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

- 分析模型理解错误的边缘案例（Corner Cases）<br>- 设计Few-Shot（少样本）示例进行纠偏<br>- 优化System Prompt的指令清晰度<br>- 建

- 基于测试用例生成Selenium/Playwright脚本<br>- 自动处理页面元素定位（CSS/XPath）<br>- 添加断言（Assertion）逻辑验证结果<br>-

- 将业务问题转化为复杂的SQL查询<br>- 自动识别表连接（JOIN）与聚合逻辑<br>- 优化查询性能，避免全表扫描<br>- 为生成的SQL添加注释说明

=- 模拟特定年龄、职业、性格的用户口吻<br>- 测试产品文案或功能对该类人群的吸引力<br>- 进行低成本的用户深度访谈(IDIs)<br>- 发现特定视角下的产品盲点

- 基于PEST模型分析行业现状<br>- 识别新兴技术与潜在颠覆者<br>- 预测未来3-5年的关键增长点<br>- 整合零散的新闻与报告摘要

- 设定多维度的成功指标（范围、时间、成本、质量、满意度）<br>- 引入商业价值实现（Benefits Realization）评估<br>- 区分“项目产出（Output）”与

=- 识别干系人的信息需求与偏好<br>- 规划不同层级的汇报频率(日会/周报/月报)<br>- 定制差异化的汇报内容(细节 vs 宏观)<br>- 建立双向反馈通道

=- 建立危机等级判定标准(P0-P3)<br>- 组建跨部门危机应对小组(War Room)<br>- 准备通用的“Holding Statements”(占位声明)<br>-

- 设计标准化的复盘（Retrospective）模板<br>- 提取“根因分析”与“改进措施”<br>- 建立可检索的标签体系（如：#估算失误 #需求变更）<br>- 推广最佳实

- 制定分级的延期应对策略（赶工/砍功能/分批上线）<br>- 准备面向不同干系人（老板/客户/团队）的沟通话术<br>- 模拟延期场景进行沙盘推演<br>- 重新计算并承诺新的基

- 定义每个里程碑（Milestone）的准入与准出标准<br>- 列出具体的有形交付物清单（文档/代码/包）<br>- 设计验收签字流程与责任人<br>- 防止“差不多就行”的模

- 定义交付物（Input/Output）的标准格式<br>- 设定响应时间与交付周期的SLA指标<br>- 规定延期或质量不达标的惩罚/升级机制<br>- 建立定期的SLA达成率

- 建立全公司的资源池视图（Resource Pool）<br>- 识别资源瓶颈（Bottlenecks）与闲置<br>- 制定优先级冲突时的资源抢占规则<br>- 实施资源平滑（

- 定义项目的风险指标（KRIs），如缺陷率、需求变更率<br>- 设定红/黄/绿灯的触发阈值<br>- 建立定期（周/日）的风险扫描机制<br>- 规划风险触发后的升级汇报路径

- 绘制WBS（工作分解结构）与网络图<br>- 计算关键路径（CPM）与浮动时间（Slack）<br>- 识别“卡脖子”的前置依赖任务<br>- 制定压缩进度的赶工策略

- 定义黑名单（封禁）、白名单（免检）、灰名单（观察）的触发条件<br>- 设计名单的自动化过期与清洗机制<br>- 建立误杀申诉的快速通道<br>- 在高风险时期（如大促）的动态

- 明确平台与合作伙伴的业务边界<br>- 设计利益共享与生态扶持基金<br>- 建立防止“Sherlocking”（抄袭开发者）的自律公约<br>- 促进生态伙伴之间的网络协作

- 定义API的鉴权标准（OAuth2.0）与安全限流<br>- 编写清晰的接口文档与错误码规范<br>- 设计开发者沙盒（Sandbox）环境<br>- 制定API版本生命周期管

=- 建立基于证据链的自动化判定逻辑<br>- 引入“大众评审团”机制处理模糊地带<br>- 设计举证倒逼机制<br>- 设定人工介入的升级阈值

=- 建立多维度的信用评分模型(行为、身份、资产、社交)<br>- 设计信用分的分级权益(如免押金、先享后付)<br>- 制定失信行为的降级与黑名单机制<br>- 确保评分的透明度