最近在准备大模型相关的面试发现网上资料虽然多但要么太零散不成体系要么过于理论化缺少与实际面试和项目结合的实战视角。很多同学在准备时面对Agent、RAG、微调等概念感觉学了很多但被问到具体实现细节、技术选型对比或线上问题排查时还是容易卡壳。本文旨在解决这个痛点。我将结合近期的面试辅导和项目复盘经验为你梳理一份覆盖Agent Skill、OpenClaw、LLM、RAG、LangChain和大模型微调六大核心领域的“面试必背”知识体系。这不仅仅是100个问题的罗列更是一套从核心概念、技术原理到实战代码、避坑指南的闭环学习路径。无论你是即将踏入AI领域的校招生还是寻求转型或晋升的工程师都能从中找到系统性的准备方案真正搞懂这些技术在面试和项目中少走弯路。1. 大模型技术全景与面试核心考察点在深入每个技术细节之前我们有必要先建立对当前大模型技术栈的全景认知。面试官的问题往往不是孤立的他们希望考察你是否能理解技术之间的关联、演进脉络以及在实际业务中的落地逻辑。1.1 大模型技术栈的层次划分我们可以将大模型相关技术自上而下分为四个层次基础模型层 (Foundation Model Layer)这是技术的基石主要指像GPT-4、Claude、LLaMA、通义千问这类拥有千亿甚至万亿参数的大型语言模型。面试常问其预训练原理、架构特点如Transformer、上下文长度、多模态能力等。能力增强与接入层 (Capability Enhancement Access Layer)为了让基础模型更好地完成特定任务衍生出多种增强技术。这包括提示工程 (Prompt Engineering)通过设计高质量的指令、示例Few-shot、思维链Chain-of-Thought来激发模型潜能。检索增强生成 (RAG, Retrieval-Augmented Generation)解决模型知识陈旧、幻觉问题通过外部知识库提供实时、准确的参考信息。大模型微调 (Fine-tuning)使用领域特定数据对模型参数进行针对性调整使其更擅长某一类任务如法律、医疗问答。智能体与框架层 (Agent Framework Layer)当单个模型调用无法完成复杂任务时需要引入“智能体”概念。智能体具备感知、规划、行动、反思的能力。LangChain、LlamaIndex等框架提供了构建此类应用的标准化工具链。Agent Skill和OpenClaw可以看作是这一层中针对特定场景如工具调用、复杂流程编排的具体实现或设计模式。应用与部署层 (Application Deployment Layer)将上述技术整合落地为具体的产品功能如智能客服、代码助手、AI绘画提示词生成器等。此层关注工程化问题模型服务化API、成本控制、流量治理、监控告警等。理解这个层次关系能帮助你在面试中清晰地定位问题并展现你的系统化思考能力。1.2 面试官到底在考察什么除了具体的技术点面试官通常围绕以下几个维度进行考察深度理解 vs. 表面记忆你是否真正理解Transformer中Self-Attention的数学原理和工作机制还是仅仅背下了“注意力机制”这个词原理关联 vs. 孤立知识点RAG如何缓解大模型的“幻觉”问题微调和提示工程在解决领域适应性问题上有何优劣实战经验 vs. 纸上谈兵是否遇到过RAG中检索精度不高的问题你是如何通过调整检索器、重排序或提示工程来解决的技术选型与权衡在资源有限的情况下面对一个具体的业务需求如构建一个公司内部知识库问答系统你会选择RAG、微调还是两者结合依据是什么工程化与问题排查如何监控一个上线的大模型服务的性能与效果如果发现响应变慢或答案质量下降你的排查思路是什么接下来我们将按照技术层次逐一拆解这“100问”中的核心精华部分并辅以代码和场景分析。2. 基础模型层 (LLM) 核心20问这一部分是地基必须扎实。Q1: Transformer架构的核心是什么Self-Attention机制如何工作A1:Transformer摒弃了RNN/CNN完全基于Attention。核心是Self-Attention自注意力它允许序列中的每个位置在编码时直接关注到序列的所有位置捕获长距离依赖。工作流程对于输入序列的每个词向量生成Query(Q)、Key(K)、Value(V)三个矩阵。计算Q与所有K的点积经过缩放和Softmax得到注意力权重再用此权重对V进行加权求和得到该位置的输出。公式为Attention(Q, K, V) softmax(QK^T / sqrt(d_k)) V。面试延伸为什么要除以sqrt(d_k)防止点积过大导致Softmax梯度消失。Multi-Head Attention有什么好处允许模型在不同表示子空间里学习相关信息增强模型容量。Q2: 大模型训练中的“预训练”和“微调”分别是什么A2:预训练 (Pre-training)在海量无标注文本数据上以自监督学习方式如预测下一个词的Language Modeling目标训练模型使其学习通用的语言规律、世界知识和推理能力。成本极高通常由大厂完成。微调 (Fine-tuning)在预训练模型的基础上使用特定领域或任务的有标注数据继续对模型参数进行训练使其适应下游任务。分为全量微调更新所有参数效果好但成本高。参数高效微调 (PEFT)如LoRA、QLoRA只更新少量新增参数大幅降低资源消耗。Q3: 如何评估一个大语言模型的好坏除了准确率还看什么A3:评估是多维度的基础能力MMLU大规模多任务语言理解、BBHBIG-Bench Hard等学术基准测试。实用性指令遵循 (Instruction Following)能否准确理解并执行复杂指令。真实性 (Factuality)生成内容是否真实、准确幻觉多少。安全性 (Safety)是否会产生有害、偏见、歧视性内容。推理能力 (Reasoning)在数学、代码、逻辑谜题上的表现。工程指标生成速度Tokens/s、吞吐量、显存占用、成本。Q4: 解释一下大模型的“幻觉”问题及其成因。A4:“幻觉”指模型生成内容与输入无关或与已知事实不符。成因训练数据噪声预训练数据本身包含错误或矛盾信息。概率生成本质模型基于概率生成下一个词而非访问“事实数据库”。知识截止模型训练数据有截止日期无法知晓新事件。提示词误导模糊或矛盾的提示可能导致模型“编造”。解决方案RAG提供真实依据、提示工程要求模型标明不确定性、检索验证、模型自省让模型检查自己答案的置信度。Q5: 上下文长度是什么为什么长的上下文很重要且实现起来有挑战A5:上下文长度指模型单次处理的最大token数量如GPT-4 Turbo是128K。重要性允许处理长文档、长对话历史、复杂代码库是完成复杂任务的基础。挑战计算复杂度Self-Attention的复杂度是序列长度的平方O(n²)长度翻倍计算量和显存消耗增至四倍。注意力稀释在超长上下文中模型可能难以关注到最相关的信息。位置编码如何让模型理解超长序列中token的相对或绝对位置。优化技术FlashAttention优化显存访问、滑动窗口注意力、层次化注意力、外推或插值位置编码如RoPE的NTK-aware插值。3. 能力增强层RAG 深入解析25问RAG是目前落地最火热的技术之一面试必考。3.1 RAG核心概念与流程Q6: 请简述RAG的工作流程。A6:RAG Retrieval Augmentation Generation。分为两阶段检索 (Retrieval)根据用户问题从外部知识库如向量数据库中检索出最相关的文档片段。增强生成 (Augmented Generation)将检索到的文档片段和原始问题一起组合成新的提示提交给大模型让模型基于这些“证据”生成最终答案。# 一个简化的RAG流程代码示意 from langchain.vectorstores import Chroma from langchain.embeddings import OpenAIEmbeddings from langchain.chat_models import ChatOpenAI from langchain.chains import RetrievalQA # 1. 准备知识库和检索器 embeddings OpenAIEmbeddings() vectorstore Chroma(persist_directory./chroma_db, embedding_functionembeddings) retriever vectorstore.as_retriever(search_kwargs{k: 3}) # 检索top3相关片段 # 2. 构建RAG链 llm ChatOpenAI(modelgpt-3.5-turbo, temperature0) qa_chain RetrievalQA.from_chain_type( llmllm, chain_typestuff, # 简单地将所有检索内容塞入提示 retrieverretriever, return_source_documentsTrue ) # 3. 提问 question 公司今年的年假政策有什么变化 result qa_chain({query: question}) print(答案, result[result]) print(来源, result[source_documents])Q7: RAG相比直接微调模型有什么优势和劣势A7:RAG优势知识实时更新只需更新向量数据库无需重新训练模型。来源可追溯答案有据可查可解释性强降低幻觉。成本较低无需昂贵的微调训练推理成本可控。保护私有数据私有知识不进入模型参数更安全。RAG劣势依赖检索质量“垃圾进垃圾出”检索不准则生成必错。上下文长度限制检索到的内容可能挤占提示中其他指令的空间。流程复杂涉及文本分块、向量化、检索、重排序等多个环节链路长维护点增多。如何选择需要动态知识、强调事实准确性、有大量私有文档时选RAG需要模型改变风格、学习复杂模式或任务、且数据稳定时考虑微调。两者也可结合RAG提供知识微调优化任务理解。3.2 检索质量优化RAG的命门检索环节是RAG效果的瓶颈80%的问题出在这里。Q8: 文本如何分块有哪些策略A8:分块策略直接影响检索粒度。固定大小分块简单但可能割裂语义。from langchain.text_splitter import CharacterTextSplitter splitter CharacterTextSplitter(chunk_size500, chunk_overlap50) chunks splitter.split_text(long_document)按语义分块利用句子边界、标题等。from langchain.text_splitter import RecursiveCharacterTextSplitter splitter RecursiveCharacterTextSplitter( chunk_size500, chunk_overlap50, separators[\n\n, \n, 。, , , , , ] )高级策略滑动窗口、基于模型的分句、保留文档结构如标题层级。Q9: 什么是嵌入模型选择嵌入模型要考虑什么A9:嵌入模型将文本转换为高维向量嵌入语义相似的文本向量距离近。选择考虑维度通常768或1024维更高维可能表征能力更强但计算成本高。上下文长度模型能处理多长的文本输入。语义匹配能力在MTEB等基准测试上的表现。多语言支持。推理速度。常用模型OpenAI的text-embedding-3系列、BGE智源、M3E国产优等生。Q10: 除了简单的向量相似度检索还有哪些提升检索精度的技术A10:重排序 (Re-ranking)先用向量检索出大量候选如100个再用一个更精细但更慢的交叉编码器模型对候选进行精排。from langchain.retrievers import ContextualCompressionRetriever from langchain.retrievers.document_compressors import CrossEncoderReranker from sentence_transformers import CrossEncoder # 假设已有基础检索器 base_retriever cross_encoder CrossEncoder(cross-encoder/ms-marco-MiniLM-L-6-v2) compressor CrossEncoderReranker(modelcross_encoder, top_n3) # 精排后取top3 compression_retriever ContextualCompressionRetriever(base_compressorcompressor, base_retrieverbase_retriever)混合检索 (Hybrid Search)结合稠密检索向量相似度和稀疏检索如BM25关键词匹配。两者优势互补能同时捕获语义和精确关键词匹配。查询转换 (Query Transformation)对原始查询进行改写、扩展或生成假设答案再用其检索。查询扩展使用大模型生成与原始问题相关的多个问题。HyDE让大模型根据问题生成一个假设性答案然后用这个答案的向量去检索。因为假设答案和真实答案在语义空间更接近。Q11: RAG中如何解决“多跳问题”A11:“多跳问题”指回答一个问题需要综合多个文档片段的信息。例如“张三和李四谁的年薪高”需要先分别检索到张三和李四的薪资信息再进行比较。解决方案迭代检索 (Iterative Retrieval)先检索第一轮根据初步答案或中间结果生成新的查询进行第二轮检索如此反复。智能体模式 (Agentic RAG)将RAG过程交给一个智能体由它来规划“需要检索什么”、“如何综合信息”。图检索 (Graph RAG)将知识构建成图结构实体-关系检索时沿着图关系进行多跳遍历。4. 智能体与框架层Agent、LangChain与OpenClaw 30问这是构建复杂AI应用的关键。4.1 LangChain框架核心概念Q12: LangChain中的Chain、Agent、Tool是什么关系A12:这是LangChain的三个核心抽象。Chain将多个组件LLM、提示模板、工具等按预定顺序链接起来完成一个确定性的任务流程。例如LLMChain、SequentialChain。Tool赋予LLM与现实世界交互的能力。一个Tool就是一个函数有名称、描述和参数。LLM可以决定在何时调用哪个Tool。例如搜索、计算器、数据库查询。Agent一个具备自主决策能力的实体。它拥有LLM作为“大脑”一组Tools作为“手脚”以及一个决定何时、使用哪个Tool的“决策逻辑”如ReAct范式。Agent可以根据目标动态地调用Tools处理更开放、多步骤的任务。from langchain.agents import initialize_agent, Tool from langchain.agents import AgentType from langchain.llms import OpenAI def search_api(query): # 模拟一个搜索工具 return f关于{query}的搜索结果... tools [ Tool( nameSearch, funcsearch_api, description用于搜索最新信息 ), ] llm OpenAI(temperature0) agent initialize_agent(tools, llm, agentAgentType.ZERO_SHOT_REACT_DESCRIPTION, verboseTrue) # Agent会自主决定是否需要调用Search工具 agent.run(查一下今天北京的天气然后告诉我适不适合出门跑步)Q13: 什么是ReAct范式A13:ReAct ReasoningActing。一种让Agent通过交错进行“思考”和“行动”来解决问题的范式。ThoughtAgent分析当前情况思考下一步该做什么。Action根据Thought决定调用哪个Tool并传入参数。ObservationTool执行的结果返回给Agent。重复1-3步直到问题解决。 这种范式让Agent的行动过程可解释并且能处理需要多步工具调用的复杂任务。4.2 Agent Skill 与 OpenClaw 解析Q14: 什么是Agent Skill它与普通的Tool有何不同A14:Agent Skill可以理解为更高级、更复杂、更面向业务的Tool。一个Skill可能内部封装了多个步骤、条件判断甚至子Agent的协作。普通Tool功能单一如“获取天气”、“计算器”。Agent Skill面向一个完整的业务场景例如“预订机票”Skill它内部可能需要查询航班、比价、检查用户偏好、调用支付接口、生成行程单等多个步骤的协作。区别Skill更强调组合性、状态管理和业务闭环。它是构建复杂Agent应用的基本模块。Q15: 解释一下OpenClaw的概念。它解决了什么问题A15:OpenClaw开放爪不是一个具体的库而是一种设计模式或架构理念尤其在阿里云等平台的AI Agent框架中被提及。它核心思想是构建一个开放、可扩展的“工具调用”生态。解决的问题工具生态封闭传统Agent的工具集是预定义、封闭的。开发门槛高为Agent新增一个工具需要修改核心代码理解复杂框架。难以复用不同团队开发的工具难以共享和组合。OpenClaw的思路标准化接口定义统一的工具描述、注册、发现和调用协议。动态加载Agent在运行时可以动态发现和加载新上线的工具/Skill无需重启。开放注册第三方开发者可以按照标准将自己的服务封装成Skill注册到平台供所有Agent使用。安全沙箱对第三方Skill的执行进行隔离和权限控制。类比就像智能手机的“应用商店”Agent是手机操作系统各种Skill就是上架的应用用户可以按需安装使用。Q16: 如何设计一个健壮的Agent SkillA16:设计时需考虑清晰的输入输出定义明确的API接口和数据结构。幂等性与容错多次调用结果一致能处理异常和边界情况。状态管理对于多步骤Skill需要维护会话状态或工作流状态。可观测性包含详细的日志、指标和追踪信息便于调试和监控。安全性对输入进行验证和清理防止注入攻击管理好权限和密钥。描述准确提供给LLM的Skill描述必须精准否则LLM无法正确调用。4.3 智能体应用架构Q17: 在多Agent系统中Agent之间如何协作A17:协作模式主要有主从模式一个主管Agent接收任务将其分解并分配给多个专家Agent如写作Agent、检索Agent、审核Agent最后汇总结果。平等协作模式多个Agent地位平等通过共享工作区或消息传递进行协商和协作共同完成任务。竞争模式多个Agent提出不同方案再由一个评审Agent或投票机制选出最佳方案。框架支持LangGraph、CrewAI、AutoGen等框架专门用于编排多Agent工作流。Q18: 如何评估一个AI Agent的效果A18:比评估单一模型更复杂需多维度考量任务完成度是否最终完成了用户指定的目标步骤效率完成任务的步骤数是否合理有无冗余操作工具调用准确率调用的工具和参数是否正确成本与耗时整个流程消耗的Token数和时间。鲁棒性面对异常输入、工具失败等情况能否优雅处理或恢复人工评估仍然是黄金标准但成本高。5. 大模型微调实战20问当RAG不足以满足需求时微调是必经之路。5.1 微调基础与策略Q19: 什么时候应该考虑对模型进行微调A19:考虑微调当任务风格固定需要模型输出特定格式如JSON、SQL、特定报告模板。领域知识深通用模型在垂直领域法律、医疗、金融表现不佳且该领域知识难以通过RAG完全覆盖。纠正模型行为需要持续、稳定地改变模型的某种行为或倾向如更简洁、更安全。私有数据敏感数据无法用于RAG的检索即使向量化也有泄露风险必须内化到模型中。Q20: 全量微调 vs. 参数高效微调如何选择A20:全量微调更新模型所有参数。优点潜力大可能达到最佳性能。缺点需要大量GPU资源可能灾难性遗忘存储成本高每个任务一个完整模型。参数高效微调如LoRA在原始模型旁添加小型适配层只训练这些新参数。优点训练快显存占用低可在一张消费级显卡上微调大模型多个任务适配器可共享一个基座模型减轻遗忘。缺点性能可能略低于全量微调但差距通常很小。选择绝大多数情况首选PEFT尤其是LoRA。除非你有海量领域数据、充足算力并且对性能有极致追求才考虑全量微调。5.2 LoRA 微调实战详解Q21: 请解释LoRA的原理。A21:LoRA假设模型在下游任务适配过程中权重变化是低秩的。它不直接更新原始的大权重矩阵W(维度d x k)而是用两个更小的矩阵A(维度d x r) 和B(维度r x k) 的乘积来近似这个变化。其中r(秩) min(d, k)。前向传播时h Wx BAx。W被冻结只训练A和B。优势A和B的参数总量远小于W极大减少了训练参数量和显存。训练后只需保存很小的A和B适配器推理时将其与原始权重合并即可。Q22: 使用Hugging Face Transformers库进行LoRA微调的基本步骤是什么A22:以下是使用PEFT库微调一个文本分类模型的核心步骤# 1. 导入必要的库 from transformers import AutoModelForSequenceClassification, AutoTokenizer, TrainingArguments, Trainer from datasets import load_dataset import torch from peft import LoraConfig, get_peft_model, TaskType # 2. 加载模型和分词器 model_name bert-base-uncased model AutoModelForSequenceClassification.from_pretrained(model_name, num_labels2) tokenizer AutoTokenizer.from_pretrained(model_name) # 3. 配置LoRA lora_config LoraConfig( task_typeTaskType.SEQ_CLS, # 序列分类任务 r8, # LoRA秩 lora_alpha32, # 缩放参数 lora_dropout0.1, target_modules[query, value] # 对Transformer中的query和value层应用LoRA ) model get_peft_model(model, lora_config) model.print_trainable_parameters() # 查看可训练参数占比会发现只有很小一部分 # 4. 准备数据 dataset load_dataset(imdb, splittrain[:1000]) # 示例数据 def tokenize_function(examples): return tokenizer(examples[text], paddingmax_length, truncationTrue) tokenized_datasets dataset.map(tokenize_function, batchedTrue) # 5. 配置训练参数 training_args TrainingArguments( output_dir./lora_finetuned_model, per_device_train_batch_size4, num_train_epochs3, logging_dir./logs, ) # 6. 创建Trainer并训练 trainer Trainer( modelmodel, argstraining_args, train_datasettokenized_datasets, ) trainer.train() # 7. 保存适配器 model.save_pretrained(./my_lora_adapter) # 推理时可以加载原始模型和适配器进行合并Q23: QLoRA又是什么它比LoRA好在哪里A23:QLoRA Quantized LoRA。它在LoRA的基础上引入了量化技术。将预训练模型的权重量化为4-bit而不是通常的16-bit或32-bit。在训练过程中使用一种叫NF4的高效4-bit数据类型存储权重。前向和反向传播时将4-bit权重反量化为16-bit进行计算以保持精度。梯度更新仍然只作用于LoRA适配器。优势显存占用进一步大幅降低。使得在单张24GB显存的消费级显卡上微调650亿参数模型成为可能而LoRA通常只能应对百亿级模型。5.3 微调数据与评估Q24: 如何准备高质量的微调数据A24:数据质量决定微调上限。格式通常为指令-响应对。例如[ {instruction: 将以下中文翻译成英文。, input: 今天天气真好。, output: The weather is nice today.}, {instruction: 总结下面文章。, input: 长篇文章..., output: 文章摘要...} ]规模从几百到几万条不等取决于任务复杂度。简单的风格调整可能只需几百条复杂的推理任务可能需要数万条。质量要求多样性覆盖任务的各种场景和表达方式。一致性相同指令的响应格式和标准应统一。准确性输出必须正确无误。清洗去除噪音、错误和无关数据。数据来源人工撰写、从现有数据中构造、利用大模型生成后人工审核。Q25: 如何评估微调后的模型A25:不能只看训练损失。保留验证集在训练时监控验证集上的损失和任务特定指标如准确率、F1分数。人工评估抽样检查模型在真实场景下的输出质量这是最可靠的方法。对比基准与未微调的基座模型、以及使用不同方法如提示工程、RAG的效果进行对比。A/B测试如果条件允许在线上进行小流量A/B测试看业务指标如用户满意度、任务完成率是否有提升。6. 工程化与最佳实践5问技术最终要落地工程化能力是关键。Q26: 如何设计一个高可用的生产级大模型服务A26:服务化通过API如OpenAI格式、Triton Inference Server暴露模型。负载均衡与弹性伸缩根据请求量动态调整后端实例。缓存对相同或相似的请求结果进行缓存减少模型调用和成本。限流与降级防止突发流量打垮服务在模型服务异常时提供降级方案如返回兜底答案。监控与告警监控QPS、延迟、错误率、Token消耗、成本设置关键指标告警。版本管理与回滚模型版本化支持快速回滚。Q27: 如何降低大模型应用的推理成本A27:模型选型在满足效果的前提下选择更小、更快的模型。提示优化精简提示词减少不必要的上下文。缓存如前所述。批处理将多个请求合并为一个批次进行推理提高GPU利用率。量化与蒸馏使用量化后的模型进行推理如GPTQ、AWQ或使用大模型蒸馏出的小模型。异步与流式对于长文本生成使用流式响应改善用户体验同时后端可以优化生成过程。Q28: 在大模型应用中如何保证数据安全与隐私A28:这是企业级应用的生命线。数据不上云对于敏感数据使用私有化部署的模型。API审计与过滤对所有出入模型的请求和响应进行审计和内容安全过滤。Prompt注入防御对用户输入进行清洗防止其覆盖系统指令。RAG权限控制在检索阶段根据用户身份对知识库进行行级/列级的数据权限过滤。模型微调数据脱敏训练数据必须经过严格的脱敏处理。Q29: 描述一下大模型应用的典型技术架构。A29:一个完整的架构可能包含以下层次接入层API网关负责鉴权、限流、路由。应用层Orchestration Layer使用LangChain等框架编排工作流处理复杂的逻辑如多步工具调用、RAG流程。Agent/Skill Layer具体的智能体和技能实现。核心服务层LLM Service模型推理服务可能对接多个模型提供商OpenAI、Azure、本地模型。Embedding Service向量化服务。RAG Service封装检索、重排序、提示组装等逻辑。数据层向量数据库Chroma、Weaviate、Pinecone、Milvus。传统数据库存储业务数据、会话状态等。对象存储存储文档、图片等原始文件。支撑层监控、日志、配置中心、密钥管理。Q30: 面对一个全新的业务需求你的技术选型思路是什么A30:这是一个综合考察题可以按以下步骤回答需求分析明确要解决什么问题是问答、创作、总结、分类还是复杂规划对准确性、实时性、成本、安全性的要求是什么方案预选如果任务简单、定义明确首先尝试提示工程。如果需要结合实时、外部或私有知识优先考虑RAG。如果需要改变模型风格、学习复杂模式、且数据稳定考虑微调。对于需要多步骤、动态决策的复杂任务考虑Agent。可行性验证用少量数据或原型快速验证核心想法Proof of Concept。评估不同方案的效果、成本和开发复杂度。迭代优化很少有一个方案能解决所有问题。通常是组合拳例如RAG 提示工程提供知识微调优化模型对任务的理解Agent来协调复杂流程。工程化考量根据团队技术栈、运维能力和资源选择最合适、最可控的技术栈进行落地。这份“100问”精华指南从底层原理到上层应用从代码实操到架构设计为你构建了一个立体的大模型知识网络。真正的掌握不在于背诵答案而在于理解背后的“为什么”并能在实际场景中灵活运用和组合这些技术。建议你按照这个框架针对每个部分进行更深入的代码实践和项目练习将知识内化为解决问题的能力。面试时结合你自己的项目经验清晰地阐述你的技术选型、实践细节和复盘思考这远比罗列概念更能打动面试官。
