# AI 大模型与 Agent 面试题汇总

这份题库是给正在或准备做 AI 方向的前端 / 全栈工程师准备的，重点放在真实面试常考、能直接用上工程的题目，而不是 ChatGPT 拽词汇说一遍就完事的概念题。

几条原则：

每道题都标了「考察点」，知道面试官真正想确认什么，比记标准答案更值钱。

答案尽量按面试节奏写：先用一两句话把结论说清，再补关键细节，再补一个能让对方点头的延伸或例子。

实在通用的概念题不会写得太啰嗦，真正决定差异化的，是工程实战那几节（Agent 架构、RAG、MCP、LangChain/LangGraph、前端集成、AI 提效）。

题量按主题排布，越往后越偏工程实操：

一、大模型基础（先把"是什么"打通）

二、Prompt 工程（最该练的硬功夫）

三、AI Agent 架构（高频且能拉开差距）

四、RAG 检索增强生成（ToB 项目几乎必问）

五、Function Calling 与 MCP（新一年最火的实战题）

六、Memory 与上下文管理（Agent 真正难的部分）

七、LangChain / LangGraph 框架（开源生态主战场）

八、模型微调 / 私有化部署 / ToB 落地（资深岗常问）

九、前端 AI 集成与工程化（前端的主场）

十、AI 提效篇（怎么用 AI 反过来帮自己干活）

十一、综合追问 & 场景题（拉差距的部分）

# 一、AI 与大模型基础

这一节别背太多概念，面试官真正想确认的是：你有没有过手感。每个点能说出一个自己见过的现象，胜过把维基百科背一遍。

# 1. 什么是大语言模型（LLM）？它和过去的 NLP 模型本质区别是什么？

⚡ 30 秒速记

LLM 本质上是一个只会做一件事的概率模型：给一段上文，预测下一个 token 最可能是什么
不再针对单一任务训练。过去要做分类训分类，做翻译训翻译；现在一个模型靠 prompt 切换几十种任务
规模带来质变。参数量到一定规模后，会涌现出推理、代码、跨语言能力，这是小模型里不存在的
把这个动作循环执行，就能输出一句话、一段代码、一篇文章

大语言模型本质上是一个自回归概率模型：读取上文，预测下一个 token，再循环生成后续内容。 过去的 NLP 模型通常为分类、翻译等单项任务分别训练，而 LLM 能通过 prompt 在多种任务间切换。模型规模扩大后会表现出推理、代码和跨语言能力，但这不等于它像人一样思考。涉及金额、权限或状态迁移时，我仍会交给确定性代码处理。

考察点：能否用一句话讲清，并知道它不是「智能」而是「概率」。

LLM 本质上是一个只会做一件事的概率模型：给一段上文，预测下一个 token 最可能是什么。把这个动作循环执行，就能输出一句话、一段代码、一篇文章。

它和过去 NLP 的区别有两点最关键：

不再针对单一任务训练。过去要做分类训分类，做翻译训翻译；现在一个模型靠 prompt 切换几十种任务。
规模带来质变。参数量到一定规模后，会涌现出推理、代码、跨语言能力，这是小模型里不存在的。