# AI 大模型与 Agent 面试题汇总
这份题库写给正在做或准备转 AI 方向的前端、全栈工程师，收的是 AI 应用岗面试里反复出现的题。每道题顶部的速记卡是面试时要说出口的要点，下面是能直接参考的回答；想弄懂原理就展开详细解析，最后的追问是面试官顺着往下挖时最常问的几个方向。
左侧分组按学习顺序从基础排到进阶：先把模型和 Prompt 用明白，再把 AI 接进前端页面，然后是工具调用、RAG、Agent、记忆这些应用核心，接着是让系统能上线的工程化，最后才是模型原理、微调部署和综合场景题。刚入门的话从头往下看，有基础的可以直接跳到自己岗位相关的分组。
复习时建议先只看题目自己讲一遍，讲得顺的跳过，卡壳的再看答案。
# 大模型核心概念
这一组是 AI 面试的开场题，问得最多的就是 LLM、token、上下文窗口和采样参数。答的时候别背定义，多讲讲这些概念在项目里怎么影响成本、效果和稳定性。
# 什么是大语言模型（LLM）？它和过去的 NLP 模型本质区别是什么？
⚡ 30 秒速记
- 本质：一个预测下一个
token的概率模型，生成就是「猜一个 → 拼回上文 → 再猜下一个」的循环 - 区别一：以前一个任务训一个模型，分类、翻译各一套；现在同一个模型靠
prompt切换任务 - 区别二：规模上去之后，出现了推理、写代码、跨语言这些小模型上看不到的能力
- 边界：它保证的是「说得像」，不保证「说得对」，算钱、改状态这类事要交给代码
LLM 说到底是一个预测下一个 token 的概率模型：读上文、猜下一个词，再把猜出来的词拼回去接着猜。 和以前的 NLP 模型比，最大的变化是不用再一个任务训一个模型了，分类、翻译、摘要都能在同一个模型里靠 prompt 切换；参数规模上去以后，推理和写代码的能力也跟着出来了。不过它本质上在算概率，说得流畅不代表说得对，所以项目里涉及金额、权限这类必须准确的环节，我还是会交给确定性代码处理。
考察点：能不能用大白话讲清楚，知道它做的是「概率预测」而不是「理解」。
LLM 做的事其实很单一：给一段上文，算出下一个 token 的概率分布，挑一个拼到上文后面，然后重复。聊天、写代码、翻译，底层都是这一个动作在循环。
拆开看一次生成：文本先被 tokenizer 切成一串编号，经过 Transformer 的注意力层，模型判断当前位置该参考前文的哪些内容，最后输出词表里每个候选 token 的概率。它之所以什么都能聊，是因为预训练阶段把海量文本和代码里的规律压进了参数，运行时并没有去查数据库，也没有在核对事实。
「输出概率」这一步是 Softmax 做的。模型最后一层给词表里每个 token 打一个原始分数（logits），能正能负、加起来也不是 1；Softmax 先取指数再归一化，把它们变成加起来为 1 的概率，temperature 就是在这之前把 logits 除以一个数，调分布的尖锐程度。训练时的损失是交叉熵，也就是 -log(真实下一个 token 的概率)：模型给正确答案 0.9 的概率，损失约 0.1；只给 0.01，损失约 4.6，越是自信地猜错罚得越重。所以说大模型就是在整个词表上反复做多分类，并不夸张。
