面试准备
AI 应用开发面试准备地图
从模型基础、RAG、Agent、Prompt、工程化和项目表达六个模块整理 AI 应用开发面试准备路径。
背景
AI 应用开发岗位通常不只考模型概念，也会关注工程实现。候选人需要能解释大模型怎么用、系统怎么搭、效果怎么评估、失败怎么处理。
我把准备内容分成六个模块，方便用作品集文章和项目复盘来支撑面试表达。
准备模块
第一是模型基础。重点不是背所有论文，而是理解 token、上下文窗口、temperature、结构化输出、函数调用、Embedding 等应用开发常用概念。
第二是 RAG。需要能讲清楚文档清洗、切分、向量化、召回、重排、引用和评估。最好准备一个自己的知识库项目，用真实问题说明调参过程。
第三是 Agent。要区分开放式 Agent 和固定工作流，说明工具调用权限、状态管理、失败恢复和人工审批。
第四是 Prompt 工程。不要把 Prompt 说成玄学，要强调结构化输入、输出格式、样本集、版本记录和回归测试。
第五是工程化。包括前后端接口、异步任务、日志、缓存、权限、部署、成本和监控。AI 应用最终还是软件系统。
第六是项目表达。每个项目都要准备背景、目标、架构、难点、取舍、结果和后续计划。
练习方式
我会把每个模块整理成两类材料：一类是短文章，用来沉淀理解；另一类是项目证据，用来证明自己做过。比如讲 RAG 时，可以同时展示知识库项目、评估清单和切分策略复盘。
面试前还可以准备一组高频追问：为什么不用微调、为什么选择这个向量库、如何处理幻觉、如何控制成本、如何保护数据、如何评估效果。
常见误区
一个误区是只准备工具名。说会 LangChain、Chroma、OpenAI API 不够，还要说明它们在系统里的职责。
另一个误区是把所有问题都归因于模型能力。实际项目里，很多问题来自数据质量、产品边界、错误处理和评估缺失。
结果
按照这张地图准备后，面试表达会更稳定。每个知识点都能落回项目，每个项目都能落回工程判断，不会停留在“我了解过”。
复盘
AI 应用开发的竞争力来自组合能力：理解模型，但不迷信模型；会用工具，但能解释取舍；能做 Demo，也能把 Demo 往系统推进。
Reusable projects
关联可复用项目
本文已经进入以下工程项目；项目页提供固定版本、运行命令和结果工件。
- 问题背景真实运行已验证
AI 工程技术博客与内容交付平台
本文把模型、RAG、Agent、Prompt、工程化和项目表达组织为文章理解与项目证据两类材料，为本站用文章反查可执行项目、用项目回指方法与证据提供作品集语境。
讨论