AI大模型八股面试题 ，覆盖Agent、RAG、LLM等面试题（600张图解+25万字答案解析）

大家好，我是小林。

如果你在准备 2026 的 AI 岗面试，先把这个网站收藏了：

👉 小林面试笔记：https://xiaolinnote.com
专注 AI Agent 开发方向的面试题网站，图解 Agent + RAG + LLM 面试题，让一部分人先跑赢 AI Agent 开发面试。

为什么值得你专门收藏一个网站？我先把家底亮出来——这套大模型面试题目前已经沉淀了：

• 📚 74 道大厂真实高频面试题（Agent / RAG / 工具调用 / 大模型工程）
• 🖼️ 615 张纯手绘图解，复杂原理一张图看懂
• ✍️ 25 万+字详细答案解析，每题都讲到能自己推导
• 🆓 全部免费，且每月持续更新，紧跟 MCP、A2A 等新协议

而且每一道题都做了四件别的八股不会做的事：题目全部来自字节、阿里、腾讯等大厂真实面经、开头先来一段「面试翻车现场」让你感受踩雷体验、复杂架构全部配手绘图解、从根子上把原理讲透——不是让你背答案，而是面试官怎么换着问你都能推出来。

大模型面试题：4 大专题，74 道题全部列给你

进入 2026，AI 岗面试的重心已经从「大模型基础」快速转向「AI 应用落地」，大模型面试题、Agent 面试题、AI 应用开发面试题成了应届和社招必刷的三大方向。下面 4 大专题的题目我全部列出来，点开任意一题都是一篇完整图解长文。

一、Agent 面试题（16 题 · 158 张图 · 6.4 万字）

📖 专题介绍与完整目录：Agent 面试题介绍页

2026 最火的方向，也是 Agent 面试题问得最深的一块。开放题「让你设计一个客服 Agent，任务怎么拆？记忆怎么存？工具调用失败怎么兜底？」全靠这 16 道题打底。

• 1. 什么是 Agent？与大模型有什么本质不同？
• 2. Agent 的基本架构由哪些核心组件构成？
• 3. Workflow，Agent，Tools 这三个的概念和区别介绍一下？
• 4. 了解哪些其他的 Agent 设计范式？Agent 和 Workflow 的区别是什么？
• 5. Agent 推理模式有哪些？ReAct 是啥？具体是怎么实现的？
• 6. ReAct、Plan-and-Execute、Reflection 三种范式有什么核心区别？实际项目中该如何选型？
• 7. 复杂任务怎么做的任务拆分？为什么要拆分？效果如何提升？
• 8. 请你介绍一下 AI Agent 的记忆机制，并说明在实际开发中应该如何设计记忆模块？
• 9. Agent 的长短期记忆系统怎么做的？记忆是怎么存的？粒度是多少？怎么用的？
• 10. 什么是 Multi-Agent？
• 11. 说说 Single-Agent 和 Multi-Agent 的设计方案？
• 12. Agent 记忆压缩通常有哪些方法？
• 13. 在工程实践中，为什么有时候选择「手搓」Agent，而不是直接用成熟框架？
• 14. 如何赋予 LLM 规划能力？
• 15. 讲讲 Agent 的反思机制？为什么要用反思？具体怎么实现？
• 16. 如何设计多 Agent 的协作与动态切换机制？

二、RAG 面试题（20 题 · 142 张图 · 6 万字）

📖 专题介绍与完整目录：RAG 面试题介绍页

RAG 是 Agent 面试题与 AI 应用开发面试题的共同基础，几乎每家大厂必问，建议第一个吃透。这 20 道把 RAG 从原理到线上落地完整过一遍。

• 1. 什么是 RAG？详细描述一个完整 RAG 系统的详细工作流程？
• 2. 大模型的 RAG 主要用来解决什么问题？
• 3. 相比直接微调 LLM，RAG 解决了什么问题？微调和 RAG 各自的优劣势是什么？
• 4. RAG 中的文档是怎么存的？粒度是多大？详细说说文档切割（Chunking）策略？
• 5. 怎么规避语义被切割掉的问题？
• 6. 在 RAG 中 Embedding 究竟是什么？如何选择和评估一个 Embedding 模型？
• 7. Embedding 有哪几种算法你了解过吗？
• 8. 什么是向量数据库？有没有做过向量数据库的对比选型？
• 9. 讲讲你用的向量数据库？数据量级是多大？性能如何？遇到过性能瓶颈吗？
• 10. 你使用 RAG 给大模型一个输入，系统是怎样的工作流程？
• 11. 请你介绍一下向量检索和关键词检索的区别？
• 12. 如何润色用户的 Query（Query Rewrite）？目的是什么？
• 13. 什么是多路召回？具体怎么做？
• 14. RAG 检索优化策略有哪些？
• 15. 了解哪些更复杂的 RAG 范式？
• 16. 在什么场景下，你会选择使用图数据库来增强传统的向量检索？
• 17. 如何规避 RAG 系统中大模型的幻觉？
• 18. 怎么量化你的 RAG 效果？
• 19. RAG 知识库如何实现动态与持续更新？
• 20. 在实际落地中，你觉得 RAG 最难的地方是哪里？

三、LLM 工具调用面试题（16 题 · 127 张图 · 4.6 万字）

📖 专题介绍与完整目录：LLM 工具调用面试题介绍页

这是 AI 应用开发面试题的核心场景。2026 一线大厂已经把 MCP 写进 JD，Function Calling 的 Schema 设计、工具调用失败重试、SSE 与 WebSocket 选型答不好，送分题就成了送命题。

• 1. 什么是 Function Calling？原理是什么？
• 2. LLM 是如何学会调用外部工具的？
• 3. 大模型的 Function Call 能力是怎么训练出来的？
• 4. 什么是 MCP（模型上下文协议）？讲讲它的核心内容？
• 5. MCP 由哪几部分组成？
• 6. MCP 和 Function Calling 有什么区别？有没有实际跑过 MCP？
• 7. Function Calling 也属于工具调用，请问什么场景下使用 Function Calling，什么场景下使用 MCP？
• 8. 为什么有些特定的推理模型不支持 MCP 协议？
• 9. Skill 是什么？
• 10. MCP 和 Agent Skill 的区别是什么？
• 11. Function Calling、Skill、MCP 这三个有什么区别？
• 12. 什么是 A2A 协议？它和 MCP 协议的区别是什么？
• 13. MCP 协议通常采用什么通信方式？
• 14. 说说 WebSocket 和 SSE 通信的区别及局限性？
• 15. 为什么要用 WebRTC 协议？它和 WebSocket 在 AI 对话流中的核心差异是什么？
• 16. 有没有用过大模型的网关框架？网关层解决了什么问题？

四、大模型工程面试题（22 题 · 188 张图 · 8.1 万字）

📖 专题介绍与完整目录：大模型工程面试题介绍页

大模型面试题的工程深水区，P6+ 算法岗与推理工程岗的高频加试。专门聚焦「模型在生产环境为什么跑不快、跑不稳、跑不省成本」这类高阶追问。

• 1. 什么是大语言模型？和传统 NLP 模型有什么区别？
• 2. 讲讲 Transformer 架构基本原理？Encoder 和 Decoder 是什么？
• 3. 多头注意力（MHA）有哪些局限？MQA、GQA、Flash Attention 怎么解决？
• 4. 大模型的位置编码是干什么用的？sin/cos、RoPE、ALiBi 有什么区别？
• 5. 什么是大模型项目的分词器？原理是什么？
• 6. 大模型是怎么训练出来的？
• 7. 什么是 Scaling Law？大模型的「涌现能力」是怎么回事？
• 8. 大模型微调的方案有哪些?
• 9. 请讲一下 LoRA 技术，除了减少参数量，它还有哪些优点？
• 10. SFT 之后还有哪些 Post-Training？RLHF、DPO、GRPO、拒绝采样什么关系？
• 11. 大模型的 DPO 和 PPO 的区别是什么？
• 12. 大模型生成文本时的解码策略有哪些？贪心、Beam Search、采样分别什么时候用？
• 13. 大模型的参数：温度值、Top-P、Top-K 分别是什么？各个场景下的最佳设置是什么？
• 14. KV Cache 是什么？Prompt Caching 的原理是什么？
• 15. 大模型量化是什么？INT8/INT4/AWQ/GPTQ 怎么选？
• 16. 如何写好 Prompt？分享下 Prompt 工程实践经验？
• 17. 什么是 CoT？为啥效果好？它有什么缺点或局限性？
• 18. 大模型为什么会出现幻觉？怎么缓解？
• 19. MoE 混合专家模型是什么？DeepSeek V3、Qwen 为什么用 MoE？
• 20. 大模型部署有哪些主流方案？vLLM、TGI、llama.cpp、SGLang 实际项目里怎么选？
• 21. 大模型能力评测指标有哪些？
• 22. 对比使用过哪些主流大模型？你们项目中最终选用了哪个模型？为什么？

此外还有《LangChain 框架面试题》专题持续更新中。完整大模型面试题入口：https://xiaolinnote.com/ai/

进阶专栏：图解 Agent & 图解 Claude Code

逐题八股能让你「会答题」，但想真正「懂原理」、在面试官连环追问下不慌，还得看这两个「一文讲透」的图解专栏。和八股不同，这里每篇都是一个主题的万字长文，把来龙去脉、设计取舍、源码细节一次性讲穿——这也是网站和其他面试题站点最不一样的地方。

🤖 图解 Agent：吃透 AI 智能体的前沿与底层（6 篇万字长文）

不只是面试题，而是带你看懂当下最火的 Agent 概念、生态与工程方法论。很多内容是全网少有人讲透的前沿话题：

• 👉AI Agent 是什么？：从 0 讲清 Agent 与 LLM 的本质区别、四大核心模块，以及 MCP / A2A 协议，新手入门第一篇。
• 👉OpenClaw 是什么？：GitHub 一度霸榜的爆火开源 Agent，扒一遍它到底凭什么火、架构怎么设计。
• 👉RAG 是什么？：让大模型不再「一本正经胡说八道」的核心技术，一篇看懂检索增强全流程。
• 👉GraphRAG 和 LightRAG 详解：传统 RAG 撞墙之后的两条进阶路线，原理、对比与选型一次说清。
• 👉Harness Engineering 是什么？：被 OpenAI 官方验证的「让 AI Agent 越用越聪明、不再重复犯错」的工程方法论。
• 👉Loop Engineering 是什么？：Claude Code 作者那句「我的工作就是写 loop」背后，AI 编程从 Prompt 到 Loop 的范式转变。

💻 图解 Claude Code：从源码到实战，吃透最强编程 Agent（10 篇）

Claude Code 源码泄漏的 51 万行代码全网刷屏，越来越多大厂面试开始追问它的实现原理。这个专栏带你扒源码 + 练实战，是目前少有的成体系的 Claude Code 深度解析。

源码解析（6 篇）

• 👉源码总览：51 万行泄漏代码里的整体架构设计，先建立全局视角。
• 👉主循环 Query：一轮对话到底怎么跑起来的，异步生成器与 fake tool_result 全讲透。
• 👉上下文管理：Compact 自动压缩机制，长对话为什么不会爆上下文。
• 👉代码检索：为什么用 grep 而不用 RAG 检索代码——字节高频面试题。
• 👉记忆机制：为什么偏偏不上向量数据库，而用 CLAUDE.md + 文件系统。
• 👉多 Agent 机制：SubAgent 怎么拆任务、并发调度与上下文隔离。

实战技巧（4 篇）

• 👉基础使用技巧：新手入门必学，快速上手少走弯路。
• 👉/powerup 教程：官方内置的 18 个互动课程逐个过一遍。
• 👉CLAUDE.md 怎么写：项目记忆文件的正确维护姿势，别再堆上千行无效配置。
• 👉百万行大代码库实战：公司几百万行代码，Claude Code 怎么扛得住。

这份面试题合集适合谁？怎么搭配看？

先记住一条总原则：做 AI 应用开发，主看 Agent + RAG + LLM 工具调用三大专题；大模型工程面试题偏算法底层、难度更高，应用方向当进阶选看，算法 / 大模型自研方向当主线。

• 应届校招（投 AI 应用 / Agent 开发岗）：主攻 Agent 面试题 + RAG 面试题 + LLM 工具调用面试题，这三块就能覆盖 90% 的一面二面追问；大模型工程面试题里挑「应用相关」的（采样参数、Prompt、CoT、幻觉、KV Cache、部署选型）选看即可，训练对齐那部分可以先跳过。
• 后端 / 算法转 AI 应用开发：已有工程底子，缺的是 AI 落地范式——按 Agent → RAG → LLM 工具调用（MCP、网关） 的顺序补，最快补齐应用层短板。
• AI 应用工程师（社招）：把 Agent + RAG + 工具调用三块往深里抠（Multi-Agent 协作、Agent 可观测性、成本与并发、幻觉规避、MCP / 网关治理），冲 P6 / P7 深水区。
• 算法 / 推理 / 大模型开发工程师（非应用层）：大模型工程面试题才是你的主战场——Transformer、Flash Attention、RoPE、LoRA、RLHF / DPO / GRPO 对齐、量化、MoE、推理部署这些底层硬骨头，难度最高，是算法岗与大模型自研岗的核心考点；Agent 与 RAG 作为加分项。

常见问题 FAQ

AI 应用开发面试主要考什么？ 主要考三块：Agent（架构、ReAct、任务拆分、记忆、Multi-Agent 协作）、RAG（切割、Embedding、向量库、检索优化、Rerank）、LLM 工具调用（Function Calling、MCP、A2A、网关治理）。这三块对应网站的 Agent / RAG / 工具调用三大专题，是应用方向的必刷重点。

大模型工程面试题难吗？应用开发同学要看吗？ 偏难，更偏算法底层（Transformer、Flash Attention、RoPE、LoRA、RLHF/DPO/GRPO、量化、MoE）。它更适合算法 / 推理 / 大模型自研方向的同学当主线；应用开发同学当进阶，挑「应用相关」的（采样参数、Prompt、CoT、幻觉、KV Cache、部署选型）选看即可。

大模型面试题和算法面试题有什么区别？ 算法题考数据结构与系统设计，偏通用基础；大模型面试题聚焦 Transformer、注意力机制、训练推理优化、对齐方式等 LLM 专属知识。大厂 AI 岗两类都考，权重随岗位倾斜。

没有大模型项目经验，能学 Agent 面试题吗？ 能。Agent 面试题的核心是工程思维（任务拆分、记忆机制、工具调用、失败处理），配合网站的图解和代码示例就能掌握，建议再搭一个 MVP 级 Agent Demo 写进简历。

这套大模型面试题要刷多久？怎么安排？ 应用方向 1 个月足够：先 Agent，再 RAG，最后工具调用；每道题按「先看面试翻车现场 → 再看图解原理 → 合上网页自己复述」三步走，比死记硬背高效得多。

网站内容免费吗？会持续更新吗？ 全部免费。题目每月更新，紧跟大厂 JD 与新协议（MCP、A2A、Skills、AG-UI 等），建议直接收藏 xiaolinnote.com 随用随查，春招提前 2 个月开始系统刷题。

结语

以上就是 2026 年最新的大模型面试题、Agent 面试题、AI 应用开发面试题三大方向合集。建议直接收藏网站作为面试备战主入口，随用随查：

👉 小林面试笔记：https://xiaolinnote.com —— 大厂新题、新协议（MCP、A2A、AG-UI 等）第一时间更新，助你在 AI 岗招聘季跑赢多数候选人。