大模型面试面经合集

面向大模型 算法研究 / 应用开发 / AI Infra 岗位的系统化面试准备资料。

10 份文档 · 345 道题 · 约 36 万字 —— 全部内容已转成 Markdown，可在 GitHub 上直接在线阅读和全文搜索，无需下载。

这份资料是什么

不是零散面经的堆砌。每份文档都按知识体系（而非来源仓库）重新组织，题目按模块串联，答案做了系统化的工程视角重写与补充：

• 八股成体系 —— 从 Transformer 架构、位置编码、注意力变体，到分布式训练、PEFT、RLHF、推理优化，公式尽量给全并可推导
• 面经带复盘 —— 字节 11 篇真实面经实录按时间线整理，附岗位版图、流程轮次、考察偏好、常见失败原因
• 大厂可横向对比 —— 12 家厂商的面试风格、高频真题、跨公司通用题 Top 榜
• 专题能落地 —— RAG / Agent / 推理部署 / Infra 四个方向各成专题，含手撕题、系统设计题、口述训练和速查卡

内容导航

合计 345 道题。

按岗位方向的阅读路线

建议的准备节奏

使用建议

1. 不要只读不写 —— 每道题合上文档，自己口述一遍，卡住的地方做标记。
2. 公式要能手推 —— Attention、DPO、ZeRO 显存、KV Cache 显存这几处是面试重灾区。
3. 项目是胜负手 —— 八股答得再好，项目讲不清也会挂。每个技术选型都要能回答「为什么不用另一个」。
4. 按公司微调 —— 确定目标公司后，优先精读对应面经文档，注意其考察偏好。
5. 结合真实数据 —— 讲工程实践时带上自己项目的 QPS、成功率、P99 延迟、成本，可信度高很多。

仓库结构

.
├── *.md            # 正文（10 份），GitHub 上可直接在线阅读
├── docx/           # 原始 Word 文件（10 份），排版更精确
└── README.md

根目录的 .md 就是正文，点开即可阅读，无需下载。Markdown 由 pandoc 转换生成（pandoc -f docx -t gfm --wrap=none），公式、表格、代码块已尽量保留；如需精确排版请参考 docx/ 下的原件。

资料来源与致谢

内容整理自以下公开仓库与文档（按 star 数排序），并在各文档开头的「来源与参考」章节逐一署名：

此外还参考了 Anthropic Building Effective Agents、OpenAI Function Calling / Agents SDK 文档、Model Context Protocol 规范、LangGraph / LlamaIndex / AutoGen / vLLM / SGLang 等官方文档，以及 ReAct、Reflexion、MemGPT、FlashAttention、ZeRO、LoRA、DPO 等原始论文。

jingtian11/EasyOffer 与 Junvate/LLM-Algorithm-Intern-Guide 更新较频繁，建议定期直接浏览原仓库获取最新真题。

免责声明

• 面经类内容（尤其是流程、轮次、题目细节）来自公开经验分享与个人整理，实际面试会有差异，请以自己收到的通知为准。
• 答案中的工程实践数据为综合整理的典型值，用于理解量级与权衡，不代表任何具体线上系统。
• 本文档仅供学习交流，请勿用于商业用途；转载请注明来源。

如果这份资料对你有帮助，欢迎 Star ⭐