大模型基础

理解 Agent，先理解承载它的大模型。对前端开发转 AI 应用开发来说，本章排序参考了 OpenAI、Anthropic、Google 与 Hugging Face 等官方资料中对 Prompt、工具调用、结构化输出、评估、幻觉治理和推理优化的工程关注点：先准备能直接支撑项目面试的应用能力，再补模型原理、训练范式和推理性能。

本章内容

AI 应用开发高频面试题

• 01. Token 是什么？为什么 AI 应用开发必须理解 Token？ — 上下文预算、计费、延迟、截断和前端体验
• 02. LLM API 一次请求包含哪些核心参数？ — model、messages、temperature、stream、tools、response_format 与服务端封装
• 03. Prompt 设计有哪些基本原则？ — 任务、上下文、约束、示例、输出格式和 Prompt 工程化
• 04. LLM 为什么会幻觉？工程上怎么缓解？ — 知识边界、证据约束、工具调用、引用、拒答和产品降级
• 05. 模型选型与持续重评面试深挖 — 业务 eval、分阶段指标、成本延迟、合规边界和退出条件
• 06. 主流模型对比 — GPT、Claude、Gemini、Llama、Qwen、DeepSeek 的能力维度与供应商风险

大模型基础补强

• 07. Transformer 架构 — Attention 机制、位置编码、Decoder-only vs Encoder-Decoder
• 08. Tokenization — BPE、SentencePiece、Tiktoken 与中文分词
• 09. Embedding — 词向量、句向量、主流 Embedding 模型
• 10. 预训练 / SFT / RLHF / DPO — 大模型训练与对齐范式
• 11. 推理参数详解 — temperature、top_p、top_k、penalty 调优
• 12. 推理优化 — KV Cache、量化、FlashAttention、Speculative Decoding

学习路径

1. 前端转 AI 应用开发，先准备 Token、LLM API、Prompt、幻觉治理，这些最容易和项目经历结合。
2. 接着准备 模型选型与主流模型对比，能回答“为什么选这个模型、怎么持续重评”。
3. 然后补 Transformer、Tokenization、Embedding、训练范式，用于应对面试官继续下钻原理。
4. 最后看 推理参数和推理优化，把回答落到稳定性、延迟、成本和吞吐。