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

=- 检测长文本中的事实冲突或逻辑断层<br>- 验证推理过程的有效性<br>- 识别设定上的不一致(如角色性格突变)<br>- 输出具体的矛盾点定位与修正建议

- 设计针对特定角色的演示剧本（Script）<br>- 规划“哇塞时刻”（Wow Moment）的展示时机<br>- 预设观众可能的提问与回答（Q&A）<br>- 将功能点转化为

=- 根据上下文补全函数逻辑<br>- 生成符合项目风格的样板代码<br>- 自动添加代码注释与文档字符串<br>- 转换伪代码为可执行代码

=- 避免引导性提问(Leading Questions)<br>- 设计逻辑跳转与筛选题目<br>- 覆盖定性与定量维度的题目组合<br>- 生成李克特量表等标准测量工具

=- 制定量化的合作伙伴评分卡<br>- 设定明确的准入红线与黑名单规则<br>- 设计定期的绩效评估与淘汰流程<br>- 规划合作终止后的风险隔离措施

- 设计Retrospective（复盘）会议流程<br>- 建立“对事不对人”的吐槽规则<br>- 跟踪吐槽问题的后续改进闭环<br>- 释放情绪压力，转化为行动动力

- 设计针对协作行为的奖项（如“最佳助攻奖”）<br>- 建立点对点的即时认可（Kudos）系统<br>- 规划荣誉的展示与传播渠道<br>- 将协作表现纳入绩效考核的加分项

- 拆解各利益相关者（Stakeholders）的核心诉求<br>- 识别各方利益的交集（最小公倍数）<br>- 设计妥协与补偿机制<br>- 输出各方都能接受的MVP方案

- 基于NVC（观察-感受-需要-请求）模型编写脚本<br>- 将“指责型”语言转化为“建设性”语言<br>- 针对常见冲突场景（如推诿、延期）提供范例<br>- 降低防御心理，促

- 设计OKR共创工坊的流程（Agenda）<br>- 引导跨部门识别共同的O（Objective）<br>- 协商依赖关系与KR（Key Result）的承担<br>- 产出对齐

- 定义不同层级的信息同步渠道与频率<br>- 设计标准化的周报/月报模板<br>- 建立“单一事实来源（SSOT）”的文档库<br>- 确保坏消息（风险）能第一时间上浮

=- 识别导致信任透支的行为(如随意改需求、延期不报)<br>- 设计日常的“储值”行为(如透明同步、互相补位)<br>- 建立定期的信任回顾与庆祝仪式<br>- 形成“背靠背”的

=- 建立基于RICE或WSJF的统一优先级评分标准<br>- 设计“资源交易市场”或“算力币”机制<br>- 制定资源冲突时的仲裁与升级流程<br>- 确保高战略价值项目优先获得

=- 统一可视化的年度/季度活动日历<br>- 标记产品发版窗口与封版期(Code Freeze)<br>- 协调大促期间的资源锁定与降级策略<br>- 提前识别P0级的时间冲突

=- 对比预期行为与实际数据的差距<br>- 诊断是否误读了用户需求或场景<br>- 检查交互实现是否阻碍了假设验证<br>- 将失败转化为对用户认知的修正

- 引入“护栏指标”（Guardrail Metrics）监控体验受损<br>- 结合NPS或客服客诉作为辅助验证<br>- 评估短期增长对长期品牌形象的磨损<br>- 否决“杀鸡

- 设计RBAC（基于角色的权限控制）模型<br>- 定义实验创建、审批、查看、停止的权限边界<br>- 防止新人误操作导致全站事故<br>- 保护敏感实验数据不被泄露

=- 设计不同语言版本的文案/UI变量<br>- 规划跨时区的实验上线与统计时间<br>- 解决不同文化背景下的对照组偏差<br>- 统一全球指标与本地指标的权衡

- 进行HTE（Heterogeneous Treatment Effect）分析<br>- 识别“对谁最有效”和“对谁有毒”<br>- 指导后续的个性化策略分发<br>- 避免平

=- 提炼实验的核心假设与结论<br>- 记录实验中的意外发现(Insight)<br>- 建立可搜索的实验知识库结构<br>- 避免重复造轮子进行无效实验