# 09 面试题 按主题分目录存放的口述题:题干与参考答法保持原样,便于对照开口练。 对照公开题库目录见 [FDEInterviews 公开站点地图](../07-外文精读/10-FDEInterviews公开站点地图.md)。 **先学概念再开口**:十条轨道、171 个概念的系统讲解在 [10 概念课程](../10-概念课程/README.md)。本目录练「60 秒怎么说」;概念课练「为什么 / 何时选」。 ## 轨道目录 | 轨道 | 说明 | 题量 | 对应概念课 | |------|------|------|------------| | [1. LLM和AI基础](./1.LLM和AI基础/) | Token、窗口、生成循环、RAG/微调选型、幻觉、工具调用、延迟成本等 | 20 | [01-LLM与GenAI基础](../10-概念课程/01-LLM与GenAI基础/README.md) | 后续口述轨道(RAG & Agent、系统设计等)按同样结构追加;在题库扩完之前,可直接用概念课 02–10 建框架,再对着公开必刷题标题自练。 --- ## 1. LLM和AI基础 | # | 题目 | |---|------| | 01 | [什么是上下文窗口?它在生产环境下有哪些实际限制?](./1.LLM和AI基础/1.什么是上下文窗口.md) | | 02 | [大语言模型生成回复时,到底发生了什么](./1.LLM和AI基础/2.大语言模型生成回复时发生什么.md) | | 03 | [从头到尾梳理 Transformer 架构(不用复杂数学)](./1.LLM和AI基础/3.从头到尾梳理transformer.md) | | 04 | [什么是词元(token)?为什么 FDE 需要关心分词?](./1.LLM和AI基础/4.token是什么FDE为何关注分词.md) | | 05 | [解释 temperature 和 top-p](./1.LLM和AI基础/5.解释temperature和top-p.md) | | 06 | [什么是嵌入(Embeddings)?它如何实现语义搜索?](./1.LLM和AI基础/6.什么是embedding语义搜索.md) | | 07 | [点积为何是注意力与嵌入中的相似度得分?何时用余弦?](./1.LLM和AI基础/7.点积是注意力机制与嵌入向量中的相似度得分.md) | | 08 | [基础模型与指令模型的区别?客户为何要关心?](./1.LLM和AI基础/8.基础指令模型区别.md) | | 09 | [大模型为什么会产生幻觉?](./1.LLM和AI基础/9.什么是LLM幻觉.md) | | 10 | [风险合同条款分类器:该优化精确率还是召回率?](./1.LLM和AI基础/10.分类器精确率和召回率选择.md) | | 11 | [客户要「掌握我们的文档」:Prompt、RAG、微调怎么选?](./1.LLM和AI基础/11.prompt-rag微调选择.md) | | 12 | [提示词 + 检索文档超出上下文窗口:有哪些方案与取舍?](./1.LLM和AI基础/12.超出上下文窗口.md) | | 13 | [为什么向量搜索会返回「相关但错误」的结果?如何解决?](./1.LLM和AI基础/13.rag搜索准确性.md) | | 14 | [三种具体的幻觉缓解方案,以及各自代价](./1.LLM和AI基础/14.幻觉缓解方案.md) | | 15 | [何时微调优于少样本提示?需要多少数据?如何防退化?](./1.LLM和AI基础/15.微调何时优于少样本提示.md) | | 16 | [「中间丢失」现象如何改变 RAG 的上下文组装?](./1.LLM和AI基础/16.rag系统上下文组装.md) | | 17 | [工具/函数调用有哪些失效模式?生产环境怎么处理?](./1.LLM和AI基础/17.工具调用失败.md) | | 18 | [需要稳定可用的 JSON,但模型总破坏模式约束,怎么办?](./1.LLM和AI基础/18.JSON破坏模式问题.md) | | 19 | [什么时候不应该使用智能体?反对使用智能体的理由](./1.LLM和AI基础/19.反对使用智能体理由.md) | | 20 | [应用太慢:5 种降延迟手段及各自权衡](./1.LLM和AI基础/20.降低延迟和成本方法.md) | ## 怎么用 1. 先按题号自己口述一遍,再对照文内「高分参考答案 / 优质回答参考」 2. 图示与 Mermaid 流程图在文内对应小节;站点 Docsify 已支持 ` ```mermaid ` 渲染 3. 追问表与常见误区用来做第二轮加压,不要只背定义 ## 参考与来源 各题正文为入库整理稿;目录页为原创导航。