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

- 估算检测到显著差异所需的最短时间<br>- 考虑业务周期性（如周/月/季）的影响<br>- 平衡实验速度与结论准确性<br>- 规避“新奇效应”对短期数据的干扰

=- 检测总体趋势与分组趋势是否相反<br>- 识别导致悖论的混杂变量(Confounding Variable)<br>- 重新加权计算以还原真实效果<br>- 警示决策者不要被

=- 计算实验组与对照组的置信区间<br>- 判断实验结果是否具有统计显著性<br>- 解释P值与置信区间的业务含义<br>- 避免样本量不足导致的错误结论

- 设计正交分层（Orthogonal Layering）的流量架构<br>- 规划各层级的哈希算法与Salt值<br>- 解决跨层实验的流量复用问题<br>- 定义互斥实验的锁定

=- 定义触发回滚的监控阈值(如错误率飙升)<br>- 规划回滚的具体操作步骤与命令<br>- 设计对外沟通口径与安抚策略<br>- 确保数据兼容性以支持回滚

- 制定全量、增量、日志备份的策略与周期<br>- 编写详细的数据恢复（Restore）步骤<br>- 设计定期灾备演练的流程<br>- 明确RTO（恢复时间）和RPO（恢复点）目

- 检查服务器硬件配置（CPU/内存/磁盘）<br>- 验证操作系统版本与内核参数<br>- 检测网络连通性与端口占用情况<br>- 校验依赖软件（Docker/Java）的版本

=- 自动识别项目中使用的开源组件<br>- 列出每个组件的License类型(MIT/GPL/Apache)<br>- 标记高风险的传染性协议(如GPL)<br>- 生成对外发布

=- 设计全量数据一致性的校验算法(如MD5/行数对比)<br>- 规划增量数据的同步与追平策略<br>- 制定业务抽样验证的测试用例<br>- 设定回滚触发条件与操作步骤

=- 屏蔽底层技术细节,聚焦业务模块的交互<br>- 清晰展示核心业务流程的数据流向<br>- 划分清晰的业务边界与层级<br>- 辅助产品与技术团队对齐业务理解

- 阐述产品遵循的数据安全标准（ISO27001/SOC2）<br>- 描述数据加密（传输/存储）的技术实现<br>- 说明访问控制与审计机制<br>- 回应企业客户常见的安全关切

- 为每个错误代码（Error Code）提供清晰含义<br>- 列举导致错误的常见原因<br>- 提供分步骤的排查与解决路径<br>- 附带相关的日志示例或工具命令

- 制定配置文件（Config）的分离与分层策略<br>- 设计敏感信息（Secrets）的加密存储方案<br>- 规范配置变更的审核与回滚流程<br>- 确保开发、测试、生产环境

- 定义兼容性变更与破坏性变更（Breaking Changes）的边界<br>- 编写清晰的升级指南与废弃（Deprecation）公告<br>- 设计版本控制策略（URL/He

=- 提炼关键决策指标(KPIs)<br>- 设计符合逻辑的指标关联与下钻路径<br>- 选择最直观的图表表达形式<br>- 避免数据堆砌,强调趋势与异常

=- 建立“观察-假设-实验-分析-决策”的标准流程<br>- 规范数据在每个迭代环节的输入输出<br>- 设定迭代成功的量化验收标准<br>- 促进团队的数据文化建设

- 识别新手用户与核心用户的路径差异<br>- 发现老用户逐渐“去功能化”的习惯固化现象<br>- 指导新用户引导（Onboarding）的设计<br>- 挖掘老用户未发现的高级功

=- 区分正常的周期性波动与真正的异常<br>- 选择合适的统计算法(如3-Sigma、同环比)<br>- 设定不同敏感度的报警级别(P0/P1)<br>- 减少误报,避免“狼来了

- 制定标准化的埋点命名规范（Event/Property）<br>- 设计埋点需求文档（DRD）模板<br>- 规划埋点测试与验收流程（Data QA）<br>- 建立废弃埋点的

=- 发现类似Facebook“10天7好友”的关键行为阈值<br>- 通过相关性分析筛选候选行为<br>- 验证魔法数字对留存率的因果影响<br>- 指导Onboarding流程