、上下文管理与缓存
Few-shot与结构化输出、System User Tool消息分工

03-RAG（4个子主题）：

Chunk与召回策略、检索链路与降幻觉
Embedding与向量索引、查询改写与Rerank

04-Agent与工具调用（4个子主题）：

Tool Calling、Agent规划与状态管理
工具权限与参数Schema、单Agent与多Agent

05-Eval与观测（4个子主题）：

离线评测集、线上指标与Tracing
LLM-as-Judge与人工标注、回归测试与版本发布

06-部署与项目实战（4个子主题）：

服务拆分与配置管理、限流缓存与重试
成本延迟与吞吐优化、AI项目怎么讲

07-框架与编排（3个子主题）：

LangChain与LlamaIndex、LangGraph与工作流编排
框架选型与自研取舍

现在这套目录更接近”高频面试题库”，可以直接按专题复习，也可以按追问链条横向串联。

优化亮点

内容增强

代码示例丰富：每个主题都补充了实用的Python代码
原理深入：增加了底层机制和实际应用场景说明
面试针对性：优化了面试回答的表达方式
工程实践：增加了更多实际工程中的问题和解决方案

结构优化

统一模板：保持一致的文档结构
关联学习：在各专题间建立知识联系
渐进式学习：提供建议的复习顺序

知识覆盖

基础理论：Transformer、注意力机制、模型原理
工程实践：Prompt工程、RAG系统、Agent设计
系统优化：评测体系、监控告警、性能调优
项目经验：部署上线、团队协作、成果表达

所有优化后的内容更适合AI面试准备，既有理论深度又有实用价值。