面试准备指南¶
本章导读：这份资料解决“知识从哪来”，本章解决“怎么用”。先定位岗位与面试轮次，再按能力模型补齐短板，最后用项目、自我介绍和反问把知识转化成 offer。
使用建议：第一次阅读先做第 2 节的自评表，确定 2–3 个薄弱模块；之后按第 4 节的计划推进，不要从头到尾平均用力。
核心要点¶
- 大模型岗位不是一类岗位：预训练、后训练、推理、多模态、应用架构、产品方案的考察重点差异很大。
- 面试的本质是“验证简历 + 考察潜力”：知识题考边界，项目题考深度，开放题考判断。
- 项目描述用 STAR + 量化结果，必须能回答“为什么这么做、替代方案是什么、失败过什么”。
- 系统设计题先澄清需求与约束，再做容量估算与取舍，最后给风险与演进，不要一上来堆技术名词。
- 算法岗要能推公式、估显存、写代码；应用岗要能画架构、定指标、算成本；产品岗要能判断场景、算 ROI、讲合规。
- 复习要“输出驱动”：每个模块用自己的话讲一遍、手写一遍关键公式/代码，比反复阅读有效。
- 面试中的“不知道”不可怕，可怕的是编造；正确姿势是说明已知边界、给出推理路径、提出验证方法。
- 反问环节是加分项，问团队的技术挑战、评估体系、数据与算力约束，比问薪资更能体现匹配度。
1. 岗位地图¶
| 方向 | 典型 title | 核心工作 | 面试重点 |
|---|---|---|---|
| 预训练 | 大模型算法工程师（预训练） | 数据配比、架构、分布式训练、Scaling Law | Transformer、分布式、显存/算力估算、训练稳定性、数据 |
| 后训练/对齐 | 大模型算法工程师（后训练） | SFT、RLHF、DPO、GRPO、推理增强 | 对齐目标、PPO/DPO/GRPO 推导、RM 数据、reward hacking |
| 推理优化 | 推理/高性能计算工程师 | KV Cache、量化、算子、框架、部署 | 推理两阶段、FlashAttention、量化、吞吐/延迟、CUDA 基础 |
| 多模态 | 多模态算法工程师 | 视觉编码器、投影层、跨模态对齐 | ViT/CLIP、视觉 token、训练阶段、评测 |
| 应用架构 | 大模型应用工程师/架构师 | RAG、Agent、评测、工程化 | 检索链路、Agent 范式、评估、成本与可靠性 |
| 产品/解决方案 | AI 产品经理/解决方案架构师 | 场景选型、POC、交付、合规 | 场景判断、模型选型、TCO/ROI、落地流程、合规 |
说明：很多公司是“算法 + 工程”混合岗，面试会同时考原理与落地。先看 JD 的关键词，再决定复习权重。
1.1 2025–2026 的三个变化¶
根据公开面经与题库的整理，近两年面试有明显转向：
- 从背定义到推公式、算账：RoPE 要能证明相对位置，SwiGLU 要能算 \(8d/3\)，KV Cache 要能现场估显存，分布式要能给 70B 配并行。只答“是什么”通常拿不到高分。
- 从技术点到项目数字：每道概念题后几乎都会接“你们具体怎么做的、效果怎么量化、失败 case 怎么定位”。只报提升百分比、说不清分母，会被一路追问。
- 应用岗新增四大重灾区：上下文工程（压缩/污染/预算）、Skill 与 Harness、HITL 与 ACL、Token 治理与可观测性；RAG 从“一次检索”升级到 Agentic RAG，Agent 从“会调工具”升级到“能恢复、可审计、有权限边界”。
对应准备策略：
- 算法岗：把
08-进阶专题/01、02、03的推导和算例练到能白板复现。 - 应用岗：把
08-进阶专题/04的上下文工程、权限、HITL 结合自己的项目讲。 - 所有岗位：用
08-进阶专题/05统一评测口径，用06-面试题库/05-项目深挖与追问逐题拷打自己的简历。
2. 能力自评表¶
按 1–5 分自评（1 = 完全不会，5 = 能讲清并手写/估算）：
| 能力项 | 算法岗 | 应用岗 | 产品岗 |
|---|---|---|---|
| Transformer 公式与参数量 | 5 | 3 | 2 |
| 训练/微调/对齐原理 | 5 | 3 | 2 |
| 分布式与显存估算 | 5 | 2 | 1 |
| 推理优化与部署 | 4 | 4 | 2 |
| RAG/Agent 系统设计 | 3 | 5 | 4 |
| 评估方法与指标 | 3 | 5 | 4 |
| 成本测算与 ROI | 2 | 3 | 5 |
| 合规与风险 | 2 | 3 | 5 |
| 代码能力 | 5 | 4 | 1 |
| 表达与项目复盘 | 5 | 5 | 5 |
自评后选出 2–3 个“目标岗位权重大、自己分数低”的模块，优先补。
3. 面试流程与每轮重点¶
典型流程（不同公司有差异）：
- 简历筛选：看项目相关性、量化结果、技术栈匹配。
- 笔试/在线编程：LeetCode 中等题、机器学习基础、少量大模型选择题；算法岗可能考手写 attention、LoRA、KV Cache 计算。
- 技术一面（基础 + 项目）：Transformer、训练/推理基础，深挖一个项目。
- 技术二面（深度 + 场景）：分布式、对齐、系统设计、开放题；可能要求白板推导。
- 技术三面/交叉面（架构 + 判断）：端到端方案、取舍、故障排查、跨团队协作。
- 主管面：业务理解、优先级、影响力、成长性。
- HR 面：稳定性、动机、薪资、文化匹配。
每轮的准备重点：
- 一面：把《Transformer》《语言模型与训练目标》的公式与高频题讲顺；项目用 2 分钟版本 + 10 分钟深挖版本。
- 二面：准备 1–2 个“有技术深度”的项目，能讲清失败与迭代；练习系统设计框架。
- 三面：准备 1 个端到端案例（从需求到上线），突出权衡与业务结果。
- 主管面：准备“为什么做这个方向”“最有成就感/最失败的事”“如何排优先级”。
- HR 面：准备离职原因、职业规划、期望薪资；保持信息一致。
4. 学习计划¶
4.1 四周冲刺（每天 3–4 小时）¶
| 周 | 主题 | 任务 | 产出 |
|---|---|---|---|
| 第 1 周 | 基础 | 精读 Transformer、语言模型、位置编码/归一化 | 手写 attention + 参数量/显存估算 |
| 第 2 周 | 训练与对齐 | SFT、LoRA、RLHF/DPO/GRPO、分布式 | 画一张训练流程图，讲清 3 种并行 |
| 第 3 周 | 推理与应用 | KV Cache、量化、RAG、Agent | 设计一个 RAG 系统并估算成本 |
| 第 4 周 | 冲刺 | 题库刷 2 遍、模拟面试、项目复盘 | 3 分钟自我介绍 + 2 个项目故事 |
4.2 八周系统学习（每天 2 小时 + 周末 4 小时）¶
| 周 | 模块 | 配套文档 |
|---|---|---|
| 1 | Transformer 与基础 | 01-基础理论/01、02 |
| 2 | 位置编码、归一化、架构演进 | 01-基础理论/03、04 |
| 3 | 数据、Tokenizer、分布式 | 02-训练与微调/01、02 |
| 4 | SFT、LoRA、对齐 | 02-训练与微调/03、04；08-进阶专题/01 |
| 5 | 推理优化、量化、部署 | 03-推理与部署/01–03；08-进阶专题/02、03 |
| 6 | RAG、Agent、Prompt/评估 | 04-应用开发/01–03；08-进阶专题/04、05 |
| 7 | 产品落地、系统设计 | 05-产品与落地、06-面试题库/03 |
| 8 | 题库、速查、模拟面试 | 06-面试题库/01–06、07-速查 |
时间不够时，优先顺序：Transformer → SFT/LoRA → 推理/KV Cache → RAG → 对齐 → 分布式 → 产品。
5. 简历与项目¶
5.1 项目描述模板¶
项目名称：面向 XX 场景的 XX 系统
背景与目标：解决什么问题，业务指标是什么（准确率/延迟/成本）
我的角色：负责哪部分，团队规模，周期
技术方案：数据 → 模型 → 训练/推理 → 评估 → 部署
关键难点：1–2 个具体问题，如何定位、尝试了什么、最终方案
结果：量化指标（相对提升、绝对值、成本下降、延迟）
反思：如果重做会怎么改，边界在哪里
5.2 量化结果示例¶
- “检索 Recall@5 从 72% 提升到 89%，答案忠实度从 81% 提升到 93%。”
- “通过 INT4 量化和 continuous batching，单卡吞吐提升 2.3 倍，P99 延迟从 1.8s 降到 1.1s。”
- “用 LoRA 在 8 张 A100 上完成 7B 模型领域微调，训练成本降低 60%，业务准确率提升 7 个百分点。”
注意：数字要能解释来源与口径。面试官会追问“怎么测的”“基线是什么”“有没有刷指标”。
5.3 项目深挖问题清单¶
提前准备以下问题的答案：
- 为什么做这个项目？业务价值是什么？
- 为什么选这个模型/方案？对比过哪些替代方案？
- 数据从哪来？如何清洗、标注、评估质量？
- 训练/推理的硬件与成本？如何估算显存与吞吐？
- 最大的技术难点是什么？怎么定位的？
- 失败过哪些方案？为什么失败？
- 指标怎么定义？离线与线上是否一致？
- 上线后遇到什么问题？如何监控与回滚？
- 如果数据/算力翻倍，你会怎么改？
- 这个方案的边界在哪？什么场景不适用？
5.4 简历常见坑¶
- 只写“使用 LoRA 微调”，不写数据规模、任务、指标、硬件。
- 堆技术名词但没有因果链，面试官一问就露馅。
- 指标夸大或口径不清，容易被追问穿。
- 项目太多但没有一个能讲深；建议 2–3 个主项目。
- 把团队成果写成个人成果，追问分工时尴尬。
6. 自我介绍模板¶
6.1 60 秒版本¶
我是 XX，目前在 XX 公司做 XX，主要负责 XX。过去两年我做了两件事：一是用 XX 方法把 XX 指标从 A 提升到 B；二是搭建了 XX 系统，支撑 XX 规模的请求。我的技术栈是 XX，最近在深入研究 XX。选择贵司是因为 XX，希望能在 XX 方向继续深耕。
6.2 2 分钟版本¶
在 60 秒版本上展开一个项目：
- 背景：业务问题与约束；
- 方案：关键技术选择与原因；
- 结果：量化指标；
- 反思：边界与下一步。
不要背稿，记住“现在做什么 → 过去做成了什么 → 为什么匹配这个岗位”三段结构。
7. 系统设计题答题框架¶
遇到“设计一个 XX 系统”，按以下步骤：
- 澄清需求（2–3 分钟）：用户是谁、核心功能、QPS/日活、延迟要求、数据规模、预算、合规。
- 容量估算：token/s、GPU 数、存储、带宽；给出假设与公式。
- 高层架构：画框图，分接入层、应用层、模型层、数据层、观测层。
- 关键模块：检索、Agent、缓存、队列、限流、评测。
- 数据与评估：离线集、线上指标、灰度、反馈闭环。
- 取舍与风险：成本 vs 质量、延迟 vs 准确、开源 vs 闭源、单点故障。
- 演进：MVP → 规模化 → 优化。
常见错误：一上来讲向量数据库选型，却没问“数据量多大、权限怎么隔离、答案错了谁负责”。
8. 反问清单¶
按面试轮次选择 1–2 个：
- 团队目前最大的技术挑战是什么？是数据、算力还是评测？
- 这个岗位入职后 3–6 个月最重要的交付是什么？
- 团队如何做离线评估与线上归因？有没有人工评估流程？
- 训练/推理的资源如何分配？有没有自研框架或平台？
- 业务指标与技术指标如何挂钩？
- 团队的技术栈与协作方式？算法与工程的边界在哪？
- 这个方向未来一年的规划？
避免：只问薪资福利、问官网能查到的信息、问过于宽泛的问题。
9. 常见失败原因¶
| 现象 | 根因 | 改进 |
|---|---|---|
| 公式背了但一追问就乱 | 只记结论，没理解假设与推导 | 每个公式自己推一遍，说明符号与假设 |
| 项目讲成流水账 | 没有难点、取舍、结果 | 用 STAR + 量化，准备失败案例 |
| 系统设计堆名词 | 没有需求澄清与容量估算 | 按第 7 节框架练习 3 遍 |
| 被问“不知道”就慌 | 缺少边界意识 | 说已知、给推理、提验证 |
| 指标被追问穿 | 口径不清或夸大 | 记录基线、测试集、置信区间 |
| 表达太快/太散 | 缺少结构化 | 先给结论，再分 2–3 点展开 |
10. 表达技巧¶
- 先结论后展开：面试官时间有限，第一句话给答案，再解释原因。
- 用数字和对比： “比基线提升 8 个点”比“效果不错”有说服力。
- 主动说取舍：任何方案都有代价，能说出“为什么不选另一个”才是深度。
- 不会就承认： “这块我没有实战经验，但我的理解是……我会这样验证……”比编造好。
- 控制节奏：复杂问题先画图/列提纲，再逐层展开；被打断时先回答被打断的点。
- 准备英文术语：很多面试官中英混用，关键术语要能自然切换。
11. 资料使用建议¶
- 第一遍通读：建立地图，不纠结细节，标记不懂的公式。
- 第二遍精读：每章手写核心公式与代码，做章末高频题；算法岗重点补
08-进阶专题/01、02、03，应用岗重点补08-进阶专题/04。 - 第三遍输出：合上文档，用自己的话讲给“假想面试官”；卡住的地方回查。
- 题库分层刷：
- 先刷
06-面试题库/01或02，按岗位系统查漏； - 再用
06-面试题库/04按公开面经频次排优先级； - 然后逐题过
06-面试题库/05，把简历上的每个项目拷打到能说出数字、基线、失败案例； - 最后用
06-面试题库/06手写 MHA、RoPE、LoRA、KV Cache、采样与 ReAct。 - 系统设计：用
06-面试题库/03练 3 个端到端设计，严格按“澄清 → 容量 → 架构 → 模块 → 评估 → 取舍”展开。 - 模拟面试：找同伴或录音，控制每题 2–3 分钟；重点练项目深挖与系统设计。
- 面试后复盘：记录被问住的问题，24 小时内补齐；把新题补进
06-04、把项目追问补进06-05，形成个人错题本。
这份资料是“地图”，不是“终点”。真正的深度来自你亲手跑过的实验、调过的参数、踩过的坑。面试时，讲你做过的事，比背标准答案更有说服力。
本文档为面试复习资料，流程与岗位信息因公司而异，请以实际 JD 为准。