把AI知识，读成可复用的工作方法

覆盖 AI 需求定义与场景挖掘、模型能力边界与选型、效果验收与评估、成本与商业化、数据合规、人机协作体验设计、AI 项目管理等产品经理核心考点

覆盖 AI 漫剧全流程：LLM 剧本创作、分镜设计、角色一致性方案、图像与视频生成工作流、配音口型同步、竖屏短剧运营、内容合规与商业化等核心考点

覆盖 Transformer 原理、预训练与数据工程、SFT 与参数高效微调、RLHF/DPO 对齐、推理优化与量化部署、评测体系等大模型算法核心考点

覆盖提示词设计结构、CoT/ReAct 等推理技术、结构化输出、提示词安全与注入防御、评估与版本治理、业务落地方法论等 Prompt 工程核心考点

覆盖知识库规划与治理、内容质量与切分配合、标注数据生产、RAG 效果运营与 bad case 归因、知识保鲜机制、数据合规与安全、运营指标体系等核心考点

覆盖大模型评测体系、评估集建设、程序断言与 LLM-as-judge、对抗与红队测试、性能与安全测试、回归与线上监控、RAG/Agent 专项测试等核心考点

覆盖 AI 平面与视觉设计的全链路考点：提示词与风格控制、ControlNet 工作流、电商/品牌/插画场景、版权与商用授权、批量设计工程化、设计师竞争力重构

覆盖 B 端 AI 落地的全链路考点：客户调研与痛点挖掘、方案架构设计（RAG/Agent/微调选型）、POC 设计、ROI 测算与报价、投标与演示、交付边界管理、行业方案与异议处

覆盖职场 AI 应用的全场景考点：文档写作与总结、表格与数据分析、汇报演示、个人知识管理、提示词模板库建设、人机分工与验证习惯、数据安全红线与团队 AI 化推广

从工具调用走到规划、协作与治理。内容整理自开源仓库 ai-interview-guide（MIT 协议）

从开放问题走到客户生产结果。内容整理自开源仓库 ai-interview-guide（MIT 协议）

从模型能力走到可上线的业务系统。内容整理自开源仓库 ai-interview-guide（MIT 协议）

从架构原理走到吞吐与部署。内容整理自开源仓库 ai-interview-guide（MIT 协议）

从多模态理解走到视觉工具与实时交互。内容整理自开源仓库 ai-interview-guide（MIT 协议）

从召回链路走到评测与生产治理。内容整理自开源仓库 ai-interview-guide（MIT 协议）

从评测方法走到风险控制与线上监测。内容整理自开源仓库 ai-interview-guide（MIT 协议）

覆盖 AI 漫剧前期创作全链路：LLM 辅助剧本创作、人设与世界观、钩子与反转设计、分镜与文案、连载剧情管理与一致性、原创与版权合规、数据驱动改剧等核心考点

覆盖 AI 漫剧中期制作与制片管理：流水线设计与排期、角色一致性生产管控、提示词与 LoRA 资产管理、批量产能、质量与成本控制、外包协作、商业化与合规台账等核心考点

覆盖 AI 漫剧后期全链路：图生视频与运动控制、口型同步与 TTS 配音、音效与混音、剪辑节奏与字幕包装、调色统一、成片规格导出与质检、工程化素材管理等核心考点

Python 语言特性、编码规范、数据类型、正则、装饰器等高频面试题（已排除并发/网络/爬虫/Git/算法专题）。内容整理自开源仓库 Python-Interview-Custom

Java SE 基础高频面试题：JDK/JRE、运算符与关键字、字符串三兄弟、接口与抽象类、异常体系、反射、深浅拷贝等。带【高频】标记的是笔试面试超高频考点。

Linux 常用命令与 Docker 容器高频考点：目录文件操作、vi/vim、压缩解压、授权、端口/进程/内存排查、Docker 镜像与容器管理、docker-compose 等

Redis 高频面试题：数据类型、高性能原理、持久化、缓存三大问题（穿透/击穿/雪崩）、过期删除与内存淘汰、集群方案、事务与缓存预热等。

MySQL 高频面试题：连接与合并、char/varchar、事务与隔离级别、三大范式、索引（分类/创建原则/失效/B+树/覆盖索引）、锁、日志、主从复制、SQL优化与慢查询日志。

RabbitMQ 高频面试题：微服务交互、MQ 三大作用、收发代码流程、消息可靠性（丢失/堆积/幂等）、死信队列、延迟消息与交换机模式，结合项目实战场景整理。

Elasticsearch 高频面试题：倒排索引原理、查询关键字、keyword/text 类型、query 与 filter 区别、与 MySQL 的数据一致性方案、性能优化。

大模型微调高频面试题：全参数微调的局限（显存/硬件/灾难性遗忘/存储成本）、参数高效微调（PEFT）核心思想、LoRA 低秩适配的技术原理与数学基础、适配器注入位置与推理时权重合并

LangChain 高频面试题：六大核心组件、链与代理、提示模板与输出解析、Memory 多轮对话、文档检索与向量存储、LCEL 声明式编排、流式处理、SQL 数据库代理与数据安全

LangGraph 高频面试题：状态图与节点执行流程、TypedDict/Annotated 与 Reducer 状态管理、ToolNode 工具调用、interrupt() 人机

MCP（Model Context Protocol）高频面试题：协议定位与函数调用关系、Server/Client 核心角色、Resources/Tools/Prompts 能力

多智能体（Multi-Agent）系统高频面试题：单 Agent 瓶颈、多 Agent 协作收益、Boss-Worker 中心化模式、流水线模式、民主/辩论式协作、通信冗余控制、一

Agent Skill（智能体技能）高频面试题：SKILL.md 结构与 frontmatter、渐进式披露三层加载、description 触发设计、脚本化确定性执行、Skill

针对安全与合规团队，设计不可见的标识植入技术以实现AIGC内容的溯源与版权保护。

针对Prompt Engineer，建立动态样本选择机制以提升模型在特定任务上的表现。

针对需要微调LLM的数据科学家，建立标准化的数据清洗管道以提升模型训练效果。

针对构建RAG系统的AI工程师，优化文档切分方式以提升上下文检索的准确率和连贯性。

针对维护大规模向量数据的工程师，制定平衡检索性能与资源消耗的索引刷新机制。

1. 描述图片的视觉元素与布局结构。<br>2. 关联图片内容与文本需求。<br>3. 识别图片中的异常或Bug。<br>4. 将线框图转换为文字描述或代码。

1. 理解高层业务目标（Business Goal）。<br>2. 按用户旅程或功能模块进行拆解。<br>3. 生成标准的User Story与AC。<br>4. 识别依赖关系与技

1. 定义标签分类体系（一级/二级/三级）。<br>2. 提取工单文本中的关键词与业务实体。<br>3. 映射到标准标签库。<br>4. 处理新出现的未知问题（Other）。

1. 定义品牌人设（Persona）与语气（Tone of Voice）。<br>2. 设计不同情绪场景下的共情策略。<br>3. 规避AI味儿（机械/重复/过度礼貌）。<br>4

1. 定义意图标签体系（Bug/Feature/Inquiry/Churn）。<br>2. 提供Few-Shot样本进行上下文学习。<br>3. 处理模糊意图与多意图混合的情况。<

1. 投喂竞品官网/财报/评论数据。<br>2. 指导AI按SWOT框架进行结构化分析。<br>3. 对比我方产品生成差异化结论。<br>4. 输出战略建议。

1. 定义流水线阶段（Build/Test/Deploy）。<br>2. 规划分支管理策略（GitFlow/Trunk）。<br>3. 设计质量门禁（SonarQube/单元测试）

1. 制定停运时间表（公告/停止充值/关闭服务器）。<br>2. 设计用户资产（余额/数据）的退还或迁移方案。<br>3. 规划客服应答与舆情监控机制。<br>4. 处理法律法规要

1. 识别日志中的敏感字段（手机/身份证/卡号）。<br>2. 设计脱敏规则（掩码/哈希/加密）。<br>3. 规划应用层与Agent层的双重脱敏。<br>4. 定义排查问题时的“

1. 选择限流算法（令牌桶/漏桶/滑动窗口）。<br>2. 设定不同维度的限流阈值（IP/User/API）。<br>3. 设计熔断器的状态流转（Open/Closed/Half-

1. 收集客服工单与搜索日志中的Top问题。<br>2. 采用“问题-原因-解决方案”的结构。<br>3. 编写便于检索的关键词Tag。<br>4. 嵌入相关功能的跳转链接。

1. 引用CVSS标准对漏洞进行定级。<br>2. 设定Critical/High/Medium/Low的修复SLA。<br>3. 规划漏洞修复的紧急发布流程。<br>4. 定义超

1. 设计迁移前后的数据量Count核对。<br>2. 规划关键字段的抽样比对（Checksum）。<br>3. 定义业务维度的逻辑验证（订单金额汇总）。<br>4. 设计“双写”

1. 明确列出条款变更的摘要（Diff）。<br>2. 解释变更的原因（合规/新功能）。<br>3. 设计重新获取用户同意（Re-consent）的流程。<br>4. 声明生效日期

1. 设定核心接口的RT（响应时间）红线。<br>2. 定义最大吞吐量（TPS）与并发数。<br>3. 规划资源利用率（CPU/Mem）的安全水位。<br>4. 设定成功率与错误率