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

- 强制组合两个毫不相关的领域（如咖啡+区块链）<br>- 提取各领域的核心元素进行重组<br>- 生成概念原型（Concept Prototype）的描述<br>- 评估跨界组合

=- 界定“高质量失败”与“低级错误”的区别<br>- 设计创新失败后的免责声明与保护机制<br>- 建立“失败博物馆”以沉淀教训<br>- 防止“秋后算账”文化扼杀创新

- 建立分阶段的筛选漏斗（想法->概念->原型->产品）<br>- 设定每个关口（Gate）的决策标准<br>- 平衡“通过率”与“错杀率”<br>- 防止“河马意见”（HiPPO

=- 定义沙盒的物理/逻辑边界与准入规则<br>- 设计豁免机制(如暂免合规审查)<br>- 建立沙盒内的数据隔离与回滚策略<br>- 设定“毕业”标准(何时并入主营业务)

- 扫描政治、经济、社会、技术（PEST）维度的变化<br>- 识别跨行业的边缘创新信号<br>- 评估现有产品与未来趋势的差距<br>- 生成可视化的机会雷达图

=- 识别层级系统中的信息丢失与噪音放大<br>- 分析“将在外君命有所不受”的结构性原因<br>- 设计跨层级的穿透式反馈机制<br>- 平衡中央集权与边缘自治的关系

- 放弃自上而下的完美规划，转向自下而上的涌现<br>- 设计“探测-感知-响应”的演化机制<br>- 建立通过试错（Trial and Error）获取信息的系统<br>- 培养

=- 识别不可再生的共享资源(如用户注意力、服务器带宽)<br>- 分析个体的理性行为如何导致集体的非理性结果<br>- 设计配额、定价或私有化机制<br>- 建立资源使用的监控与

=- 定义飞轮的各个组件及其相互推动关系<br>- 识别推动飞轮加速的第一推动力<br>- 分析飞轮运转中的摩擦力<br>- 制定长期投入策略以维持飞轮惯性

=- 识别系统中的信息延迟与物资延迟<br>- 分析延迟如何放大系统的波动幅度<br>- 解释“牛鞭效应”在当前业务中的表现<br>- 提出缩短延迟或增加透明度的方案

=- 组合多个增强回路(Reinforcing Loop)<br>- 设计病毒式传播或网络效应模型<br>- 识别并移除限制增长的制约因素<br>- 规划增长引擎的冷启动路径

- 识别调节回路（Balancing Loop）中的目标与现状<br>- 优化反馈的灵敏度与延迟时间<br>- 防止过度调节导致的系统震荡<br>- 设定合理的缓冲机制

- 识别“目标侵蚀”（Drifting Goals）基模<br>- 分析短期压力如何导致长期标准下降<br>- 发现“温水煮青蛙”式的质量滑坡<br>- 建立锚定绝对标准的对抗机制

- 发现“竞底”（Race to the Bottom）模式<br>- 识别“甚至反者”（Success to the Successful）的负面效应<br>- 分析负向增强回路

- 识别系统中的“存量”（Stocks）与“流量”（Flows）<br>- 描绘核心资源的流入与流出路径<br>- 发现导致存量枯竭或溢出的瓶颈<br>- 建立系统动力学模型的基础

=- 根据用户标签和历史行为生成定制化文案<br>- 匹配用户偏好的语气(如幽默、专业)<br>- 结合当下热点与商品卖点<br>- 批量生成不同版本的A/B测试文案

=- 模拟解析用户上传的截图/草图意图<br>- 结合图片内容与文本指令进行综合推理<br>- 识别图片中的UI元素、数据图表或现实场景<br>- 提供基于视觉信息的反馈

- 自动提取会议决议（Decisions）<br>- 梳理待办事项（Action Items）及负责人<br>- 总结各方核心观点与分歧点<br>- 生成结构化的会议简报

=- 基于项目特征匹配历史风险模式<br>- 预测进度、质量、成本等维度的潜在风险<br>- 生成风险概率与影响程度矩阵(P-I Matrix)<br>- 提出预防性缓解措施

=- 从散乱的文本中提取竞品特征<br>- 自动归一化对比维度(如价格、功能支持)<br>- 生成Markdown格式的对比矩阵<br>- 标记出我方的优劣势