WeThinkIn/AIGC-Interview-Book · 上手攻略

仓库：WeThinkIn/AIGC-Interview-Book
链接：https://github.com/WeThinkIn/AIGC-Interview-Book
分类：ai · interview · career
作者：Tom
更新：2026-08-09

是什么

《三年面试五年模拟》是一份中文开源 AIGC / 大模型 / AI Agent 算法工程师面试百科全书，由 AIGCmagic 社区维护，GitHub 星标 4276（截至 2026-08-09，周增 +21）。内容分为算法岗和开发岗两大方向：算法岗覆盖 AIGC、LLM 大模型、AI Agent、具身智能、传统深度学习、计算机视觉、自然语言处理、强化学习、自动驾驶等；开发岗覆盖 Python/Java/C++/Go/前端/后端/测试/运维等编程基础。另有按公司组织的高频面经题库（DeepSeek / 华为 / 小米 / 哔哩哔哩 / 月之暗面 / MiniMax 等 20+ 公司）。

核心作者为 Rocky Ding（AIGCmagic 社区创始人、知乎 AI 领域博主、全网阅读量 800 万+），联合多位来自互联网大厂/AI 独角兽/国企研究院的一线实战派算法工程师共同编写。

⚠️ 注意：本项目并非一个代码库，而是以 Markdown 文件为主的知识库；没有可运行的 Python 包或 CLI 命令，阅读即使用。

解决什么问题

问题：AIGC 风口下，算法/开发岗面试范围急剧扩大——从传统 CV/NLP 到 LLM、RAG、Agent、具身智能，候选人难以找到系统性复习资料；社招/校招均缺乏按岗位、分方向、可直接对照面试的整合资源。

解决：将碎片化的面经、技术博客、行业认知整合为按主题/公司/路线分类的 Markdown 知识库，配有 15 条结构化学习路线（从"30 天 AI 算法岗冲刺"到"60 天大模型算法岗系统路线"），帮助候选人在 1-2 个月内快速建立 AIGC 岗位面试的知识框架。

快速上手

本项目无需安装，直接在 GitHub 网页阅读或 Clone 到本地：

# 方式一：网页直接阅读（无需 clone）
# https://github.com/WeThinkIn/AIGC-Interview-Book

# 方式二：clone 到本地（适合离线阅读或 IDE 搜索）
git clone https://github.com/WeThinkIn/AIGC-Interview-Book.git
cd AIGC-Interview-Book

# 方式三：用 VS Code / Typora 等打开，配合 Markdown All in One 插件
code .  # VS Code 打开

本地打开后，推荐阅读顺序：

README.md
  └── 算法岗面试求职经验指南/
  └── 大厂高频面试题（实时更新）/
        ├── DeepSeek高频面试题.md
        └── 通用AIGC算法岗高频面试题.md
  └── 热门AI学习核心课程与教程/
        ├── 01_2026_AI_Agent岗面试50问.md    ← 优先读
        ├── 03_大模型面试最高频100问.md
        └── 07_60天大模型算法岗系统路线.md
  └── 大模型基础（精华版）/
  └── AI Agent基础/

⚠️ 部分面经文件较大（如 DeepSeek 高频面试题），建议按需打开，不要一次性全量打印阅读。

核心内容详解

1. 十五天学习路线（精华优先读）

仓库内置 15 条结构化路线，推荐按以下优先级取用：

优先级	文件	适合人群	预估复习周期
⭐⭐⭐	01_2026_AI_Agent岗面试50问	目标 Agent 岗的所有人	3-5 天
⭐⭐⭐	03_大模型面试最高频100问	目标 LLM 算法岗	5-7 天
⭐⭐⭐	07_60天大模型算法岗系统路线	系统复习，不着急面试	60 天
⭐⭐	08_AI Agent工程岗面试路线	目标工程落地岗	3-5 天
⭐⭐	11_模型部署与推理优化路线	目标部署/推理优化岗	3-5 天
⭐	04_AI算法岗薪资与岗位技术栈地图	刚开始找工作，想了解行情	1 天

AI Agent 岗面试 50 问核心节选（直接可引用到面试回答中）：

Q: Agent 的本质是什么？
→ 自主规划 + 工具调用 + Memory 管理的闭环系统。
  核心三要素：规划（Planning）、工具（Tools）、记忆（Memory）。

Q: 工具协议（Tool Protocol）有哪些主流方案？
→ MCP（Model Context Protocol，Anthropic 提出）、
  A2A（Agent-to-Agent，Google/A2A 项目）、
  Toolformer（Meta）、OpenAI Function Calling。
  面试可补充：各协议的设计权衡（集中式 vs 去中心化）。

Q: RAG 与 Fine-tuning 的选择依据？
→ 小数据、频繁更新、知识密集 → RAG；
  大量标注数据、任务格式固定、需要模型内化 → SFT/RLHF。
  2026 年主流趋势：RAG+FT 混合方案（RAF）。

2. 大厂高频面经题库

目前收录 20+ 公司真实/推断面经，包括：DeepSeek、华为、科大讯飞、小米、OPPO、京东、网易、哔哩哔哩、小红书、旷视科技、智谱 AI、月之暗面、MiniMax、百川智能、零一万物、携程、联想等。

每个公司文件结构通常为： - 公司业务 + AI 相关业务简介（帮助理解面试问题背景） - 算法题（手撕代码，LeetCode 风格） - 深度学习/LLM 知识题 - 系统设计/项目深挖

⚠️ 版本说明：README 称"实时更新"，但面经内容更新频率未知；建议面试前结合牛客/LeetCode 热题互补验证，不要把单一来源当标准答案。

3. 基础模块（知识深度储备）

大模型基础（精华版）：Transformer 架构、Attention 机制、Position Encoding、SFT/RLHF/DPO 对比、Flash Attention、Grouped Query Attention、RoPE/ALiBi
AI Agent 基础：规划方法（CoT/ToT/ReAct）、工具调用框架、Multi-Agent 协作、Agent 评测（MBER/AgentBench）
AI 多模态基础：视觉语言模型（VLM）架构、模态对齐方法（CLIP/BLIP）、 diffusion + LLM（SDXL + LLM）
模型部署基础：vLLM/SGLang/TensorRT-LLM/ollama/XInference 对比，量化（INT8/INT4/A8W8），KV Cache 优化

⚠️ 基础模块内容深度不一，部分章节偏摘要风格，不是系统性教程；建议搭配吴恩达课程、李沐课程、论文原文互补学习。

典型适用场景

场景	推荐使用方式
面试前 1-2 周冲刺	优先读 AI Agent 50问 + 大模型 100问 + 公司面经
制定 1-3 个月学习计划	从 30 天/60 天路线文件入手，按周拆解
准备项目深挖（项目经历面）	对照路线文件中的"项目经验"章节，梳理自己项目的技术细节
了解目标公司 AI 业务背景	读对应公司面经文件的第一段公司业务简介
校招/社招判断岗位方向	先读 04_AI算法岗薪资与岗位技术栈地图，明确方向再深入

坑与注意

内容非代码库，不可 pip install：这是纯 Markdown 知识库，没有 Python 包；不要尝试 pip install AIGC-Interview-Book，不存在。
面经来源未标注核实方式：README 称来源于"编者行业经验"，未说明是否为真实面试回忆；建议将面经问题与牛客网/Bilibili 面经视频交叉验证。
部分章节内容较浅，标注"精华版"不等于完整教程：大模型基础（精华版）适合面试快速过知识点，不适合从头系统学习。
进阶服务需付费：README 末尾提及知识星球、微信群、内推等付费服务；免费内容足够准备面试，付费服务未验证。
星标增长与内容更新节奏不透明：周增 +21 星标但具体章节更新频率未知；部分面经可能是 2024-2025 年旧题，2026 年 LLM 面试已大幅更新（推理优化、Agent 工程等），请自行判断时效性。
与同类仓库内容高度重叠风险：部分主题（如 AI Agent 基础）与同类仓库（如 libukai/awesome-agent-skills）内容性质相近；建议对比阅读，取信息密度更高者。

与同类对比

仓库	类型	规模	特色	适合谁
WeThinkIn/AIGC-Interview-Book	知识库（Markdown）	~50+ MD 文件	中文面经 + 公司题库 + 学习路线	中文 AIGC 算法岗候选人
libukai/awesome-agent-skills	Skills 索引	~	Agent Skills 工具索引	想找 Agent 工具链的人
WeThinkIn/AIGC-Interview-Book vs 其他	—	—	公司面经题库是独一份	有明确目标公司的人

一句话推荐结论

AIGC 算法岗中文面试知识库天花板之一——如果你在准备国内 AI 公司算法/开发岗面试，且希望以中文资源为主，这部《三年面试五年模拟》提供了目前最完整的面经题库 + 学习路线体系；免费内容足够冲刺使用，但需注意时效性验证，避免把旧题当真题。