一、AI & LLM 基础原理
1. LLM 的核心原理是什么？
答：
大语言模型（LLM）的核心任务是预测下一个 token。其底层架构是 Transformer，依赖 自注意力机制 捕捉上下文依赖，并通过 位置编码 保留顺序信息。训练流程一般为：
- 大规模无监督预训练（学习通用语言模式）
- 有监督微调（SFT）（在特定任务上训练）
- 对齐（RLHF 等）（让模型输出更符合人类期望）
2. Transformer 的自注意力机制是如何工作的？
答：
自注意力机制通过计算 Q（查询）、K（键）、V（值） 的加权和，来决定输入序列中每个 token 应该关注哪些其他 token。这样模型能捕捉远距离依赖关系，而不像 RNN 那样受限于顺序。
3. 什么是 Embedding？在应用中怎么用？
答：
Embedding 是文本的向量化表示，将语义信息映射到向量空间。应用场景：
- 相似度计算（如语义搜索、推荐系统）
- 向量数据库检索（如 Milvus、Pinecone、FAISS）
- 知识增强问答（RAG）
二、Prompt 工程与应用设计
4. 什么是 Zero-shot、Few-shot 和 Chain-of-Thought？
答：
- Zero-shot：直接给模型任务描述，不提供示例。
- Few-shot：在 Prompt 中提供少量示例，引导模型学习模式。
- Chain-of-Thought (CoT)：让模型分步骤思考，显式输出推理过程。
5. 如何设计一个 Prompt，确保模型输出严格的 JSON 格式？
答：
采用 输出模板约束 + 明确指令：
请提取以下文本的标题和摘要，并严格输出 JSON 格式，不要包含额外文字。 输出格式： { "title": "<标题>", "summary": "<摘要>" }
6. 如果模型经常跑题，你会如何优化 Prompt？
答：
- 增加角色设定：明确模型身份（如“你是资深 HR”）。
- 增加约束规则：如“仅用中文回答”“输出不得超过 100 字”。
- 使用少量示例（Few-shot）：提供正确输出示例。
- 后处理：用代码解析并验证输出格式。
7. 什么是 RAG（检索增强生成），你会如何应用？
答：
RAG = Retrieval-Augmented Generation。流程是：
- 将外部知识库转成向量（embedding）并存入数据库。
- 用户输入问题时，检索相关文档。
- 将检索结果拼接进 Prompt，再交给 LLM 生成回答。
👉 应用场景：企业知识库问答、法律/金融/医药垂直问答。
三、项目经验 & 实战落地
8. 请介绍一个你做过的 AI 应用项目。
答：（示例）
我做过一个 智能简历优化助手：
- 输入：用户简历、目标岗位 JD
- 处理：
- 用 LLM 提取 JD 的关键要求
- 用 Prompt 模板对照简历，指出差距
- 生成修改建议，或直接输出优化后的简历版本
- 输出：结构化结果（教育、经验、技能）
- 技术栈：Python + Vue 前端 + LangChain + 向量数据库
9. 如果用户上传 10MB 的 PDF 简历，如何处理？
答：
- 先用工具（pdfminer、PyMuPDF）分段提取文本。
- 将文本分 chunk（如每段 500 tokens），计算 embedding，存入向量数据库。
- 用户提问时，检索最相关的 chunk，再送入模型。
👉 这样避免一次性输入超出 LLM token 限制。
10. 面试官问：你和 Prompt 工程师的区别是什么？
答：
Prompt 工程师偏重于 设计提示词本身，而 AI 应用工程师要 把 Prompt 融入应用场景：
- 不仅写提示词，还要 整合 API、前端、后端，保证落地可用。
- 会考虑 性能、成本、用户体验，而不仅仅是 Prompt 的语言优化。
👉 我既能写 Prompt，又能写代码把它部署到实际产品中。
