Python 面试题
由浅入深 · 基础 → 进阶 → 项目 → Agent / RAG
- 【基础】语言机制、语法、内置数据结构，适合开场热身
- 【进阶】并发、内存、框架、设计模式，考察真实项目经验
- 【高级】LLM / Agent / RAG 架构、微调、评估，鉴别项目深度
第一章 Python 语言基础
1.1 语言概述
Q：Python 有哪些特点与优点？ 【基础】
语法简洁、动态类型、丰富标准库/生态、跨平台、易与 C 扩展集成，适合脚本、Web、ML 等多种场景。
Q：Python 解释型语言与编译型语言的区别？ 【基础】
解释型走「源码/字节码 + 解释器」路线，跨平台好、改代码即跑；编译型先编成机器码，运行期通常更快。CPython 先把源码编译为
.pyc字节码再由解释器执行。
Q：Python 有哪些局限性？ 【基础】
GIL 限制多线程 CPU 密集并行；包分发与二进制体积问题；真移动原生弱；动态类型需测试兜底。
Q：Python 有哪些常见应用场景？ 【基础】
Web 开发、脚本自动化/运维、数据科学/AI/ML、测试开发、小工具、嵌入式（MicroPython）等。
Q：Python 的代码执行过程？ 【基础】
读源码 → 词法/语法分析 → 编译为字节码（
.pyc可缓存） → PVM（Python 虚拟机）逐条执行；import会缓存已加载模块，避免重复执行。
Q：Python2 与 Python3 的主要区别？ 【基础】
str统一为文本（Unicode）；/变真除；xrange→range；dict.keys()等返回视图；默认编码为 UTF-8。
1.2 基本语法
Q：Python 中 is 和 == 的区别？ 【基础】
==比较值是否相等，调用__eq__；is比较是否为同一对象（身份），本质比较id()。注意小整数（-5~256）和短字符串驻留机制，is可能意外为True；None推荐用is None；NaN != NaN是特例。
Q：is not 和 != 的区别？ 【基础】
!=值不相等；is not非同一对象。比较None应用is not None，不用!= None。
Q：Python 是否区分大小写？ 【基础】
是，标识符与多数字面量都区分大小写。
Q：标识符命名规则？为何不总用下划线开头？ 【基础】
字母或下划线开头，含数字/字母/下划线，不能是关键字，PEP 8 推荐蛇形命名。单
_x表内部使用；__x触发类内名字改写防冲突；__x__是魔法协议保留形式。
Q：多变量声明与赋值的写法？ 【基础】
a = b = 0连续赋同值；a, b = 1, 2元组解包；*rest, last = seq扩展解包。
Q：三元表达式如何写？ 【基础】
a if cond else b；勿滥用嵌套，可读性优先。
Q：如何使用多进制字面量？ 【基础】
0b二进制、0o八进制、0x十六进制；int(s, 0)可自动识别前缀。
Q：//、%、** 的含义？ 【基础】
//整除（向负无穷取整）；%取模；**幂运算。负数整除/取模注意向负无穷取整语义。
Q：Python 的逻辑运算符、关系运算符、位运算符？ 【基础】
逻辑：
andornot，短路求值；关系：==!=<><=>=，支持链式比较如0 < a < 10；位运算：&|^~<<>>，与逻辑运算符不同，不短路。
Q：in / not in（成员运算符）的作用？ 【基础】
检查元素是否在可迭代对象/映射键中，
dict中查键，set查值，list线性扫描。
Q：pass 的作用？ 【基础】
空语句块合法占位，用于待实现的函数/类体、
except补全语法，无任何操作。
Q：break / continue / pass 的区别？ 【基础】
break跳出最内层循环；continue跳过本轮直接进入下一轮；pass不做任何事，仅占位。
Q：如何实现 switch 语句？ 【基础】
if/elif/else；Python 3.10+ 用match/case；或用字典映射/策略模式。
Q：如何注释代码？ 【基础】
#行注释；多行用每行#或模块字符串；Python 没有 C 式块注释符。
1.3 字符串与序列
Q：单引号与双引号的区别？ 【基础】
完全等效；方便嵌套时交替使用；Python 没有
char类型，单个字符也是字符串。
Q：用索引反转字符串？ 【基础】
s[::-1]；或''.join(reversed(s))。
Q：删除字符串前置/后置空格？ 【基础】
strip()去两端；lstrip()去左端；rstrip()去右端；strip(chars)指定字符集。
Q：转小写的方法？ 【基础】
lower()；casefold()更彻底，适合大小写不敏感的国际化比较。
Q：字符串替换的方式？ 【基础】
str.replace(old, new)；re.sub(pattern, repl, s)正则替换；str.translate(str.maketrans(...))批量字符映射。
Q：join 和 split 的用法？ 【基础】
sep.join(iterable_of_str)拼接字符串，避免循环+；s.split(sep)按分隔符切成列表，默认按空白切并合并连续空白。
Q：负索引的含义？ 【基础】
seq[-1]表最后一个元素；seq[-n]表倒数第 n 个；切片同样支持负下标。
Q：read / readline / readlines 的区别？ 【基础】
read(n)读 n 字节或全文件；readline()读一行；readlines()返回行列表。大文件避免一次性read()进内存，用for line in f迭代。
1.4 列表、字典、集合
Q：append / insert / extend 的区别？ 【基础】
append(x)尾部追加单个元素；insert(i, x)在位置 i 插入；extend(iterable)迭代追加多个元素。append可迭代对象会当单个元素整体追加。
Q：remove / del / pop 的区别？ 【基础】
remove(值)删首个匹配值；pop(i)删并返回（默认最后一个）；del按索引/切片/变量名删除。
Q：如何改变列表中元素的类型？ 【基础】
[int(x) for x in lst]或list(map(int, lst))，均返回新列表。
Q：什么是字典？常见用法？ 【基础】
可变的键值映射，键必须可哈希；增删改查、
get(key, default)、setdefault、defaultdict；Python 3.7+ 保持插入顺序。
Q：如何获取字典所有键？ 【基础】
d.keys()返回视图（随 dict 变化）；list(d)直接得键列表；迭代for k in d默认迭代键。
Q：Python 的内置数据结构有哪些？ 【基础】
list、tuple、dict、set、str、bytes、bytearray；标准库collections提供defaultdict、Counter、deque等特化结构。
1.5 控制流与推导式
Q：range 怎么用？ 【基础】
range(stop)/range(start, stop, step)，惰性等差整数序列；常与for配合，比列表省内存。
Q：any 和 all 的作用？ 【基础】
any(iterable)有任一真即为True；all(iterable)全为真才为True；均短路求值。空可迭代：any为False，all为True。
Q：enumerate 的用法？ 【基础】
enumerate(iterable, start=0)同时产出索引和元素，避免手写i += 1。
Q：zip 的用法？ 【基础】
多个可迭代对象拉链组合，以最短为准截断；
zip(*matrix)实现矩阵转置；itertools.zip_longest补全到最长。
第二章 Python 面向对象
2.1 类与对象基础
Q：类与对象的关系？ 【基础】
类是属性与方法的蓝本（模板）；对象是类的实例，各有独立状态（实例属性）。
Q：self 的作用？ 【基础】
约定名，指向当前实例；实例方法第一个参数必须显式声明，类方法用
cls，静态方法无需。
Q：__init__ 的作用？ 【基础】
对象创建后的初始化方法，用于设置实例属性；并非真正的构造函数（分配内存是
__new__）。
Q：__init__ 与 __new__ 的区别？ 【基础】
__new__创建并返回新实例（类方法），控制对象分配，用于单例/不可变子类；__init__初始化实例属性。执行顺序：__new__→__init__。
Q：Python 知道哪些魔术方法？ 【进阶】
__init__/__new__：创建初始化；__str__/__repr__：字符串表示；__len__/__getitem__/__setitem__：容器协议；__enter__/__exit__：上下文管理；__eq__/__lt__：比较运算符；__call__：可调用对象。
Q：Python 为何没有函数重载？ 【基础】
动态类型不绑定签名，靠默认参数、
*args/**kwargs、多态、functools.singledispatch实现类似效果；或直接用不同函数名。
2.2 继承与多态
Q：面向对象继承的特点？ 【基础】
子类复用/扩展父类属性和方法；支持多重继承，解析顺序用 MRO（C3 线性化）；
super()按 MRO 调用父类。
Q：Python 支持多重继承吗？MRO 是什么？ 【进阶】
支持多重继承；MRO 用 C3 线性化算法确定方法查找顺序，
super()沿 MRO 传播；用ClassName.__mro__查看顺序；菱形继承时需谨慎设计。
Q：封装的特性？ 【基础】
属性/方法受控访问；
_x约定内部；__x名字改写防子类冲突；property描述符控制 getter/setter；最小暴露面原则。
Q：多态的特性？ 【基础】
同一接口不同类有不同实现，运行时按实际类型分派；Python 用鸭子类型实现，不要求类型继承关系。
Q：什么是鸭子类型？ 【基础】
不看出身看行为——只要对象有相应方法/属性即可使用，无需显式继承；
Protocol（PEP 544）可静态补约束，适合大型项目。
Q：面向对象中的抽象特性？ 【进阶】
用
abc.ABC+@abstractmethod定义接口，子类必须实现；Protocol支持结构化子类型（鸭子类型的静态版）；隐藏实现细节，对外暴露稳定接口。
第三章 Python 进阶特性
3.1 函数高阶特性
Q：装饰器的原理与使用？ 【进阶】
@deco等价于func = deco(func)；带参数的装饰器需三层嵌套（工厂→装饰器→包装器）；用functools.wraps保留被装饰函数的元信息（__name__、__doc__）。
Q：什么是闭包？常见陷阱？ 【进阶】
内层函数引用外层非全局自由变量，调用结束后变量仍被保留。陷阱：循环变量延迟绑定（用默认参数
lambda i=i: i提前捕获）；可变默认参数共享。
Q：*args 和 **kwargs 的作用？ 【基础】
*args收集多余位置参数为元组；**kwargs收集多余关键字参数为字典；装饰器/函数转发/API 扩展常用；调用时*list/**dict解包传参。
Q：lambda 与 def 的区别？ 【基础】
lambda是匿名单行表达式，不能含语句；适合sorted(key=lambda x: x[1])等简单场景；PEP 8 建议复杂逻辑用def，lambda赋变量无意义。
Q：map / filter / reduce 的用法？ 【基础】
map(f, iterable)惰性映射；filter(pred, iterable)保留真值；functools.reduce(f, iterable, init)两两归约；多数场景列表推导更可读。
Q：变量作用域（LEGB 规则）？ 【进阶】
Local → Enclosing → Global → Built-in；
global声明修改全局变量；nonlocal声明修改闭包外层变量；Python 3 列表推导有独立作用域，不会泄漏变量。
3.2 迭代与生成器
Q：iterable 与 iterator 的区别？ 【进阶】
可迭代（iterable）：实现
__iter__，返回迭代器；迭代器（iterator）：实现__iter__+__next__，调用next()逐个产出值，通常一次性耗尽。
Q：yield 和生成器的用法？ 【进阶】
函数中含
yield即成生成器函数，调用返回生成器对象（惰性、省内存）；每次next()执行到下一个yield暂停，保留局部状态；适合大文件逐行处理、数据流管道。
Q：迭代器与生成器的区别？ 【进阶】
生成器是迭代器的一种实现（
yield自动提供__iter__/__next__）；迭代器是协议；可迭代是工厂（每次iter()产新迭代器）。
Q：什么是元组解封装？ 【基础】
a, b = t解包元组；*rest, last = seq扩展解包；函数多返回值本质是元组解包。
3.3 拷贝与序列化
Q：深拷贝与浅拷贝的区别？ 【进阶】
浅拷贝（
copy.copy/切片）只拷外层容器，内层对象仍共享引用；深拷贝（copy.deepcopy）递归独立复制所有层级。嵌套结构必须用 deepcopy。
Q：pickle 序列化与反序列化？ 【进阶】
pickle.dumps/loads序列化几乎所有 Python 对象；安全风险：反序列化不可信数据会导致 RCE，严禁用于网络传输；跨版本需保持 protocol 一致，大型项目考虑 msgpack/protobuf。
3.4 内存管理
Q：Python 是如何管理内存的？ 【进阶】
引用计数：引用降为 0 立即释放（最快路径）；循环引用由分代 GC（gc 模块）周期检测回收；优化：
__slots__减少实例字典开销、生成器避免大列表、必要时对象池。
Q：程序退出时是否释放所有内存？ 【进阶】
解释器会尝试回收多数对象，进程退出后 OS 回收页；但不保证析构时序/立即归还；C 扩展和悬挂引用可能泄漏到进程结束。
3.5 并发与 GIL
Q：什么是 GIL？对多线程有何影响？ 【进阶】
GIL（全局解释器锁）保证同一时刻只有一个线程执行 Python 字节码；CPU 密集型任务多线程无法真正并行；I/O 密集型线程等待时释放 GIL，多线程仍有效。
Q：如何实现多线程？ 【进阶】
threading.Thread(target=f, args=(...)).start()；共享状态用Lock/RLock等同步原语；GIL 下适合 I/O 密集场景。
Q：多线程 vs 多进程 vs 异步，如何选型？ 【进阶】
I/O 密集：优先
asyncio，其次ThreadPoolExecutor；CPU 密集：multiprocessing或进程池绕过 GIL；ONNX/C++ 扩展内部不受 GIL 约束，可用 ORT 线程池并行。
Q：线程池的原理与使用？ 【进阶】
concurrent.futures.ThreadPoolExecutor维护工作线程池 + 任务队列，复用线程减少创建开销；submit()返回Future，as_completed()按完成顺序处理；max_workers按场景调整。
3.6 标准库与工具
Q：help 和 dir 的作用？ 【基础】
help(obj)查文档/签名；dir(obj)列属性名列表（不传参看当前作用域符号）；REPL 调试常用。
Q：常用标准库模块？ 【进阶】
os/pathlib（文件系统）、sys（解释器）、json（序列化）、re（正则）、collections（高效容器）、itertools/functools（函数工具）、datetime（时间）、typing（类型注解）。
Q：正则 match 与 search 的区别？ 【进阶】
match从字符串首部匹配；search在整个字符串中找第一处匹配。注意re.M多行模式对^的影响。
Q：re 中 split / sub / subn 的区别？ 【进阶】
split(pattern, s)按模式切分；sub(pattern, repl, s)替换（repl 可为函数）；subn同 sub 但额外返回替换次数。
Q：namedtuple 的用途？ 【进阶】
collections.namedtuple创建具名字段的轻量不可变记录，支持类属性访问；dataclass可替代（支持可变/类型注解）。
Q：random 模块常用方法？ 【基础】
random()返回 [0,1) 浮点；randint(a, b)整数；shuffle(lst)原地洗牌；sample(pop, k)不重复抽样。
Q：如何分析 Python 执行性能？ 【进阶】
timeit微基准；cProfile/profile函数级热点；line_profiler逐行耗时；py-spy低开销采样分析。
Q：4G 内存如何读取 8G 文件？ 【进阶】
for line in f逐行迭代不一次性readlines()；二进制文件while chunk := f.read(65536)分块读取；必要时mmap映射文件。
Q：Python 为何常被认为慢？如何改进？ 【进阶】
GIL + 动态类型 + 解释执行；改进：NumPy/Numba/Cython/Rust 扩展热点、多进程/异步 IO、PyPy JIT。
Q：什么是猴子补丁？ 【进阶】
运行时动态替换模块/类/函数，无需修改源码；常用于单测 mock、热修复；风险是破坏封装、调试困难，应限制范围并注释。
Q：KeyError / TypeError / ValueError 分别何时出现？ 【基础】
KeyError：字典访问不存在的键；TypeError：类型不兼容操作；ValueError：值合法但在此上下文不允许，如int('abc')。
Q：模块和包的区别？ 【基础】
.py文件为模块，是命名空间；包是含__init__.py的目录 + 子模块；sys.path/PYTHONPATH控制搜索路径。
Q：了解哪些编码规范？ 【基础】
PEP 8（命名/缩进/空格）、类型注解（PEP 484+）、
black/ruff格式化、docstring 约定（Google/NumPy 风格）、import 顺序（标准库→第三方→本地）。
Q：什么是 Flask？ 【基础】
轻量 WSGI 微框架，提供路由 + 请求上下文 + Jinja2 模板；适合中小 API/原型；扩展用蓝本（Blueprint）和插件生态。
第四章 数据库与向量库
4.1 关系数据库
Q：SQL 优化的常见手段？ 【进阶】
建立合适索引（覆盖索引、联合索引前缀）；用
EXPLAIN分析执行计划；避免 N+1 查询（用 JOIN 或批量查询）；游标分页替代大 OFFSET；只查需要的列。
Q：Python 如何与数据库交互？ 【基础】
使用 DB-API 2.0 兼容驱动（如
psycopg2、pymysql）；ORM 层用 SQLAlchemy 或 Django ORM；异步场景用asyncpg/databases。
4.2 向量库原理与选型
Q：向量库与关系型数据库的区别？ 【基础】
关系型数据库：精确匹配、结构化 SQL 查询，适合事务性数据；向量库：ANN（近似最近邻）相似度查询，支持稠密/稀疏向量；Chroma 默认使用 SQLite + HNSW 索引文件，
persist_directory配置持久路径。
Q：了解哪些向量库？怎么选型？ 【进阶】
Milvus（大规模生产）、Qdrant（Rust 高性能）、Weaviate（多模态）、pgvector（PostgreSQL 扩展）、Chroma（本地轻量）；选型看规模、过滤需求、运维成本、是否需云托管。
Q：向量库的工作流程？ 【进阶】
写入：解析→分块→嵌入→upsert（带 metadata）；查询：embed query→ANN search→后处理（过滤/重排）；维护：增量更新/删除旧 chunk 与重建索引策略。
Q：HNSW、LSH、PQ 各是什么？ 【进阶】
HNSW：分层小世界图，查询精度高，内存占用大；LSH：哈希分桶近似算法，速度快精度相对低；PQ（积量化）：子向量量化大幅压缩内存，常与 IVF 组合（IVF-PQ）。
Q：余弦、欧氏、曼哈顿距离的区别？ 【进阶】
余弦：衡量方向夹角，不受向量长度影响，适合文本语义检索；欧氏（L2）：绝对空间距离，适合图像/推荐；曼哈顿（L1）：各维差值之和，对异常值更鲁棒。
Q：Chroma + BM25 混合检索如何融合？ 【进阶】
RRF（Reciprocal Rank Fusion）：
score = Σ 1/(k + rank_i)，k 常取 60；或归一化各路分数后加权求和；LangChain 提供EnsembleRetriever封装；Chroma 本身不自带混合检索。
Q：知识库如何实现去重与增量更新？ 【高级】
对文档内容/路径计算哈希，变更时删除旧 chunk_id 再重新嵌入；维护 SQL 表记录文档→chunk_id 映射，保持 SQL 与向量库一致性；推荐增量策略，避免全量重建。
Q：多知识库切换的技术方案？ 【高级】
多 Collection 隔离：每个知识库独立 Collection，强隔离无干扰；单 Collection + metadata 过滤：统一存储可跨库联合查询，但大数据量时 ANN 精度受影响；按规模权衡。
第五章 LLM 工程基础
5.1 Embedding 与语义检索
Q：什么是 Embedding？如何选择？ 【基础】
将离散文本映射为稠密向量，语义相近的文本在向量空间中距离更近；中文常用 bge-large-zh、m3e、text-embedding-3-small；选型考量：语言覆盖、维度与成本、上下文长度、是否可私有部署。
Q：向量库是什么？在 LLM 应用里解决什么？ 【基础】
存储稠密向量并提供 ANN 检索；用于语义检索（RAG）、去重/相似度查找、推荐系统。
Q：什么是 MinerU？ 【进阶】
PDF 结构化解析工具，支持表格/图片/公式提取，输出 Markdown/JSON；用于清洗文档后再分块，提升 RAG 质量。
5.2 RAG 核心流程
Q：什么是 RAG？主流程？ 【基础】
检索增强生成（Retrieval-Augmented Generation）：先检索再生成。索引阶段：解析→清洗分块→嵌入→写入向量库；查询阶段：query→（改写）→召回→重排→拼 Prompt→LLM 生成。
Q：RAG 的分块策略有哪些？chunk_size/overlap 怎么定？ 【进阶】
RecursiveCharacterTextSplitter按分隔符优先级递归切，最常用；按语义边界（段落/标题）、按 Token 计数、表格单独分块；chunk_size 通常 512~1024 token；overlap 10~20% 防止边界信息丢失；需在验证集上对比实验。
Q：RAG 中 Rerank 是什么？为什么需要？ 【进阶】
对粗排召回的 Top-K 文档用 cross-encoder 精排，输出更准确的相关性分数；向量检索召回快但精度有限，Rerank 计算量大但排序质量高，两者互补；常用 bge-reranker、Cohere Rerank。
Q：混合检索是什么？解决什么问题？ 【进阶】
稠密向量检索 + BM25 等稀疏检索结合；专有名词/关键词精确匹配（BM25）+ 语义理解（向量）互补，提高召回覆盖与鲁棒性。
Q：RAG 查询扩展是什么？为何需要？ 【进阶】
多表述/HyDE（假设文档扩展）/子查询；单句 query 难以覆盖同义词与省略，扩展召回提升命中率。
Q：什么是自查询（self-query）？ 【进阶】
LLM 把自然语言 query 解析为「向量子句 + metadata 过滤条件」；适合多字段过滤（如日期、来源、类别）的精准检索场景。
Q：提示压缩是什么？RAG 为何需要？ 【进阶】
对检索到的长文档块做摘要/抽取关键句再拼入 Prompt；省 token、降噪声，注意别丢失关键条件信息。
Q：什么是父子索引？解决什么问题？ 【高级】
小 chunk 用于相似度召回（精准），找到后返回其父级大 chunk 给 LLM 生成（信息完整）；解决小块信息量不足、大块难以精准检索的矛盾。
Q：多路召回是什么？ 【进阶】
多查询变体或 HyDE 生成多个 query，各自召回后合并去重；提高覆盖率，减少单一 query 的召回偏差。
Q：RAG 完整流程的评估与调优？ 【高级】
用 RAGAS（faithfulness、answer_relevancy、context_precision/recall）+ 人工抽检构建评估闭环；线上指标：首解率、引用命中率、时延、成本、投诉率 A/B 对比。
Q：什么是 Advanced RAG？ 【高级】
在基线 RAG 上增加：预检索（query 改写、HyDE、多查询扩展）、后检索（Rerank、提示压缩、自洽性检查、引用标注）等工程化优化层。
Q：什么是 Modular RAG？ 【高级】
检索/重排/生成/规划模块化，各组件可插拔替换与 A/B 测试，利于长期维护与迭代。
Q：LangChain 里如何搭建文档问答？关键步骤？ 【进阶】
Loader → Splitter → Embeddings → VectorStore → Retriever（+ 可选 Rerank）→ Memory → LLM；用 Chain 或 Agent 封装；可选 LangSmith 监控。
Q：LangChain 里 PDF 表格如何保障召回质量？ 【高级】
解析层用 MinerU/PDFPlumber 提取表格为 HTML/TSV 保留结构；表格单独分块并添加 metadata；高精度场景对表格建结构化索引，用 Text-to-SQL 查询代替向量检索。
5.3 Prompt Engineering
Q：提示工程在 RAG 中的技巧？ 【进阶】
系统提示：明确"仅据以下文档回答，无法回答时说明"，防幻觉；少样本（few-shot）示例定义输出格式；分步推理（CoT）复杂问题先推理再作答。
Q：什么是幻觉？如何缓解？ 【进阶】
幻觉：模型生成与事实/检索文档不符的内容。缓解：RAG 引用约束、低 temperature + 拒答提示、工具查实时数据、人工审核；RAGAS faithfulness 评估；无法完全消除只能降低。
Q：如何构建让 AI 写带校验的 Vue3/React 表单的 Prompt？ 【进阶】
明确框架版本（Vue3/React）、组件库、字段与校验规则（必填/格式）、错误展示与禁用提交逻辑、TypeScript 类型、无障碍（a11y）、只输出可运行代码、禁止臆造 API。
5.4 多轮记忆与上下文
Q：如何管理多轮对话记忆？ 【进阶】
短期：窗口策略（最近 N 轮）或摘要压缩（超长时先摘要再拼接）；长期：外置向量库存储历史摘要，每轮 RAG 拉取相关历史；LangChain 提供
ConversationBufferMemory、ConversationSummaryMemory等。
Q：超长上下文受窗口限制时的工程解法？ 【高级】
RAG 检索相关段落、Map-reduce 分块摘要再合并、分块 + 滑动窗口、长上下文模型（Gemini 1M token）、记忆外置（向量+KV 存储）、多轮压缩。
Q：100 万 token 级上下文会让哪些业务质变？ 【高级】
整库/整仓单文件读入推理、多文件代码库整体理解、多合同对账比对、减少分块 RAG 的切割损耗；但成本和延迟仍是约束。
5.5 结构化输出与缓存
Q：什么是大模型的结构化输出？ 【进阶】
模型输出机器可消费的 JSON/函数参数/tool calls，便于下游编排与强类型处理；OpenAI Structured Outputs 通过 JSON Schema 约束，降低 parse 失败率。
Q：什么是 GPTCache？ 【进阶】
按语义/模板缓存 LLM 响应结果，减少延迟与费用；需设置 TTL 和防缓存污染策略；相同语义不同措辞的 query 可命中缓存。
Q：什么是护栏技术（Guardrails）？ 【进阶】
入站/出站内容策略：PII 检测过滤、越狱防护、输出 schema 约束、合规模块与审计日志；确保模型在安全边界内运行。
第六章 Agent 与工具链
6.1 Agent 基础
Q：什么是 LLM Agent？与传统 AI 的区别？ 【基础】
LLM Agent：以大模型为决策核心，循环调用工具 + 观察环境反馈，直到完成目标；传统 AI：规则/小模型固定管线，行为由代码逻辑硬编码，灵活性差。
Q：LLM Agent 的基本组成？ 【进阶】
规划（分解目标）、记忆（短期窗口+长期外存）、工具（检索/API/代码执行/浏览器）、感知（观察工具返回）、反思（判断是否需调整）。
Q：Agent 的工作过程？ 【进阶】
目标 → 规划子任务 → 选择工具 → 执行 → 读取反馈 → 判断是否完成 → 循环或终止。
Q：ReAct 模式是什么？ 【进阶】
Reasoning + Acting 交替：Thought（分析）→ Action（调用工具）→ Observation（读结果）循环；LLM 根据观察动态修正推理，避免盲目执行。
Q：Copilot 模式与 Agent 模式的区别？ 【进阶】
Copilot：人主控，AI 辅助建议，决策权在人；Agent：目标驱动，AI 自主规划多步执行；高风险决策用 Copilot，重复性自动化用 Agent。
Q：LLM Agent 常见功能？ 【进阶】
检索知识库、调用外部 API、代码生成执行、多 Agent 协作、人在回路（HITL）审批。
Q：如何让 LLM Agent 有长期记忆？ 【高级】
外存（向量库/图数据库）+ RAG 按需拉取历史 + 用户画像持久化 + 周期性摘要压缩 + 冲突解决与遗忘策略。
Q：LLM Agent 如何动态调用外部 API？ 【高级】
定义工具 Schema（OpenAPI/JSON Schema）声明入参、描述、返回格式；鉴权注入环境变量；幂等设计 + 超时重试（指数退避）+ 限流保护 + 调用日志可观测。
6.2 LangChain 与 LangGraph
Q：LangChain 核心组件？ 【进阶】
Model I/O（多厂商 LLM 封装/流式/工具绑定）、Prompt、Retrieval（Loader/Splitter/VectorStore）、Memory、Tools、Callbacks/LCEL Runnable 组合链。
Q：LangChain 与 LangGraph 的区别？ 【进阶】
LangChain（Chain/LCEL）：DAG 管道，适合线性固定步骤的 RAG/问答；LangGraph：有状态有环图，支持条件分支/循环/HITL/自我纠错；复杂控制流用 LangGraph。
Q：LangGraph 的编排原理？ 【高级】
图状态 + 节点（函数）+ 条件边 + checkpoint（可恢复）；人在回路通过条件边暂停等待人工输入；适合多步 Agent、重试/分支决策。
Q：什么是 LangChain Agent？ 【进阶】
以策略（ReAct/OpenAI Functions 等）选择工具的代理；通过工具调用循环 + 结束条件控制执行流。
Q：LlamaIndex 如何与 LangChain 结合？ 【高级】
LlamaIndex 的 Index/QueryEngine/Retriever 作为 LangChain 的 Tool 或 Runnable 检索子模块；互补使用，LlamaIndex 擅长复杂文档索引结构。
Q：LangChain 里多路召回如何动态调权？ 【高级】
RRF 融合；或按各路置信度/语料域加权；
EnsembleRetriever先融合再 Rerank；可学习融合权重。
6.3 MCP 协议
Q：MCP 是什么？在大模型系统中的作用？ 【进阶】
Model Context Protocol：标准化宿主应用与外部工具/资源连接的通信协议；统一发现与调用，避免为每个工具单独实现集成逻辑。
Q：MCP 架构核心组件？ 【进阶】
Host（宿主应用）、Client（连接管理）、Server（工具/资源提供方）、传输层、能力声明（tools/resources/prompts）。
Q：MCP 支持哪两种传输模式？ 【进阶】
stdio（本地进程间通信）和 HTTP/SSE（远程可跨网络）。
Q：MCP 与 Function Calling 的区别？ 【进阶】
Function Calling：模型侧接口形态，LLM 输出结构化调用指令；MCP：应用侧多工具长生命周期集成标准，管理发现/鉴权/版本；两者可结合使用。
Q：MCP 的工作流程？ 【进阶】
发现 Server → 列举能力 → 带鉴权调工具/读资源 → 结果回注对话；支持多轮交互。
Q：MCP 安全设计的关键要点？ 【高级】
用户显式同意机制、能力最小权限白名单、审计日志、防 SSRF/命令注入、数据最小暴露、沙箱隔离运行。
Q：已有应用如何改造为 MCP 服务？ 【高级】
把 REST 能力包装一层 MCP Server、Schema 化 I/O、鉴权映射、限流与版本管理。
Q：Spring AI 中如何集成 MCP？ 【高级】
用 Spring AI MCP 模块注册 client/server bean，配置端点与拦截器；参考官方示例走标准化流程。
6.4 A2A 协议与 ADK
Q：A2A 协议是什么？有哪五大设计原则？ 【高级】
Google 提出的 Agent-to-Agent 通信协议；设计原则（以官方文档为准）：开放互操作、安全、可发现、异步、可扩展。
Q：A2A 协议与 MCP 的关系？ 【高级】
MCP 偏工具/资源与宿主应用连接；A2A 偏多 Agent 间协作与任务委托发现；两者可组合：MCP 管工具调用，A2A 管 Agent 间协同。
Q：什么是 Google ADK？ 【高级】
用于在 Google 生态构建 Agent 和工具链的 SDK/开发框架；提供 Agent 编排、工具注册、评估等能力（以官方 ADK 文档为准）。
Q：什么是 Computer Use？原理？ 【高级】
模型输出 UI 操作指令（键鼠坐标、截图理解），由运行时执行；需沙箱环境、权限控制、可回滚机制，防止误操作。
第七章 大模型微调
7.1 微调基础
Q：大模型微调与预训练的核心区别？ 【基础】
预训练：大规模无监督/自监督，学通用语言与世界知识；微调：在下游任务有标注数据上继续训练，对齐具体任务/格式。
Q：什么时候需要微调，而不是直接用基座模型？ 【进阶】
强领域专业性（医疗/法律）、严格输出格式、数据隐私（无法外发 API）、低延迟推理需求；优先考虑 RAG + Prompt + 工具，微调用于以上无法解决时。
Q：常见微调任务有哪些？ 【基础】
指令跟随（SFT/对话）、分类、信息抽取、代码生成、多模态对齐、偏好/安全对齐（RLHF/DPO）。
Q：如何选择预训练基座进行微调？ 【进阶】
语言与领域覆盖、上下文长度、工具调用支持、许可证（商用）、推理成本与生态、是否可私有部署。
7.2 PEFT 与 LoRA
Q：什么是 PEFT？为何需要？ 【进阶】
参数高效微调：只训练极少量附加参数，冻结大部分权重；省显存（消费级 GPU 可微调 7B+ 模型）、快速迭代、支持多任务适配器切换。
Q：PEFT 的三种典型方法？ 【进阶】
LoRA（低秩旁路矩阵）；Adapter（串联小适配模块）；Prefix/Prompt Tuning（软提示前缀，不改权重）。
Q：PEFT 与全量微调的区别？ 【进阶】
全量微调：能力上限高，成本高（显存/时间），风险灾难性遗忘；PEFT：成本低，可塑容量有界，多任务切换方便。
Q：LoRA 的原理与实践？ 【进阶】
在注意力层旁路增加低秩矩阵
ΔW = A·B（rank r << d），只训练 A 和 B；参数量约为全参的 0.1%~1%；推理时可将 ΔW 合并回原权重，无额外延迟；关键超参：rank（4~64）、alpha（通常 2×rank）、目标层。
Q：如何避免微调时的灾难性遗忘？ 【高级】
低学习率 + 预热；混合旧任务数据重放；LoRA 旁路参数天然抑制遗忘；EWC 约束；持续评测原任务指标。
7.3 训练工程
Q：微调常用的优化器？ 【进阶】
AdamW 最常见；配合 warmup + 分阶段学习率调度；大模型场景可用 8-bit Adam（省显存）或 Lion；Hugging Face Trainer 一行配置。
Q：混合精度训练的作用？ 【进阶】
FP16/BF16 计算 + FP32 存储 master weights；显存减半，速度提升约 2~3 倍；需 GradScaler（loss scaling）防 FP16 梯度下溢；BF16 动态范围更大无需 scaling。
Q：过拟合如何靠正则化缓解？ 【进阶】
weight decay、dropout、早停（early stopping）、数据增广、标签平滑（label smoothing）、减小模型容量。
Q：SFT 指令数据如何构建？ 【高级】
多样性：多轮对话/工具调用/拒答/领域专业混合；质量：难例挖掘、格式统一、去毒去错；与线上分布一致；LLM 辅助生成 + 人工审核。
Q：指令微调（Instruction Tuning）的好处？ 【进阶】
模型更听从指令、输出格式稳定、可接工具与结构化输出、减少繁琐 Prompt 长度、对齐人类意图。
Q：如何判断微调效果是否达标？ 【进阶】
验证集业务指标（准确率/F1/人类偏好）持续提升；对基线/旧版本 A/B 对比；人工抽检关键场景；检测遗忘：原通用能力回归测试不显著下降。
Q：多模态（图文）微调如何保障对齐质量？ 【高级】
清洗高质量图文配对数据；难负样本挖掘；对比学习提升对齐；分阶段对齐（先冻结视觉编码器）；人工审核抽测。
Q：重复输出和幻觉如何靠微调改善？ 【高级】
干净指令数据 + 偏好对齐（DPO/RLHF）+ 加拒答/引用样例；解码时加重复惩罚（repetition penalty）；单靠微调不能完全保证，需结合 RAG 和 Prompt 约束。
第八章 评估与项目综合
8.1 RAGAS 评估
Q：RAGAS 框架有哪些核心指标？ 【进阶】
faithfulness：答案与检索文档的事实一致性（核心防幻觉指标）；answer_relevancy：答案与问题的相关程度；context_precision/context_recall：检索质量；需构建（问题、答案、上下文）三元组测试集，用 LLM 自动打分 + 人工抽检校准。
Q：RAG 调优后如何评估？真实业务标准？ 【高级】
RAGAS 指标 + 人工评测 + 线上首解率、引用命中率、时延、成本、投诉率 A/B 对比。
Q：faithfulness 分数低如何排查？ 【高级】
拆解答案为原子 claim，逐条核对是否在检索文档中有依据；常见原因：检索不相关（提升召回）或模型脑补（加强 Prompt 约束）；换更强生成模型、要求逐句引用来源、降低 temperature。
Q：什么是 LM Evaluation Harness？ 【高级】
lm-evaluation-harness用于评估基础模型在标准 benchmark（MMLU/HellaSwag 等）上的能力；RAG 场景多用于基座模型选型，而非端到端 RAG 主评。
8.2 系统设计综合
Q：电商中哪些场景直接用大模型，哪些必须工程化？ 【高级】
大模型适合：商品文案生成、客服草稿、搜索语义扩展；必须工程化：价格库存查询、下单支付、对账——必须强一致 API + 规则 + 对账，禁止纯生成。
Q：医疗问诊 AI 如何平衡幻觉风险与效率？ 【高级】
明确不替代诊断、分诊与免责声明；指南/文献 RAG；工具拉取检验数据；HITL（医生审核）；拒答机制 + 审计日志；监管合规优先。
Q：智能客服如何用知识库解决长尾问题？ 【高级】
沉淀高频工单为 FAQ；向量检索 + 澄清追问（歧义时）；未命中自动升级人工；指标闭环（首解率、人工转接率）驱动知识库迭代。
Q：模型 API 响应超 1s，前端如何保障用户体验？ 【高级】
流式输出（SSE/WebSocket）首 token 即展示；骨架屏 + 渐进披露；请求可取消、去抖；GPTCache 语义缓存秒回相同问题；队列管理与重试。
Q：RAG 检索准确率从 75% 提升到 90% 的思路？ 【高级】
数据层：清洗噪声、表格单独分块、领域 Embedding 微调；检索层：混合检索、query 改写/HyDE、元数据过滤、父子索引；排序层：Rerank；评估闭环：RAGAS 定位瓶颈针对性优化。
Q：Gradio vs Streamlit？流式输出如何实现？ 【进阶】
Gradio 偏 ML Demo/流式输出；Streamlit 偏数据面板/复杂 UI；流式实现：LLM 侧
stream=True逐 chunk 接收，Gradio 接口改为生成器yield累加文本，用户看到打字机效果。
Q：RAGFlow / Dify 与自研 RAG 如何选择？ 【高级】
平台（RAGFlow/Dify）：快速搭建、功能完整，适合 PoC 验证；自研：深度优化每个组件（分块/Rerank/多路召回），适合生产规模调优；建议先平台验证，再针对瓶颈自研。
Q：自定义多格式文档加载器如何实现？ 【高级】
继承 LangChain
BaseLoader，实现load()返回List[Document]；PDF 用 PyMuPDF、Word 用 python-docx、CSV 用 pandas；关键是正确设置 metadata（来源/页码/类型）。
Q：ONNX 转换中常见问题与 ExecutionProvider？ 【高级】
常见问题：自定义算子不支持、动态轴配置、opset 版本不兼容；ExecutionProvider：CPUExecutionProvider（默认）、CUDAExecutionProvider、TensorrtExecutionProvider；可做 INT8 量化压缩推理。
Q：AUC 高但临床要求降低漏诊率怎么处理？ 【高级】
降低分类阈值提高敏感性（召回），但特异性下降（假阳率上升）；用 ROC 曲线选 Youden 指数或业务约定的最优工作点；与临床专家权衡假阳性代价。
附录：综合鉴别题（项目真实性）
以下问题用于鉴别候选人项目经验的真实深度。
Q：你的 GitHub 最近 commit 情况？是迭代还是一次性上传？
考察点：持续迭代的项目更可信；一次性 push 完整项目可能是临时准备。
Q：项目有真实用户吗？收到过哪些具体反馈？修复过什么 Bug？
考察点：能说出具体 Bug 现象、复现步骤、修复方案的候选人更可信。
Q：项目中最难解决的技术卡点是什么？耗时多久？
考察点：有真实经历的人能说出具体技术细节和时间，泛泛而谈往往说明项目不够深入。
Q：你用的哪个 LLM？本地部署还是 API？temperature 怎么设的？
考察点：能说出具体模型名、部署方式（vLLM/Ollama/API）和参数调优依据的候选人更可靠。