#信息来源与作用

来源 作用
KalyanKS-NLP/LLM-Interview-Questions-and-Answers-Hub 提供英文语境下非常系统的 LLM 题库，尤其覆盖 Transformer、推理、微调、提示工程、RAG、系统设计
wdndev/llm_interview_note 提供中文语境下的大模型知识树，覆盖基础、架构、分布式训练、SFT、推理、RLHF、RAG、评测与应用
InterviewBit 2026 LLM Interview Questions 提供较清晰的分类框架，尤其适合抽象出“基础 / GenAI / 微调 / RAG / 系统设计”五大块
Coursera: 13 Common LLM Interview Questions 提供更通用、更偏求职沟通层的基础高频题，用来补齐“如何用口语化方式解释 LLM”这类题
牛客《大模型算法工程师相关面试题汇总》 提供中文真实面试语境下的高频追问方向，尤其是微调、LangChain、PEFT、推理、位置编码、Tokenizer、LayerNorm
小林 coding《530+ AI 面试题合集》 提供岗位市场视角，帮助把题目映射到 2025-2026 年招聘热点：Agent、RAG、多模态、部署优化、代码智能等
datawhalechina/hello-agents 面试问题总结 提供接近真实投递语境的问题池，尤其补强 RoPE、MHA/MQA/GQA、MoE、VLM、Agent、评测与前沿趋势追问
luhengshiwo/LLMForEverybody 提供从 Transformer 到 FlashAttention、Mamba、MLA、部署推理、并行与量化的知识路线图，可用来补齐“最新架构与实现趋势”题

#来源边界怎么理解

本页的来源指题目结构和知识覆盖范围，不等于直接引用答案。整理题库时更重要的是抽取共同考点：哪些主题反复出现，哪些问题只在特定岗位出现，哪些资料更偏基础解释，哪些资料更偏工程和系统设计。

作用指这份材料在题库中的使用方式。英文题库更适合补齐术语和标准问法，中文面经更适合识别真实追问和岗位语境，工程路线图更适合把问题落到实现、性能和部署边界。读者不需要逐个打开来源背诵，而应把它们当作交叉校验的材料池。

#使用时的检查清单

  • 同一概念至少能用中英文术语互相映射，例如 alignment、对齐训练、RLHF、DPO 的关系。
  • 同一问题至少能说出基础版和工程版两个答案，例如 RAG 的流程定义和线上效果诊断。
  • 遇到来源之间表述不一致时，以本题库后续章节的知识树和工程边界为准，不把单个来源当成绝对答案。

#如何避免来源堆砌

使用参考资料时，最容易犯的错是把来源列表当成权威背书，而不是把它们拆成可验证的问题。更稳的做法是：先从多个来源提取同一知识点的共同问法，再回到本题库里找对应章节，最后用自己的话写出边界。比如多个来源都提到 RoPE，真正要掌握的是旋转位置编码怎样把相对位置信息注入 attention、长上下文外推为什么会失真、工程上有哪些扩展方案。

如果来源给的是经验贴，就重点提炼真实追问；如果来源给的是博客或仓库 README，就重点提炼术语、流程和实现；如果来源给的是新闻或行业文章，只把它当成趋势信号。这样处理后，来源不会挤占正文，也不会让笔记开头变成冗余的“材料从哪里来”。