拓冰网站定制 
1. 面试题库为什么需要跑起来而不是只背答案AI 智能体与大模型应用开发岗位的面试准备很多人卡在一个尴尬的地方题库整理了几百道速答表也背了但一到模拟问答就发现——能看懂答案却讲不出两分钟。原因不复杂面试考的是“表达 追问 工程判断”不是选择题。你需要的不是更多题而是一条能把题库变成可运行练习流程的链路。我试过把题库直接丢给通用对话工具让它扮演面试官。效果一开始还行但很快暴露三个问题一是每次都要重新粘贴题目和规则上下文一长就被截断二是不同工具、不同脚本里 Key 到处散落换一个环境就得重新配一遍三是没法把“题库文件 评分标准 追问逻辑”固化下来练完就丢下次重来。这篇要解决的就是这条链路把 AI 智能体与大模型应用开发面试题库整理成结构化文件用 TaoToken 统一 Key 和 Base URL 接入大模型写一个本地模拟面试脚本让模型按“主问题 → 追问 → 评分 → 改进建议”的节奏陪你练。适合正在准备 Agent 开发、RAG 工程、大模型应用落地岗位的同学也适合想把自己项目经验讲清楚的人。核心检索词先摆出来AI 智能体与大模型应用开发面试题库怎么练、大模型应用开发模拟面试怎么搭、TaoToken 统一 Key 怎么配。这三个问题串起来就是一条从题库到本地验证的完整路径。整条链路分四步第一步把题库整理成 JSON每道题带重要度、难度、考察点、速答和追问第二步在 TaoToken 拿一个统一 Key配好 Base URL第三步写一个 Python 脚本用 OpenAI 兼容接口调用模型按题库逐题模拟第四步跑一轮验证看模型能不能稳定输出“提问 追问 评分”。下面按这个顺序展开每一步都给可复制的配置和命令。需要先说明一点模拟面试的价值不在于“模型答得多好”而在于它能不能稳定地扮演面试官把追问抛出来逼你把答案讲完整。所以脚本设计上重点是把题库结构、评分维度、追问规则固化进去而不是追求花哨的 UI。2. TaoToken 前置准备统一 Key 与 Base URL 怎么配2.1 为什么用统一 Key 而不是每个工具配一套做模拟面试脚本时最烦的是 Key 管理。你可能同时用几个工具一个跑题库问答、一个跑代码解释、一个跑简历润色。如果每个工具都单独配 Key换环境、换机器、换脚本时就要重复劳动还容易把 Key 写死在代码里。TaoToken 的思路是提供一个统一的接入层一个 Key、一个 Base URL兼容 OpenAI 接口格式。这样你的脚本、工具、平台都可以指向同一个地址模型切换、Key 轮换、额度管理都在一处完成。对模拟面试这种“要反复跑、要换模型对比”的场景统一 Key 能省掉大量重复配置。官网入口在这里https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content API 地址是 https://taotoken.net/api 注意 API 地址不带 UTM 参数配置时直接用这个。2.2 拿 Key 和确认模型 ID进入控制台后先创建 API Key。建议按用途命名比如interview-mock方便后面排查是哪个脚本在调用。创建完先复制保存页面刷新后通常不再完整显示。然后确认你要用的模型 ID。模拟面试对模型的要求是中文表达稳定、能遵循结构化输出、支持多轮对话。选一个你额度够用、延迟可接受的模型即可。把模型 ID 记下来后面写进环境变量。这里有个容易踩的坑模型 ID 要和你实际调用的一致不要凭记忆写。不同模型的 ID 命名规则不一样写错了会直接报模型不存在。建议在控制台或文档里核对一遍再填。2.3 环境变量配置不要把 Key 写死在脚本里。用环境变量管理换机器时只改一处。Linux / macOS 下可以写进~/.bashrc或~/.zshrcexport TAOTOKEN_API_KEYsk-你的Key export TAOTOKEN_BASE_URLhttps://taotoken.net/api export TAOTOKEN_MODEL你的模型IDWindows PowerShell 下用$env:TAOTOKEN_API_KEYsk-你的Key $env:TAOTOKEN_BASE_URLhttps://taotoken.net/api $env:TAOTOKEN_MODEL你的模型ID配完执行source ~/.bashrc或重开终端然后验证一下echo $TAOTOKEN_BASE_URL能打印出https://taotoken.net/api就说明环境变量生效了。这一步看着简单但后面脚本报 401 时第一个要查的就是这里。2.4 依赖安装脚本用 OpenAI 兼容的 Python SDK 就行pip install openai如果你习惯用虚拟环境先建一个python -m venv venv source venv/bin/activate pip install openai依赖很轻不需要额外装框架。模拟面试脚本本身不复杂重点是题库结构和调用逻辑。3. 可复制配置题库 JSON 与模拟面试脚本3.1 题库结构设计先把题库整理成 JSON。每道题至少包含这些字段题号、章节、问题、重要度、难度、考察点、速答、追问列表。这样脚本才能按重要度筛选、按章节分组、按追问逐层深入。下面是一个可复制的questions.json片段结构和你手里的题库对齐即可{ meta: { title: AI 智能体与大模型应用开发面试题库, version: 1.0, total: 89 }, questions: [ { id: Q1-1, chapter: 基础认知与技术选型, question: RAG 和微调SFT的核心区别是什么能不能一起用, importance: 必刷, difficulty: 中等, focus: 知识增强和行为优化的区分能力, quick_answer: RAG 解决知识从哪来微调解决模型怎么表现可组合使用。, followups: [ 为什么多数企业项目不会优先做续训, 什么场景适合 RAG 微调组合, 如果预算有限先做哪一个 ] }, { id: Q5-3, chapter: Tools、Function Calling 与 Agent, question: 一个 Agent 应该如何设计它通常由哪些核心组件构成, importance: 必刷, difficulty: 中等, focus: Agent 架构能力而不是停留在概念层, quick_answer: Agent 模型 工具集 运行循环 当前状态。, followups: [ 构建复杂 Agent 时最主要的挑战是什么, 为什么很多 Agent 不是能力不够而是状态和治理没设计好 ] } ] }字段说明importance用来筛选必刷题difficulty用来控制练习节奏followups是模拟面试里最值钱的部分——面试官的追问往往比主问题更考察深度。quick_answer用来做自检练完对照一下自己有没有讲到核心点。3.2 模拟面试脚本下面是一个可运行的mock_interview.py用统一 Key 和 Base URL 调用模型按题库逐题模拟import os import json from openai import OpenAI client OpenAI( api_keyos.environ[TAOTOKEN_API_KEY], base_urlos.environ[TAOTOKEN_BASE_URL], ) MODEL os.environ[TAOTOKEN_MODEL] SYSTEM_PROMPT 你是一位 AI 智能体与大模型应用开发岗位的面试官。 你的任务是对候选人进行模拟面试要求 1. 先抛出主问题等待候选人回答。 2. 根据回答质量从追问列表中选 1-2 个追问继续深挖。 3. 每轮结束后给出评分1-5 分和改进建议。 4. 评分维度概念准确性、工程判断、表达结构、追问应对。 5. 不要一次性把所有追问都抛出来要像真实面试一样逐层深入。 def load_questions(pathquestions.json): with open(path, r, encodingutf-8) as f: data json.load(f) return data[questions] def build_question_prompt(q): followups \n.join(f- {f} for f in q[followups]) return f当前题目{q[id]}{q[chapter]} 主问题{q[question]} 重要度{q[importance]} | 难度{q[difficulty]} 考察点{q[focus]} 参考速答{q[quick_answer]} 可追问方向 {followups} 请先抛出主问题等待我回答。 def run_interview(questions, limitNone): for idx, q in enumerate(questions): if limit and idx limit: break print(f\n{*60}) print(f第 {idx1} 题 | {q[id]} | {q[importance]} | {q[difficulty]}) print(f{*60}) messages [ {role: system, content: SYSTEM_PROMPT}, {role: user, content: build_question_prompt(q)}, ] resp client.chat.completions.create( modelMODEL, messagesmessages, temperature0.3, ) print(\n面试官, resp.choices[0].message.content) answer input(\n你的回答输入 q 跳过) if answer.strip().lower() q: continue messages.append({role: assistant, content: resp.choices[0].message.content}) messages.append({role: user, content: answer}) resp2 client.chat.completions.create( modelMODEL, messagesmessages, temperature0.3, ) print(\n面试官追问与点评, resp2.choices[0].message.content) if __name__ __main__: qs load_questions() must [q for q in qs if q[importance] 必刷] print(f题库共 {len(qs)} 题必刷 {len(must)} 题) run_interview(must, limit3)这个脚本做了几件事加载题库、筛选必刷题、逐题构造 Prompt、调用模型、接收你的回答、再让模型追问和点评。temperature0.3是为了让输出更稳定模拟面试不需要太发散。3.3 关键配置项对照配置项值说明api_key环境变量TAOTOKEN_API_KEY统一 Key不写死在代码里base_urlhttps://taotoken.net/apiOpenAI 兼容接口地址model环境变量TAOTOKEN_MODEL控制台确认的模型 IDtemperature0.3模拟面试要稳定不要发散questions.json题库文件含重要度、难度、追问如果你用 Claude Code 或 Cline 这类工具做代码辅助配置方式类似Base URL 填https://taotoken.net/apiKey 填统一 KeyModel ID 填你选的模型。三件套对齐工具才能正常调用。4. 验证请求跑通一轮模拟面试4.1 先做最小连通性验证在跑完整脚本前先用一段最小代码确认 Key、Base URL、模型 ID 三件套没问题import os from openai import OpenAI client OpenAI( api_keyos.environ[TAOTOKEN_API_KEY], base_urlos.environ[TAOTOKEN_BASE_URL], ) resp client.chat.completions.create( modelos.environ[TAOTOKEN_MODEL], messages[ {role: user, content: 用一句话说明 RAG 和微调的区别。} ], ) print(resp.choices[0].message.content)能正常打印出回答说明接入层通了。如果这一步就报错先别往下走按第 5 节的排查表处理。4.2 跑一轮完整模拟连通性没问题后运行脚本python mock_interview.py预期输出大致是这样题库共 89 题必刷 13 题 第 1 题 | Q1-1 | 必刷 | 中等 面试官 我们先从基础开始。RAG 和微调的核心区别是什么能不能一起用请结合你做过 的项目说明。 你的回答输入 q 跳过RAG 不改模型参数运行时检索资料再生成适合知识更新频繁 的场景微调改参数适合固定输出风格和领域行为。两者可以组合比如客服项目里政策 靠 RAG 保持最新回复格式靠微调保证稳定。 面试官追问与点评 回答方向正确概念区分清楚。追问一下为什么多数企业项目不会 优先做续训如果预算有限你会先做 RAG 还是微调评分4/5。改进建议可以补充 续训成本高、数据要求高、迭代慢这几点并说明先做 RAG 是因为它见效快、可溯源。看到这个输出说明整条链路跑通了题库加载正常、模型调用正常、追问逻辑正常、评分输出正常。4.3 验证要点跑通之后重点检查三件事第一模型有没有按题库的追问方向走。如果它自己乱编追问说明 System Prompt 里的约束不够或者题库的followups字段没传进去。第二评分有没有落到四个维度上。如果只给一个总分说明评分规则没讲清楚可以在 System Prompt 里把维度列得更明确。第三多轮对话有没有断。如果第二轮就丢了上下文检查messages有没有正确 append。实测下来这套流程跑 3 到 5 题就能暴露你的表达短板。比如概念题能答但追问“为什么不用另一个方案”就卡壳这正好对应面试里的高频追问场景。5. 本篇常见错排查5.1 401 报错Key 或 Base URL 不对最常见的报错是 401openai.AuthenticationError: Error code: 401 - {error: {message: Invalid API key}}排查顺序先确认TAOTOKEN_API_KEY有没有正确导出echo $TAOTOKEN_API_KEY看能不能打印再确认 Key 有没有多余空格或换行最后确认 Base URL 是不是https://taotoken.net/api不要漏掉/api也不要多加斜杠。如果 Key 是从控制台复制的注意有些环境会带上引号复制时把引号去掉。5.2 local proxy failed网络层问题如果报错里出现local proxy failed或连接超时先检查本机网络和代理设置。这类报错通常是请求没发出去而不是 Key 的问题。确认你的运行环境能正常访问https://taotoken.net/api再重试。5.3 reading choices 报错响应结构解析失败如果报错里出现reading choices或KeyError: choices说明返回结构和你预期的不一样。常见原因有两个一是模型 ID 写错返回了错误信息而不是正常响应二是 SDK 版本太旧解析逻辑不兼容。先确认模型 ID再升级 SDKpip install --upgrade openai5.4 OAuth 或鉴权相关报错如果你用的是 Claude Code、Cline 这类工具报错里出现 OAuth 或鉴权失败检查三件套有没有配全Base URL、Key、Model ID。这三个缺一个都会失败。特别是 Model ID很多工具要求填完整的模型标识不能只填系列名。5.5 题库 JSON 解析失败如果脚本报json.decoder.JSONDecodeError检查questions.json有没有语法错误。常见问题最后一个元素后面多了逗号、中文引号混用、字段名拼错。可以用这个命令快速校验python -m json.tool questions.json /dev/null echo JSON 格式正确5.6 模型输出不稳定如果模型有时按格式输出、有时乱答先把temperature降到 0.2 或 0.1再在 System Prompt 里把输出格式写死。模拟面试场景不需要创造性稳定比花哨重要。6. 把题库变成长期练习流程跑通一轮之后这套流程可以继续扩展。比如按章节分组练习把run_interview的筛选条件从importance 必刷改成按chapter过滤比如加一个评分记录把每题的得分写进 CSV四周后看哪些章节反复低分比如把追问列表扩充成多轮让模型连续追问三层模拟真实面试的压力。如果你要长期做编码和 Agent 相关的练习可以考虑用 Coding Plan 把调用额度固定下来避免每次练习都担心额度。模型对话入口适合快速验证单个问题接入文档里有完整的参数说明和示例API Keys 页面用来管理你的统一 Key。回到最开始的问题面试题库的价值不在于“背了多少题”而在于“能不能在追问下把答案讲完整”。用 TaoToken 统一 Key 跑通本地模拟面试本质上是把题库从静态文档变成动态练习流程。你练的不是记忆是表达和工程判断——这两样恰好是 AI 智能体与大模型应用开发岗位面试真正考的东西。最后给一个实用技巧每次练完把模型给的改进建议复制到一个review.md里按章节归类。四周后回看你会发现低分题集中在哪几个模块那才是你真正要补的地方。 AI 智能体与大模型应用开发面试题库：用 TaoToken 统一 Key 跑通本地模拟面试
1. 面试题库为什么需要跑起来而不是只背答案AI 智能体与大模型应用开发岗位的面试准备很多人卡在一个尴尬的地方题库整理了几百道速答表也背了但一到模拟问答就发现——能看懂答案却讲不出两分钟。原因不复杂面试考的是“表达 追问 工程判断”不是选择题。你需要的不是更多题而是一条能把题库变成可运行练习流程的链路。我试过把题库直接丢给通用对话工具让它扮演面试官。效果一开始还行但很快暴露三个问题一是每次都要重新粘贴题目和规则上下文一长就被截断二是不同工具、不同脚本里 Key 到处散落换一个环境就得重新配一遍三是没法把“题库文件 评分标准 追问逻辑”固化下来练完就丢下次重来。这篇要解决的就是这条链路把 AI 智能体与大模型应用开发面试题库整理成结构化文件用 TaoToken 统一 Key 和 Base URL 接入大模型写一个本地模拟面试脚本让模型按“主问题 → 追问 → 评分 → 改进建议”的节奏陪你练。适合正在准备 Agent 开发、RAG 工程、大模型应用落地岗位的同学也适合想把自己项目经验讲清楚的人。核心检索词先摆出来AI 智能体与大模型应用开发面试题库怎么练、大模型应用开发模拟面试怎么搭、TaoToken 统一 Key 怎么配。这三个问题串起来就是一条从题库到本地验证的完整路径。整条链路分四步第一步把题库整理成 JSON每道题带重要度、难度、考察点、速答和追问第二步在 TaoToken 拿一个统一 Key配好 Base URL第三步写一个 Python 脚本用 OpenAI 兼容接口调用模型按题库逐题模拟第四步跑一轮验证看模型能不能稳定输出“提问 追问 评分”。下面按这个顺序展开每一步都给可复制的配置和命令。需要先说明一点模拟面试的价值不在于“模型答得多好”而在于它能不能稳定地扮演面试官把追问抛出来逼你把答案讲完整。所以脚本设计上重点是把题库结构、评分维度、追问规则固化进去而不是追求花哨的 UI。2. TaoToken 前置准备统一 Key 与 Base URL 怎么配2.1 为什么用统一 Key 而不是每个工具配一套做模拟面试脚本时最烦的是 Key 管理。你可能同时用几个工具一个跑题库问答、一个跑代码解释、一个跑简历润色。如果每个工具都单独配 Key换环境、换机器、换脚本时就要重复劳动还容易把 Key 写死在代码里。TaoToken 的思路是提供一个统一的接入层一个 Key、一个 Base URL兼容 OpenAI 接口格式。这样你的脚本、工具、平台都可以指向同一个地址模型切换、Key 轮换、额度管理都在一处完成。对模拟面试这种“要反复跑、要换模型对比”的场景统一 Key 能省掉大量重复配置。官网入口在这里https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content API 地址是 https://taotoken.net/api 注意 API 地址不带 UTM 参数配置时直接用这个。2.2 拿 Key 和确认模型 ID进入控制台后先创建 API Key。建议按用途命名比如interview-mock方便后面排查是哪个脚本在调用。创建完先复制保存页面刷新后通常不再完整显示。然后确认你要用的模型 ID。模拟面试对模型的要求是中文表达稳定、能遵循结构化输出、支持多轮对话。选一个你额度够用、延迟可接受的模型即可。把模型 ID 记下来后面写进环境变量。这里有个容易踩的坑模型 ID 要和你实际调用的一致不要凭记忆写。不同模型的 ID 命名规则不一样写错了会直接报模型不存在。建议在控制台或文档里核对一遍再填。2.3 环境变量配置不要把 Key 写死在脚本里。用环境变量管理换机器时只改一处。Linux / macOS 下可以写进~/.bashrc或~/.zshrcexport TAOTOKEN_API_KEYsk-你的Key export TAOTOKEN_BASE_URLhttps://taotoken.net/api export TAOTOKEN_MODEL你的模型IDWindows PowerShell 下用$env:TAOTOKEN_API_KEYsk-你的Key $env:TAOTOKEN_BASE_URLhttps://taotoken.net/api $env:TAOTOKEN_MODEL你的模型ID配完执行source ~/.bashrc或重开终端然后验证一下echo $TAOTOKEN_BASE_URL能打印出https://taotoken.net/api就说明环境变量生效了。这一步看着简单但后面脚本报 401 时第一个要查的就是这里。2.4 依赖安装脚本用 OpenAI 兼容的 Python SDK 就行pip install openai如果你习惯用虚拟环境先建一个python -m venv venv source venv/bin/activate pip install openai依赖很轻不需要额外装框架。模拟面试脚本本身不复杂重点是题库结构和调用逻辑。3. 可复制配置题库 JSON 与模拟面试脚本3.1 题库结构设计先把题库整理成 JSON。每道题至少包含这些字段题号、章节、问题、重要度、难度、考察点、速答、追问列表。这样脚本才能按重要度筛选、按章节分组、按追问逐层深入。下面是一个可复制的questions.json片段结构和你手里的题库对齐即可{ meta: { title: AI 智能体与大模型应用开发面试题库, version: 1.0, total: 89 }, questions: [ { id: Q1-1, chapter: 基础认知与技术选型, question: RAG 和微调SFT的核心区别是什么能不能一起用, importance: 必刷, difficulty: 中等, focus: 知识增强和行为优化的区分能力, quick_answer: RAG 解决知识从哪来微调解决模型怎么表现可组合使用。, followups: [ 为什么多数企业项目不会优先做续训, 什么场景适合 RAG 微调组合, 如果预算有限先做哪一个 ] }, { id: Q5-3, chapter: Tools、Function Calling 与 Agent, question: 一个 Agent 应该如何设计它通常由哪些核心组件构成, importance: 必刷, difficulty: 中等, focus: Agent 架构能力而不是停留在概念层, quick_answer: Agent 模型 工具集 运行循环 当前状态。, followups: [ 构建复杂 Agent 时最主要的挑战是什么, 为什么很多 Agent 不是能力不够而是状态和治理没设计好 ] } ] }字段说明importance用来筛选必刷题difficulty用来控制练习节奏followups是模拟面试里最值钱的部分——面试官的追问往往比主问题更考察深度。quick_answer用来做自检练完对照一下自己有没有讲到核心点。3.2 模拟面试脚本下面是一个可运行的mock_interview.py用统一 Key 和 Base URL 调用模型按题库逐题模拟import os import json from openai import OpenAI client OpenAI( api_keyos.environ[TAOTOKEN_API_KEY], base_urlos.environ[TAOTOKEN_BASE_URL], ) MODEL os.environ[TAOTOKEN_MODEL] SYSTEM_PROMPT 你是一位 AI 智能体与大模型应用开发岗位的面试官。 你的任务是对候选人进行模拟面试要求 1. 先抛出主问题等待候选人回答。 2. 根据回答质量从追问列表中选 1-2 个追问继续深挖。 3. 每轮结束后给出评分1-5 分和改进建议。 4. 评分维度概念准确性、工程判断、表达结构、追问应对。 5. 不要一次性把所有追问都抛出来要像真实面试一样逐层深入。 def load_questions(pathquestions.json): with open(path, r, encodingutf-8) as f: data json.load(f) return data[questions] def build_question_prompt(q): followups \n.join(f- {f} for f in q[followups]) return f当前题目{q[id]}{q[chapter]} 主问题{q[question]} 重要度{q[importance]} | 难度{q[difficulty]} 考察点{q[focus]} 参考速答{q[quick_answer]} 可追问方向 {followups} 请先抛出主问题等待我回答。 def run_interview(questions, limitNone): for idx, q in enumerate(questions): if limit and idx limit: break print(f\n{*60}) print(f第 {idx1} 题 | {q[id]} | {q[importance]} | {q[difficulty]}) print(f{*60}) messages [ {role: system, content: SYSTEM_PROMPT}, {role: user, content: build_question_prompt(q)}, ] resp client.chat.completions.create( modelMODEL, messagesmessages, temperature0.3, ) print(\n面试官, resp.choices[0].message.content) answer input(\n你的回答输入 q 跳过) if answer.strip().lower() q: continue messages.append({role: assistant, content: resp.choices[0].message.content}) messages.append({role: user, content: answer}) resp2 client.chat.completions.create( modelMODEL, messagesmessages, temperature0.3, ) print(\n面试官追问与点评, resp2.choices[0].message.content) if __name__ __main__: qs load_questions() must [q for q in qs if q[importance] 必刷] print(f题库共 {len(qs)} 题必刷 {len(must)} 题) run_interview(must, limit3)这个脚本做了几件事加载题库、筛选必刷题、逐题构造 Prompt、调用模型、接收你的回答、再让模型追问和点评。temperature0.3是为了让输出更稳定模拟面试不需要太发散。3.3 关键配置项对照配置项值说明api_key环境变量TAOTOKEN_API_KEY统一 Key不写死在代码里base_urlhttps://taotoken.net/apiOpenAI 兼容接口地址model环境变量TAOTOKEN_MODEL控制台确认的模型 IDtemperature0.3模拟面试要稳定不要发散questions.json题库文件含重要度、难度、追问如果你用 Claude Code 或 Cline 这类工具做代码辅助配置方式类似Base URL 填https://taotoken.net/apiKey 填统一 KeyModel ID 填你选的模型。三件套对齐工具才能正常调用。4. 验证请求跑通一轮模拟面试4.1 先做最小连通性验证在跑完整脚本前先用一段最小代码确认 Key、Base URL、模型 ID 三件套没问题import os from openai import OpenAI client OpenAI( api_keyos.environ[TAOTOKEN_API_KEY], base_urlos.environ[TAOTOKEN_BASE_URL], ) resp client.chat.completions.create( modelos.environ[TAOTOKEN_MODEL], messages[ {role: user, content: 用一句话说明 RAG 和微调的区别。} ], ) print(resp.choices[0].message.content)能正常打印出回答说明接入层通了。如果这一步就报错先别往下走按第 5 节的排查表处理。4.2 跑一轮完整模拟连通性没问题后运行脚本python mock_interview.py预期输出大致是这样题库共 89 题必刷 13 题 第 1 题 | Q1-1 | 必刷 | 中等 面试官 我们先从基础开始。RAG 和微调的核心区别是什么能不能一起用请结合你做过 的项目说明。 你的回答输入 q 跳过RAG 不改模型参数运行时检索资料再生成适合知识更新频繁 的场景微调改参数适合固定输出风格和领域行为。两者可以组合比如客服项目里政策 靠 RAG 保持最新回复格式靠微调保证稳定。 面试官追问与点评 回答方向正确概念区分清楚。追问一下为什么多数企业项目不会 优先做续训如果预算有限你会先做 RAG 还是微调评分4/5。改进建议可以补充 续训成本高、数据要求高、迭代慢这几点并说明先做 RAG 是因为它见效快、可溯源。看到这个输出说明整条链路跑通了题库加载正常、模型调用正常、追问逻辑正常、评分输出正常。4.3 验证要点跑通之后重点检查三件事第一模型有没有按题库的追问方向走。如果它自己乱编追问说明 System Prompt 里的约束不够或者题库的followups字段没传进去。第二评分有没有落到四个维度上。如果只给一个总分说明评分规则没讲清楚可以在 System Prompt 里把维度列得更明确。第三多轮对话有没有断。如果第二轮就丢了上下文检查messages有没有正确 append。实测下来这套流程跑 3 到 5 题就能暴露你的表达短板。比如概念题能答但追问“为什么不用另一个方案”就卡壳这正好对应面试里的高频追问场景。5. 本篇常见错排查5.1 401 报错Key 或 Base URL 不对最常见的报错是 401openai.AuthenticationError: Error code: 401 - {error: {message: Invalid API key}}排查顺序先确认TAOTOKEN_API_KEY有没有正确导出echo $TAOTOKEN_API_KEY看能不能打印再确认 Key 有没有多余空格或换行最后确认 Base URL 是不是https://taotoken.net/api不要漏掉/api也不要多加斜杠。如果 Key 是从控制台复制的注意有些环境会带上引号复制时把引号去掉。5.2 local proxy failed网络层问题如果报错里出现local proxy failed或连接超时先检查本机网络和代理设置。这类报错通常是请求没发出去而不是 Key 的问题。确认你的运行环境能正常访问https://taotoken.net/api再重试。5.3 reading choices 报错响应结构解析失败如果报错里出现reading choices或KeyError: choices说明返回结构和你预期的不一样。常见原因有两个一是模型 ID 写错返回了错误信息而不是正常响应二是 SDK 版本太旧解析逻辑不兼容。先确认模型 ID再升级 SDKpip install --upgrade openai5.4 OAuth 或鉴权相关报错如果你用的是 Claude Code、Cline 这类工具报错里出现 OAuth 或鉴权失败检查三件套有没有配全Base URL、Key、Model ID。这三个缺一个都会失败。特别是 Model ID很多工具要求填完整的模型标识不能只填系列名。5.5 题库 JSON 解析失败如果脚本报json.decoder.JSONDecodeError检查questions.json有没有语法错误。常见问题最后一个元素后面多了逗号、中文引号混用、字段名拼错。可以用这个命令快速校验python -m json.tool questions.json /dev/null echo JSON 格式正确5.6 模型输出不稳定如果模型有时按格式输出、有时乱答先把temperature降到 0.2 或 0.1再在 System Prompt 里把输出格式写死。模拟面试场景不需要创造性稳定比花哨重要。6. 把题库变成长期练习流程跑通一轮之后这套流程可以继续扩展。比如按章节分组练习把run_interview的筛选条件从importance 必刷改成按chapter过滤比如加一个评分记录把每题的得分写进 CSV四周后看哪些章节反复低分比如把追问列表扩充成多轮让模型连续追问三层模拟真实面试的压力。如果你要长期做编码和 Agent 相关的练习可以考虑用 Coding Plan 把调用额度固定下来避免每次练习都担心额度。模型对话入口适合快速验证单个问题接入文档里有完整的参数说明和示例API Keys 页面用来管理你的统一 Key。回到最开始的问题面试题库的价值不在于“背了多少题”而在于“能不能在追问下把答案讲完整”。用 TaoToken 统一 Key 跑通本地模拟面试本质上是把题库从静态文档变成动态练习流程。你练的不是记忆是表达和工程判断——这两样恰好是 AI 智能体与大模型应用开发岗位面试真正考的东西。最后给一个实用技巧每次练完把模型给的改进建议复制到一个review.md里按章节归类。四周后回看你会发现低分题集中在哪几个模块那才是你真正要补的地方。