LLMGuide 大模型面试指南

我把大模型面试的「八股文」整理成了一份开源指南，免费在线读

项目：LLMGuide · 大模型面试指南在线阅读：LLMGuide GitHub：https://github.com/Meko1/llm-interview-guide

这两年，大模型方向的岗位越来越多：算法、应用开发、AIGC 工程、推理部署......但准备面试的时候，很多人会遇到同样的问题：

所以我把自己整理的内容系统化，做成了一个开源项目：LLMGuide · 大模型面试指南。目标很简单：帮你在面试前快速建立全局认知，查漏补缺。

LLMGuide 是一份问答式的大模型面试知识库，基于 VitePress 构建，通过 GitHub Actions 自动部署到 GitHub Pages，打开网页就能读，完全免费，MIT 协议开源。

它有几个明确的设计原则：

整个知识库按学习路径分成几大板块：

🌱 新手入门 零基础入门、大模型工作原理（零公式的直觉版）、能力边界与幻觉、发展简史（word2vec → Transformer → ChatGPT → R1）、术语速查表、数学基础。完全没接触过 AI 也能从这里开始。

大模型基础 Transformer 架构、Attention 及其变体（MHA / MQA / GQA / MLA / FlashAttention）、位置编码（RoPE / ALiBi）、归一化与激活函数、Tokenizer、解码与采样策略、MoE、长上下文等。

训练与微调 预训练数据工程、缩放定律、分布式训练与显存优化（DP / TP / PP / ZeRO）、训练集群与网络通信、SFT / LoRA / QLoRA、RLHF / DPO 及偏好优化方法全景、模型融合、垂直领域专家模型实战。

应用开发 Prompt 工程、RAG（基础、进阶、生产化与系统设计）、Embedding 与向量数据库、Agent、Function Calling 与 MCP、A2A 协议、Agent 记忆与上下文工程、多 Agent、Agent 评估与可靠性工程。

推理 · 部署 · 工程实战 KV Cache、量化（GPTQ / AWQ / SmoothQuant）、vLLM 与推理性能指标、AI 编译器、GPU 硬件基础、国产算力适配、LLM 应用开发实战、结构化输出、系统设计、LLMOps、项目案例、商业落地与 ROI 评估。

评估 · 多模态 · 经典模型 评测基准与数据污染、VLM 架构、扩散模型、视频生成、语音大模型、LLaMA / Qwen / DeepSeek 架构演进、小语言模型与端侧部署、中文大模型生态。

🤖 Claude Code 深入 功能总览、代码架构、agentic loop、上下文压缩、权限模型、工具系统、Hooks / MCP / Skills 扩展机制、子 Agent 编排、最佳实践。

🔬 前沿专题 推理模型与慢思考、强化学习基础（PPO / GRPO）、Agentic RL、Mamba / 状态空间模型、扩散语言模型、机制可解释性、具身智能与 VLA、FlashAttention 深入、大模型安全与合规治理。

🎯 面试专题 全站考点浓缩的「高频面试题速记」、10 道可运行的「手撕代码题解」（MHA / RoPE / LoRA / DPO 等）、分岗位面试真题、学习路线与资源汇总。

方式一：在线阅读（推荐）

直接打开 LLMGuide ，按左侧目录选章节即可。

方式二：本地运行

需要 Node.js 18+：

bash

复制代码

git clone https://github.com/Meko1/llm-interview-guide.git
cd llm-interview-guide
npm install
npm run dev

默认在 http://localhost:5173 打开，适合离线阅读或自己改内容。

一个建议的学习节奏：

技术在快速演进，一个人整理难免有疏漏。如果你：

贡献前请先看一下仓库里的 CONTRIBUTING.md，了解写作规范和本地开发流程。

如果这份指南对你有帮助，欢迎去 GitHub 点一个 ⭐ Star，这是对维护者最大的鼓励，也能让更多正在准备面试的同学发现它。

祝大家面试顺利，拿到心仪的 offer！