315386775/DeepLearing-Interview-Awesome-2024 · 上手攻略

  • 仓库：315386775/DeepLearing-Interview-Awesome-2024
  • 链接：https://github.com/315386775/DeepLearing-Interview-Awesome-2024
  • 分类：LLM · 面试题库 · AI 学习资源
  • 作者：Tom
  • 更新：2026-08-28

是什么

DeepLearing-Interview-Awesome-2024 是一个持续更新的算法与 AI 面试题库，涵盖大模型（LLMs）、计算机视觉、深度学习框架、自动驾驶、智慧医疗等六大专题。题目来源有两个：一是各大厂近年高频算法面试题，二是对最新学术论文创新点的深度思考。相比单纯刷题，这个仓库更强调"高新深"——题目要新、要紧跟学术前沿、有一定深度，能真正检验候选人的理解水平而非背书能力。

截至 2026 年，仓库已收录 70+ 道 LLMs 专题题目（含模型结构、训练优化、推理加速、分布式训练等），并持续跟随 LLaMA、Qwen、DeepSeek 等最新模型更新。该仓库还附带微信公众号"码科智能"日常推送，以及多个求职交流群。

⚠️ 注意：这是一个题库/学习资源仓库，而非可安装的软件包。内容以 Markdown 列表呈现，适合系统复习，不适合直接运行。

解决什么问题

对于准备 AI/算法岗位面试的人来说，这个仓库解决三个核心痛点：

  1. 题目分散：网上的算法题面经零散，这个仓库按专题系统整理，节省收集时间。
  2. 答案质量参差不齐：仓库对多数题目提供详细解析，答案来自论文原文或工业实践，有据可查。
  3. 纯刷题不理解原理：题目设计引导思考论文创新点（如 RoPE vs ALiBi 的选择逻辑、RLHF vs SFT 的本质区别），帮助候选人在理解基础上作答而非死记硬背。

快速安装

这不是一个需要安装的软件，直接浏览 GitHub 即可使用。

# 直接在 GitHub 上查看
# https://github.com/315386775/DeepLearing-Interview-Awesome-2024

# 如需本地阅读，clone 仓库
git clone https://github.com/315386775/DeepLearing-Interview-Awesome-2024.git
cd DeepLearing-Interview-Awesome-2024
# 直接用 Markdown 阅读器打开即可

无依赖、无环境配置要求。

核心用法

按专题系统复习

仓库的目录结构如下（主要展示 LLMs 专题）：

DeepLearing-Interview-Awesome-2024/
├── LLMs/
│   ├── Reference.md          # LLMs 专题所有题目与答案
│   └── Agent.md             # Agent 工作流相关题目
├── CV/                      # 计算机视觉专题
├── DeepLearning/            # 深度学习框架专题
├── AutonomousDriving/       # 自动驾驶专题
├── Medical/                 # 智慧医疗专题
└── OpenSource/              # 优秀开源资源推荐

重点题目示例（LLMs 专题）

以下是该仓库收录的部分代表性题目与考察维度，供复习时参考：

模型架构类 - 为何现在的大模型大部分是 Decoder-only 结构？（GPT 系列影响、因果注意力 vs MLN 双向注意力的优劣） - GPT3、LLAMA 的 Layer Normalization 区别？（Pre-LN vs Post-LN 的训练稳定性影响） - 旋转位置编码（RoPE）和 ALiBi 位置编码各自特点与适用场景？（可参考苏剑林 2021 年 RoPE 论文）

模型训练类 - SFT 和 RLHF 分别对基座大模型的作用与影响？（SFT 教格式，RLHF 教偏好，两者不可互替） - LLaMA 3.1 的微调进行了几轮，奖励模型训练数据和 SFT 数据用了什么？（需参考 LLaMA 3 论文） - 为什么现在的 LLM 主要用 RoPE 而非其他位置编码？（外推性优势、工程友好）

推理优化类 - LLM 推理 Prefill 阶段多数据并行属于计算瓶颈，有什么加速方法？（FlashAttention、算子融合、KV Cache 压缩） - LLM 推理 Decode 阶段一次迭代一个 token，内存耗时更多，如何加速？（Batch 策略、投机解码、PagedAttention） - Attention 和 FFN 优化有哪些？（MHA → MQA → GQA 演进路线）

分布式训练类 - DeepSpeed 相较于 PyTorch 原生 torchrun 有什么优点？（ZeRO 分片、混合精度、梯度累积） - 大模型训练阶段耗时在哪里？千卡训练的主要瓶颈？（数据并行通信、内存带宽、GPU 利用率）

Agent 工作流类 - Function call 怎么训练的、怎么微调的？（数据格式构造、工具调用格式对齐）

复习方法建议

  1. 先理解原理，再记忆结论：仓库的题目有深度，建议先阅读原始论文，再对照题目验证理解。
  2. 按专题刷：每个专题的 Reference.md 是主入口，建议按 LLMs → CV → DeepLearning 的顺序推进。
  3. 关注题号：题目编号（如 01、18、40）对应仓库内题目顺序，可直接在 Reference.md 中搜索定位。

典型适用场景

场景 适用度 说明
校招 / 社招算法面试准备 ⭐⭐⭐⭐⭐ 按专题复习，题目质量高，覆盖主流考点
大模型方向深入学习 ⭐⭐⭐⭐ LLMs 专题覆盖模型结构/训练/推理完整链路
快速摸底知识盲区 ⭐⭐⭐⭐ 自测式复习，找到薄弱环节
面试官出题参考 ⭐⭐⭐ 题目设计考察原理深度，适合作为面试题库

坑与注意

  1. 部分题目无答案或解析不全：仓库说明中明确提到，部分题目暂时只有题目没有解析，这是已知状态，不要误以为遗漏。
  2. 题库有时效性：AI 领域发展快，仓库已标注会持续更新，但某些新模型（Qwen3、Jamba2 等）的面试题可能尚未收录。
  3. 非软件仓库，无法运行：本仓库是 Markdown 文档集合，没有 Python 包或 CLI 工具，不要尝试 pip install 或运行代码。
  4. 题目顺序无难度分级：目前录入顺序无先后、频次、难度维度信息，需要自己判断题目难度。
  5. 英文资料为主：部分解析引用英文论文，需具备基础英文阅读能力。
  6. 微信群引流：仓库带有作者微信群和知识星球链接，属于作者个人运营，非开源社区行为。

与同类对比

仓库 类型 侧重点 优势
本仓库 面试题库 LLMs 为主，兼顾 CV/框架/行业 题目有深度，来源论文创新点
houlu369/Awesome-Deep-Learning-Interview 面试题 深度学习基础 题量全但偏传统 ML
julycoding/The-Art-of-Readings 学习笔记 论文精读 侧重原理讲解，非面试导向
kaili04/Interview 面试题 互联网算法 偏传统算法，LLM 覆盖少

本仓库的独特价值在于：大模型专题占比高、题目反映工业界真实考察方向、与最新论文创新点结合紧密。

一句话推荐结论

准备大模型/AI 算法面试的首选题库，题目够新够深，建议配合论文原文献一起复习，单纯刷题效果有限。

来源：GitHub README（2026-08-27 fetch）+ 仓库内 LLMs/Reference.md 目录结构