Agent-Interview-CheatSheet

面向 AI / LLM / Agent 开发工程师 与 AI 产品经理 的面试题库。 每道题会用头部的大模型的回答作为default回答。 持续迭代、不断新增题目，欢迎补充。

---

项目简介

本项目收集并整理 AI / LLM / Agent 方向在面试中真实遇到的问题，包括但不限于：

• 工程师视角：模型原理、训练与推理、Prompt 工程、RAG、Agent 架构、工程化与部署、性能与成本优化等。
• 产品经理视角：AI 产品定义、需求拆解、评估指标、数据飞轮、合规与伦理、商业化与落地等。

对于每个问题会用头部大模型回答面试问题作为"Defualt Answer"。 每个问题一个markdown文件，包含元数据，目录包含所有问题方便检索。

📖 题目目录：index.md —— 按分类 + 序号排列，点击即可跳转到对应题目。

未来目标：当题量与质量达到一定程度后，基于这些结构化数据用 GitHub Pages 构建一个可检索、可分类浏览的静态站点。

---

目录结构

所有题目 Markdown在 questions/ 根目录下；分类与检索能力由仓库根目录的单一索引文件 index.json 承载，根目录 index.md 是面向用户的可点击目录页。

AI-Interview-CheatSheet/
├── README.md                  # 项目说明（本文件）
├── LICENSE
├── index.json                 # 检索索引 + category registry（唯一索引来源，仓库根目录）
├── index.md                   # 目录页：按分类 + 序号排列，点击跳转到对应题目
├── questions/                 # 题库主目录，所有 Q&A Markdown 存放于此
│   ├── llm-0001-attention-mechanism.md       # 中文题目
│   ├── llm-0001-attention-mechanism.en.md    # 对应英文翻译
│   ├── agent-0001-react-vs-plan-execute.md
│   └── rag-0001-chunking-strategies.md
├── assets/                    # 图片、图表等静态资源
└── docs/                      # 未来 GitHub Pages 站点的构建产物 / 配置

约定说明：

• 一题一文件、根目录平铺：每道题目独立成 .md 文件，直接放在 questions/ 根目录下。
• 文件命名：questions/<id>-<slug>.md。<id> 为 方向-四位序号（如 rag-0003）；<slug> 使用英文小写短横线命名（lowercase ASCII kebab-case），语义清晰、URL 友好，如 llm-0001-attention-mechanism.md。
• 分类来自索引而非目录：题目的主分类由 frontmatter 的 category 字段显式承载，并在根目录 index.json 中重复登记；index.json 的 categories 是分类的权威 registry（含中文 label 与排序），不靠文件夹路径表达 category。
• 归类原则：技术题一律按技术方向归类（llm / agent / rag / engineering），即使 role: pm 也按技术方向归类，再用 role 字段标注视角（engineer / pm / both）；product 分类只放纯产品方法论题（如需求拆解、商业化、指标体系），避免与 role: pm 语义重叠。更细粒度先用 tags，暂不引入 subcategory。
• 语言区分：语言由文件后缀区分——中文原文为 questions/<id>-<slug>.md，英文翻译为同 basename 加 .en.md，同样平铺在 questions/ 根目录，如 llm-0001-attention-mechanism.en.md。

索引文件 index.json

index.json（位于仓库根目录）是题库的唯一检索索引与 category registry，必须是合法 JSON。分类 registry 预置五个固定分类：

{
  "schema_version": 1,
  "categories": [
    {"id": "llm", "label": "大模型基础与原理", "sort": 10},
    {"id": "agent", "label": "Agent 架构与编排", "sort": 20},
    {"id": "rag", "label": "检索增强生成", "sort": 30},
    {"id": "engineering", "label": "工程化、部署、性能、成本", "sort": 40},
    {"id": "product", "label": "AI 产品经理方向", "sort": 50}
  ],
  "questions": []
}

每个 questions[] entry 的字段约定：

字段	必填	说明
id	✅	全局唯一 ID，方向-四位序号，与文件名前缀一致
title	✅	题目标题
file	✅	中文源文件名（root-level，如 llm-0001-attention-mechanism.md）
language	✅	源文件语言，通常为 zh
category	✅	主分类，须匹配 id 前缀与 categories 中某个 id
category_label	✅	分类中文 label，与 categories 中对应项一致
tags	✅	标签数组
difficulty	✅	easy / medium / hard
role	✅	engineer / pm / both
status	✅	draft / published
contributor	✅	题目提供人，默认 佚名
updated	✅	题目条目最后变更日期，YYYY-MM-DD
answers_count	✅	答案条数
source	⬜	可选，题目来源（公司 / 渠道）
translations	⬜	可选，翻译映射，如 {"en": "llm-0001-attention-mechanism.en.md"}

索引不复制完整题干或答案正文——Markdown 文件始终是内容的 source of truth，index.json 只承载用于检索/分类/排序的元数据。 一致性约束：每个 root-level questions/*.md 都必须有对应的 index entry，且每个 index entry 的 file 都必须指向真实存在的 root-level 文件。

---

单题格式约定

每道题是一个独立的 Markdown 文件，由 YAML frontmatter（元数据） + 正文（问题 / 各条答案） 两部分组成。

一道题可以挂多条答案：录入时默认带一条 AI 答案（author 署回答模型名），之后任何人都可以追加署名的人类答案或新的 AI 答案。每条答案的元数据（署名、类型、日期等）写在 frontmatter 的 answers 列表里，答案正文写在正文区对应的 ## 答案 · <author> 小节中，二者通过 author 对应。

可直接复制下面的模板新增题目：

---
id: llm-0001                      # 全局唯一 ID，"方向-四位序号"，与文件名前缀一致
title: 简述 Transformer 中的自注意力机制     # 题目标题
category: llm                     # 主分类，须匹配 id 前缀和 index.json 中的某个 category
tags: [transformer, attention, 原理]   # 细粒度标签，便于检索
difficulty: medium                # easy | medium | hard
role: engineer                    # engineer | pm | both
contributor: 佚名                 # 题目提供人，默认「佚名」
source: 字节跳动一面               # 可选，题目来源
status: published                 # draft | published
updated: 2026-06-17               # 题目条目最后变更日期（题干/元数据/任一答案，YYYY-MM-DD）
answers:                          # 多答案列表，至少一条
  - author: Claude-Opus-4.8       # 署名：AI 答案填模型名，人类答案填自取的名字
    type: ai                      # ai | human
    model: Claude-Opus-4.8        # 仅 AI 答案填，便于按模型检索/统计；人类答案省略
    answered: 2026-06-17          # 该答案的回答日期（YYYY-MM-DD）
    updated: 2026-06-17           # 该答案的更新日期（YYYY-MM-DD）
  - author: 老王
    type: human
    answered: 2026-06-18
    updated: 2026-06-18
---

## 问题

简述 Transformer 中的自注意力（Self-Attention）机制，并说明为什么需要多头注意力。

## 答案 · Claude-Opus-4.8

> 🤖 AI 答案 · 模型：Claude-Opus-4.8 · 回答 2026-06-17

自注意力机制通过 Query、Key、Value 三组向量计算 token 之间的相关性……

> **要点**
> - Scaled Dot-Product Attention 的计算流程
> - 多头注意力如何捕捉不同子空间的特征
> - 复杂度与长序列的局限

## 答案 · 老王

> 🙋 人类答案 · 老王 · 回答 2026-06-18

面试时我会先讲清楚「为什么要 attention」，再展开计算细节……

## 延伸 / 追问

- 与传统 RNN / CNN 相比的优势？
- 如何缓解自注意力的 O(n²) 复杂度？

## 参考

- Vaswani et al., *Attention Is All You Need*, 2017

元数据字段说明

字段	必填	说明
id	✅	全局唯一标识，方向-四位序号（如 agent-0007），前缀与文件名/category 一致
title	✅	题目标题，用于索引与站点展示
category	✅	主分类，须匹配 id 前缀和 index.json 中的某个 category，不再与所在目录绑定
tags	✅	标签数组，支撑多维检索
difficulty	✅	难度：easy / medium / hard
role	✅	适配岗位：engineer / pm / both
contributor	✅	题目提供人（谁录入/提供了这道题），默认 佚名；注意与答案的 author 区分
source	⬜	题目来源（公司 / 渠道），可留空
status	✅	draft（草稿）/ published（已发布）
updated	✅	题目条目最后变更日期（题干、元数据或任一答案有改动即更新），YYYY-MM-DD
answers	✅	答案列表，至少一条；每个元素的字段见下
answers[].author	✅	答案署名：AI 答案填回答模型名（如 Claude-Opus-4.8），人类答案填自取的名字
answers[].type	✅	答案类型：ai 或 human
answers[].model	条件	仅 AI 答案填，回答所用模型名；保留独立字段方便按模型检索/统计（人类答案省略）
answers[].answered	✅	该条答案的回答日期，YYYY-MM-DD
answers[].updated	✅	该条答案的更新日期，YYYY-MM-DD

updated 的两个层级：题目级 updated 是「整条题目最后一次变更」，用于站点排序与「最近更新」；每条答案的 answers[].updated 是「这条答案自身最后一次修订」。改动某条答案时，同时更新该答案的 updated 和题目级 updated。

统一的 frontmatter 是后续维护索引、检索过滤、GitHub Pages 展示的基础，请新增题目时务必填写完整，并在 index.json 中同步登记对应 entry。

---

路线图 (Roadmap)

• 阶段一 · 中文题库：搭建扁平目录结构与单题模板，持续录入中文 Q&A。
• 阶段二 · 英文翻译：为已发布题目补充 *.en.md 英文版本，形成双语题库。
• 阶段三 · 检索 / 分类完善：基于 index.json 与元数据完善分类索引、标签云与全文检索。
• 阶段四 · GitHub Pages 静态站：将结构化题库渲染为可检索、可分类浏览的静态站点对外展示。

---

贡献指南

欢迎一起完善这份题库！新增一条 Q&A 的流程：

1. 确定分类：选定题目的主分类（llm / agent / rag / engineering / product 之一，须是 index.json 中已登记的 category；技术题按技术方向归类，纯产品方法论题归 product）。
2. 新建文件：复制上文「单题格式约定」中的模板，在 questions/ 根目录下新建文件，文件名为 <id>-<slug>.md，<slug> 用英文 kebab-case，如 agent-0007-tool-calling-design.md。不要创建分类子目录。
3. 填写元数据：完整填写 frontmatter（id / category / tags / difficulty / role / contributor / status / updated 以及 answers 列表），id 不要与已有题目冲突，且 category 须匹配 id 前缀与某个 index category；不填 contributor 时按 佚名 处理。
4. 撰写内容：问题描述清晰；至少提供一条答案，默认带一条署名模型名的 AI 答案，每条答案在正文区写成 ## 答案 · <author> 小节，并在 frontmatter answers 中补齐该答案的 author / type / model / answered / updated。
5. 新增/修订答案：在 answers 列表追加或修改对应条目，更新该答案的 updated，并同步刷新题目级 updated。
6. 登记索引：在 index.json 的 questions 数组中新增/更新对应 entry（字段见上文「索引文件」），确保 file 指向新建的 Markdown 文件。
7. 提交 PR：遵循下方命名与提交规范。

命名规范

• 文件名：questions/<id>-<slug>.md，<slug> 用英文小写 + 短横线（kebab-case），语义清晰，例如 llm-0002-kv-cache-explained.md。
• 题目 id：方向-四位序号，前缀与文件名/category 一致，如 rag-0003、product-0012。
• 答案署名 author：AI 答案统一填回答模型名（如 GPT-5.5、Claude-Opus-4.8），人类答案填自取的名字。
• 英文版：同 basename 加 .en.md 后缀，同样平铺在 questions/ 根目录，如 llm-0002-kv-cache-explained.en.md。

提交（Commit / PR）规范

• 提交信息建议遵循 Conventional Commits：
  • docs: add llm question about kv-cache（新增题目）
  • docs: fix answer in agent-0001-react-vs-plan-execute（修正内容）
  • chore: update index.json（索引调整）
• 一个 PR 聚焦一类改动，便于 review。
• 提交前请自检：frontmatter 字段完整、id 唯一、index.json 已同步登记且能被 JSON parser 解析、Markdown 渲染正常。

---

License

本项目基于 MIT License 开源。