AI大模型面试必问八股大合集
一、理解主流AI名词原理
1.LLM（大语言模型）
LLM本体定位：一个强大的文本生成器
它只负责做事，不负责生成，核心能力是生成，
2.Prompt（指令）
你给模型的直接输入，包括具体的任务指令、约束条件、输出格式要求以及示例等等。
3.、Context（上下文）
为了让模型“理解当前处境”而提供的背景信息，是模型生产回答的参考依据
4、Memory（记忆）
将历史对话或关键信息整理摘要后，重新放回上下文，避免模型在长对话中“断片”
5.Agent（智能体）
Agent是连接智能模型与程序执行的中间层
Agent = 流程控制 + 工具调度 + 状态管理 + 少量提示词策略
。
6.RAG（检索增强）
RAG就是通过“塞证据”来减少模型幻觉。![]()
功能：
1、减少AI在回答的时候胡编乱造
2、当召回率，精度过关的时候，AI回答的质量也会更高。
7.Function Calling 与 MCP 的层级差异
Function Calling解决的是：模型与agent的交互，把意图变成一个结构化的调用
MCP解决的是：解决Agent与工具的服务。
8.Workflow 和 Skill
Workflow 、 Langchain
流程固化：用硬编码或者低代码拖拽的方式固定流程
优势：极其稳定，可控，适合标准作业程序。
劣势：灵活性差，难以应对多变的输入输出组合。
Skill（技能包）
按需加载：打包“提示词+说明+脚本”，由Agent动态选择
优势：在灵活与稳定之间折中，可扩展性强
劣势：对Agent调度能力有一定的要求
建议：固定流程选Workflow；需求多变，组合复杂的程序选Skill。
9.总结
二、请谈谈大模型开发中 Prompt、RAG和微调的区别，O你该如何根据业务场景进行选型?
快速验证：优先使用prompt，快速调通业务和基本格式。
知识驱动：若涉及大量私有数据或频繁的知识更新，必选RAG。
定制灵魂：若需要模仿真人语气或在窄领域达到专家精度，采用Fine-tuning。
pompt跑逻辑，rag供知识，微调打磨专业度
组合：微调定格式与口吻，RAG提供事实与知识
三.请对比Workflow（工作流）和Agentic（自主智能体）的优劣
workflow工作流：
优点：路径高度可控、结果可以预测、降低token成本
缺点：难以处理开放式任务、灵活性较差
Agentic自主智能体：
自主智能体是给他一个目标，他自己去拆解任务完成任务。具有感知 - 思考 - 行动 - 观察能力
优点：极强的任务拆解能力、自适应复杂的环境。
缺点：容易产生逻辑死循环、运行成本不可控、存在幻觉风险
如何破解Agentic的不确定性？
状态机约束：通过代码约束Agent的动作空间，给Agentic焊一个边框，某个节点只能在ABC三个工具里面选，不能乱跑。
多层级反射机制：智能体干完一步，让另一个智能体来充当“审核员”，对中间步骤进行反思与纠错，通过循环验证来提高准确率。
人机协作（HITL）：在高风险操作（转账，发送）添加一个人工确认按键，将AI自主性锁定在安全范围以内。
核心总结：
确定性为基：核心主干业务，坚决走Workflow
灵活性为翼：复杂长尾场景，按需接入Agentic
混合架构：用workflow锁死下限，用Agentic提高上限
四.Langchain、LangFlow、LangGraph这三者有何区别？
核心定位与关系：
LangChain：地基：他帮我们把提示词、向量数据库、大模型等零散的组件装成了标准的接口。
工作流：是线性的。第一步做什么，第二步做什么是线性的。
LangFlow：它是一个低代码入口，相当于给Langchain穿了一个好看的衣服，可以通过拖拽与连线来构建流程，可以快速制作出原型。
LangGraph：它是为了创造智能体而生，他让大模型有了像人一样的大脑回路
核心痛点解答
架构选择：
LangChain是手和脚，用来干总活累活
LangFlow是用来轻量演示的
LangGraph是大脑，负责规划，记忆和决策。
五.Prompt Engineering是怎么驾驭大模型的？
1、底层逻辑映射
概率坍缩：大模型本质上是一个概率预测机器，在没给出prompt之前，预测空间是无限大的，当你给出prompt以后，就强制大模型把原本发散的概率压缩到一个特定的专业子集里
激发上下文学习：根据上下文的举例（few—shot）他就能在推理的一瞬间学习你的风格
拉长token换推理：在提问的时候总是让模型一步步思考，这一步是为了让强制模型输出中间内容，为复杂问题分配更多计算资源。
2、prompt战术推进（tactics）
![]()
3、工程化难点与防御架构
面试回答策略：
1.信息论维度概率坍缩：Prompt 的本质是通过增加上下文熵，强制模型在隐空间中选中预期的知识概率分布。
2.认知维度-ICL 激发：利用元学习能力，通过少样本(Few-shot)让模型在不更新权重的情况下完成任务对齐。
3.算力维度-思维链推理：解释CoT如何通过拉长生成序列，为逻辑推理分配更多的计算步数，提高复杂任务胜率。
4.工程维度-闭环防御：上升到工程高度，谈论RAG事实注入、Agent插件调用以及量化的评估体系。
六.什么是提示词？什么是提示词工程？
提示词是由角色，背景，明确的任务和边界，输出约束来构成的
提示词工程是把运气变成方法，由策略（zero/few shot）、参数（温度，TOP P ）、增强（RAG，检索）、目标构成（稳定的质量 ）
总结：
结构化思维：写提示词要有核心框架，不能随心所欲
策略化引导：懂得用zero/few shot来诱导模型
工程化迭代：不要想着一次性成功，要测试，评估，再优化
七.Prompt Engineering 和 Context Engineering有什么区别
我理解 Prompt Engineering 和 Context Engineering 的区别在于，Prompt Engineering 更偏模型交互层，是通过设计指令、角色、示例和输出格式，让模型在某个任务上给出更好的回答，他的核心是教模型怎么思考，怎么推理，怎么组织答案。而Context Engineering 更偏系统和产品层，它关注的是模型回答前需要哪些业务上下文，包括用户信息、历史对话、知识库、实时数据、工具调用结果和权限约束等。
在早期 Demo 或简单任务中，Prompt Engineering 很重要；但在真实 AI 产品里，仅靠 Prompt 很难保证效果，因为模型需要依赖正确、完整、实时的上下文。因此Context Engineering 更像是 AI 产品的基础设施设计，决定模型能不能稳定、准确、可控地完成任务。
举个例子，做 AI 客服时，Prompt 可以告诉模型“你是客服，语气要礼貌，不能编造”；但 Context Engineering 要解决的是把用户订单、物流状态、售后政策、历史沟通记录等信息正确地提供给模型。这样模型才能真正回答“我的订单为什么没到”这个问题。
缺少prompt会怎么样？
模型就像一个没人引导的学生，知识乱，逻辑混乱，经常给出来低质量的回答。
缺少context会怎么样？
模型就像一个闭门造车的工人，再聪明也没用，因为根本没有可用信息。
prompt是你写死的，context是你预设的，只有未来是未知的，所以有了Agent，他可以动态输入prompt给大模型 + 可以自动管理context
标准回答：
①prompt是指导大模型怎么思考的机制，他解决的是“How”的问题，怎么推理怎么组织答案。Context是为大模型提供信息的机制，解决的是“What”的问题。
②prompt的核心技术包括zero/few shot，角色扮演等用来激发内部已有的知识。
context的核心技术是RAG，通过检索将外部的知识注入模型
两者缺一不可，前者决定质量，后者决定准确性。
③在实际工程中，prompt面临脆弱性和幻觉问题。我们用自动优化和self-Consistency解决。
context面临中间迷失和噪声问题，我们用重排策略和自反思来解决优化。
未来的发展方向是Agent，让他系统化的生成和管理这两者实现真正的生态协作。
Self-Consistency（自洽性） 指的是系统（尤其在AI大语言模型中）在面对相同或相似输入时，通过多条推理路径生成逻辑一致、结论稳定的输出能力；在语言学中，它泛指“内部各部分无矛盾”的特性。
重排策略：将检索到的关键信息放到prompt的开头或者结尾
自反思：让模型先判断检索内容是否有效，剔除后在进行思考
八.大模型针对文档摘要，怎么设计分层提示词？
分层提示词的本质：它是一种“分而治之”的Prompt工程策略。他可以把一个复杂的任务，拆解为“局部提取-逻辑聚合-全局精炼”的多个树状或者线性或树状步骤，从而引导大模型进行高难度的推理。
它解决了什么痛点？
①上下文瓶颈：突破单词Token限制
②中间信息丢失：解决模型对长文本中间注意力下降的问题
③逻辑连贯性：防止模型面对复杂长文本时出现幻觉或先后矛盾
微观领域：
原子数据提取层：对文档进行物理切割（Chunking），切成一个个有重叠的小块，重叠度在15%左右，防止语义在切分的地方断开。此阶段不需要模型发挥，只要求高召回率。
中观领域：
中观逻辑聚合层：写prompt去引导大模型将第一层的chunk进行主题类聚，然后生成章节综述，进行第一次去重。
宏观领域：
宏观决策精炼层：按照聚合信息生成最终摘要。需要编辑来负责语义对齐、一致性检查，以及最终文案的润色。
九.为什么思维链（CoT）能显著提高大模型的推理能力？
CoT的本质：
①本质是时间换空间，强行增加他解决这个问题的消耗token量。（FLOPs）
②防止大模型看到中间步骤是对前面的文本模糊，相当于给了大模型一张草稿纸，让大模型把前面的内容总结到草稿纸上面，对内容有更清晰的理解，对后文的预测熵更低。
③CoT把概率很低的非线性跳转解析成了线性并且概率很高的线性步骤。就像是把大象塞进冰箱给变成了开门，放大象，关门一样。
④让模型从System1变成System2，从脱口而出变成逻辑推测。
痛点以及解决方案
痛点：
错误传播：推理途中出错导致全局崩盘
解决方案：
PRM过程奖励：对中间每一步推理进行验证和打分。
痛点：
模型规模屏障：小模型不具备很大的知识量，会胡言乱语
解决方案：
推理蒸馏：用大模型的CoT数据进行微调小模型。
痛点：
推理成本高：生成大量中间Token，花钱费时间
解决方案：
动态路由：按需触发，只有复杂问题出发，简单问题直接秒杀。
关于“为什么CoT有效”的满分回答总结
思维链的本质是模型推理的“时间换空间”。它通过将复杂的非线性思考路径显式化，利用额外的计算步长和上下文空间，将LLM从不稳定的“模式匹配”提升为可验证的“符号推演”。它是大模型从感知能力迈向认知能力的里程碑。