1. 技术储备清单
必须掌握:
- ✅ Transformer原理(Self-Attention/位置编码/MHA)
- ✅ RAG完整流程(切块/Embedding/检索/Rerank/生成)
- ✅ ReAct Agent框架
- ✅ Prompt Engineering (CoT/Few-shot/Self-Consistency)
- ✅ 模型微调(LoRA/RLHF基础)
- ✅ 推理优化(KV Cache/量化)
加分项:
- ✅ 多Agent协作(AutoGen/CrewAI/A2A)
- ✅ 高级Prompt技巧(Tree of Thoughts)
- ✅ GraphRAG
- ✅ 自研大模型使用(通义/文心/智谱)
2. 项目准备
至少1个完整项目,包含:
- 明确的业务场景
- 技术选型理由
- 核心实现代码
- 性能指标数据
- 遇到的问题与解决方案
示例:
项目: 法律咨询RAG系统
场景: 用户咨询法律问题,Agent查询法条库+案例库回答
技术: LangChain + Qdrant + GPT-4
优化: Rerank提升准确率15%,混合检索召回率+20%
难点: 法条切块保持完整性 → 用正则提取法条编号
效果: 回答准确率85%,平均响应2秒3. 八股文速记
必背概念 (用"速记卡片"复习):
- Self-Attention计算公式
- RoPE vs 正弦编码
- MHA vs MQA vs GQA
- RAG vs Fine-tuning
- ReAct vs Plan-Execute
- LoRA原理
- KV Cache工作机制
4. 代码准备
手写代码(白板/IDE):
- Self-Attention实现
- RAG Pipeline
- ReAct Agent
- LoRA微调脚本
算法题:
- LeetCode Medium难度
- 数据结构(链表/树/哈希)
- 动态规划
5. 面试流程应对
一面(基础):
- 自我介绍(1分钟,突出亮点)
- 项目深挖(STAR法则)
- 技术八股文
- 代码题
二面(综合):
- 系统设计(RAG/Agent架构)
- 问题分析能力
- 开放题(如何优化XX)
- 跨领域思考
三面(深度):
- 职业规划
- 业务理解
- 产品思维
- 团队协作
6. 常见坑
❌ 不要:
- 背答案不理解原理
- 项目造假(会被深挖)
- 不懂装懂
- 完全不了解公司产品
✅ 要:
- 诚实回答"不知道"
- 展示学习能力
- 主动问面试官问题
- 准备反向提问
最后更新: 2026-03-10 材料来源: 牛客网、知乎、CSDN 等公开社区内容的二次整理。后续补充题目时应记录原始链接、发布时间、岗位、轮次和匿名化说明；缺少这些字段时标为“来源待核验”。 覆盖公司: 字节、阿里、美团、百度、腾讯