llm_interview_note
llm_interview_note 是一个专为大语言模型（LLMs）算法及应用工程师打造的知识库与面试指南。它系统梳理了从语言模型基础、Transformer 架构到分布式训练的全链路知识，并整合了大量真实面试题，帮助学习者快速构建完整的技术知识体系。
面对大模型领域资料分散、入门门槛高的问题，该项目通过结构化的目录和清晰的图解，降低了理解难度。除了理论内容，它还特别推荐了多个动手实践仓库，例如从零复现中文小模型、搭建 RAG 系统及 Llama3 本地调试方案，让开发者能在低资源环境下进行实战演练。
无论是准备求职的算法工程师、深度学习研究者，还是希望深入理解大模型原理的开发者，都能从中受益。项目提供在线阅读链接，内容持续更新，是备考 LLM 岗位及提升工程能力的优质资源。
使用场景
某互联网大厂算法工程师小李正在备战大模型方向的高级岗位面试，急需系统梳理知识体系以应对技术深挖。
没有 llm_interview_note 时
- 知识点分散在各路博客和英文论文中，难以形成完整的中文知识框架。
- 遇到 Transformer 细节或 MoE 架构问题需反复查阅原始文档，复习效率极低。
- 缺乏动手实践项目参考，对预训练、微调及分布式训练流程理解仅停留在理论层面。
- 面试真题收集不全，无法针对性模拟高频考点，容易遗漏关键八股文内容。
使用 llm_interview_note 后
- llm_interview_note 提供了从基础分词到分布式训练的清晰目录结构，学习路径一目了然。
- 直接查看 Transformer 注意力机制等核心概念的精炼解析，快速攻克技术难点。
- 结合 tiny-llm-zh 等项目快速复现代码，将抽象理论转化为实际动手能力。
- 利用真实面试题章节进行自测，精准覆盖高频考点，大幅提升面试通过率。
助力开发者高效构建知识体系并掌握实战技能，从容应对大模型岗位挑战。
运行环境要求
- 未说明
未说明
未说明
快速开始
大型语言模型（LLMs）相关知识及面试题
简介
本仓库为大模型面试相关概念，由本人参考网络资源整理，欢迎阅读，如果对你有用，麻烦点一下 🌟 star，谢谢！
为了在低资源情况下，学习大模型，进行动手实践，创建 tiny-llm-zh 仓库，旨在构建一个小参数量的中文大语言模型，该项目已部署，可以在如下网站上体验：ModeScope Tiny LLM。
动手实践项目：
- tiny-llm-zh : 从零实现一个小参数量的中文大语言模型，快速掌握大模型预训练、微调、强化学习（RL）等相关技术；
- tiny-rag : 实现一个简单的检索增强生成（RAG）系统，支持多路召回、重排等功能，快速了解搜索相关内容；
- tiny-mcp : 使用提示词（Prompt）和函数调用（Function Calling）实现 MCP（模型上下文协议）服务端和客户端，快速使用 MCP 搭建智能体（Agent）项目。
- llama3-from-scratch-zh : 从零实现 llama3，可加载 meta 官方权重，可在本地笔记本（16G 内存）调试运行
其他学习资源推荐：
- AI 工程师八股 : 包含深度学习、机器学习、推荐系统、搜索系统等通用知识
在线阅读
在线阅读链接：LLMs Interview Note
注意：
相关答案为自己撰写，若有不合理地方，请指出修正，谢谢！
欢迎关注微信公众号，会不定期更新 LLM 内容，以及一些面试经验：
目录
- 首页
- 真实面试题
- 01.大语言模型基础
- 1.1 大模型发展历程
- 1.2 分词与词向量
- 1.3 语言模型基础知识
- Word2Vec
- [NLP 三大特征抽取器（CNN/RNN/TF）](/01.大语言模型基础/NLP 三大特征抽取器（CNN-RNN-TF）/NLP 三大特征抽取器（CNN-RNN-TF）.md)
- [NLP 面试题](/01.大语言模型基础/NLP 面试题/NLP 面试题.md "NLP 面试题")
- LLM 为什么 Decoder only 架构
- 1.4 深度学习
- 1.5 一些题目
- [1.llm 概念](/01.大语言模型基础/1.llm 概念/1.llm 概念.md)
- 02.大语言模型架构
- 2.1 Transformer 模型
- 1.attention
- 2.layer_normalization
- 3.位置编码
- [4.tokenize 分词](/02.大语言模型架构/4.tokenize 分词/4.tokenize 分词.md "4.tokenize 分词")
- [5.token 及模型参数](/02.大语言模型架构/5.token 及模型参数/5.token 及模型参数.md "5.token 及模型参数")
- 6.激活函数
- 2.2 注意力
- 2.3 解码部分
- 2.4 BERT
- [bert 细节](/02.大语言模型架构/bert 细节/bert 细节.md "bert 细节")
- [Transformer 架构细节](/02.大语言模型架构/Transformer 架构细节/Transformer 架构细节.md "Transformer 架构细节")
- [bert 变种](/02.大语言模型架构/bert 变种/bert 变种.md "bert 变种")
- 2.5 常见大模型
- [llama 系列模型](/02.大语言模型架构/llama 系列模型/llama 系列模型.md "llama 系列模型")
- [chatglm 系列模型](/02.大语言模型架构/chatglm 系列模型/chatglm 系列模型.md "chatglm 系列模型")
- llama 2 代码详解
- llama 3
- 2.6 MoE
- [1.MoE 论文](/02.大语言模型架构/1.MoE 论文/1.MoE 论文.md "1.MoE 论文")
- [2.MoE 经典论文简牍](/02.大语言模型架构/2.MoE 经典论文简牍/2.MoE 经典论文简牍.md "2.MoE 经典论文简牍")
- 3.LLM MoE：Switch Transformers
- 2.1 Transformer 模型
- 03.训练数据集
- 04.分布式训练
- 05.有监督微调
- 06.推理
- 6.1 推理框架
- [0.llm 推理框架简单总结](/06.推理/0.llm 推理框架简单总结/0.llm 推理框架简单总结.md "0.llm 推理框架简单总结")
- 1.vllm
- 2.text_generation_inference
- 3.faster_transformer
- 4.trt_llm
- 6.2 推理优化技术
- [llm 推理优化技术](/06.推理/llm 推理优化技术/llm 推理优化技术.md "llm 推理优化技术")
- 6.3 量化
- 6.4 vLLM
- 6.5 一些题目
- 6.1 推理框架
- 07.强化学习
- [08.检索增强 RAG](/08.检索增强 rag/)
- [8.1 RAG](/08.检索增强 rag/)
- [检索增强 llm](/08.检索增强 rag/检索增强 llm/检索增强 llm.md "检索增强 llm")
- [rag（检索增强生成）技术](/08.检索增强 rag/rag（检索增强生成）技术/rag（检索增强生成）技术.md "rag（检索增强生成）技术")
- [8.2 Agent](/08.检索增强 rag/)
- [大模型 agent 技术](/08.检索增强 rag/大模型 agent 技术/大模型 agent 技术.md "大模型 agent 技术")
- [8.1 RAG](/08.检索增强 rag/)
- 09.大语言模型评估
- 10.大语言模型应用
- 98.相关课程
- 99.参考资料
常见问题
相似工具推荐
stable-diffusion-webui
stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。
everything-claude-code
everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上
ComfyUI
ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。
NextChat
NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。 这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。 NextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。
ragflow
RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。