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Arm嵌入式开发人员，旨在配置Linux内核设备树（Device Tree）以驱动Ethos系列NPU。

针对ARM生态（树莓派/开发板）开发者，旨在利用ArmNN库调度Neon CPU或Mali GPU进行推理。

针对高通芯片平台（手机/车载）开发者，旨在利用SNPE SDK调用Hexagon DSP或Adreno GPU加速AI。

针对NLP与华为生态开发者，旨在利用Bolt引擎在端侧高效运行Transformer类模型（如BERT）。

针对图像处理与CV应用开发者，旨在利用TNN的高性能算子优化实现跨平台（移动/桌面）推理。

针对百度PaddlePaddle用户，旨在将Paddle模型部署到ARM CPU、Mali GPU或FPGA等边缘设备。

针对阿里系生态或追求通用性的开发者，旨在利用MNN引擎实现端侧多后端（CPU/OpenCL/Vulkan）推理。

针对高性能移动端开发人员，旨在利用NCNN库实现无依赖、低功耗的手机端推理。

针对PyTorch用户，旨在利用TorchScript将模型序列化并部署到iOS/Android应用中。

针对Android/IoT开发者，旨在将TF模型转换为.tflite格式并部署到移动设备。

针对iOS/macOS开发者，旨在将PyTorch/TF模型转换为CoreML (.mlpackage) 格式以利用Apple Neural Engine。

针对底层AI系统工程师，旨在利用Apache TVM自动搜索和生成针对特定硬件后端的优化代码。

针对边缘计算与PC端部署工程师，旨在利用OpenVINO工具套件在Intel CPU/iGPU/VPU上极致加速模型。

针对模型部署工程师，旨在利用ONNX Runtime（ORT）统一推理后端，适配CPU、GPU及多种加速器。

针对深度学习优化工程师，旨在利用TensorRT将模型编译为高性能推理引擎，并应用FP16/INT8量化。

针对AI生产部署工程师，旨在利用NVIDIA Triton Server统一管理多框架模型的推理服务。

针对图算法工程师，旨在利用cuGraph在GPU上执行PageRank, BFS, Louvain等大规模图算法。

针对机器学习工程师，旨在利用cuML库在GPU上训练传统的机器学习模型（如SVM, PCA, RandomForest）。

针对GPU数据工程师，旨在利用cuDF库在GPU显存中执行高性能的DataFrame切片、聚合与连接操作。

针对高性能数据科学家，旨在利用NVIDIA RAPIDS库在GPU上端到端加速数据准备和机器学习任务。