Skip to content

RAG 面試整理：從三階段流程到 Agentic RAG，九種變體怎麼分、怎麼答

2026年10月3日1 分鐘
首頁›ai
TL;DRRAG 面試題用「三階段流程 → 各階段的失敗點 → 九種變體各補哪個洞 → 6 類 RAG 解不了的問題」四步回答：Self-RAG、CRAG、Adaptive-RAG 補判斷，Graph RAG、KG-RAG 補索引，CAG 乾脆不檢索，Agentic RAG 與 Reasoning RAG 把決策交給模型。
#rag#retrieval#interview#llm#agentic-ai#knowledge-graph
系列: AI Engineer 面試準備 (12 / 17)
AI Engineer 面試資源怎麼挑：官方說法、12 個 GitHub 題庫與付費平台比較AI Agent 面試準備：從工具呼叫、記憶到 MCP 與 Prompt Caching

🌏 English version

RAG（Retrieval-Augmented Generation，檢索增強生成）是 AI Engineer 面試裡很常被問到的題目，而且很少只問一句。常見的追問是四件事：原理與優勢、最具代表性的應用場景與挑戰、有哪些 RAG 技術變體、RAG 解不了什麼。

這四題其實是同一條主線：RAG 把「查資料」接在「回答」前面，於是每個環節都可能出錯；每一種變體，都是在補其中一個洞；補完之後，仍然有一些問題超出 RAG 的範圍。照這個順序講，就不會變成背名詞。

這篇是「AI Engineer 面試準備」系列的第 12 篇。每一節先講概念與機制，再給一段「面試怎麼答」，可以直接改成自己的話講出口。

RAG 的核心概念：先查資料，再回答

RAG 的原始論文是 Patrick Lewis 等人的 Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks（NeurIPS 2020）。他們點出的問題是：大型語言模型把知識存在參數裡，但存取與精確操作這些知識的能力有限，而且「提供決策的出處」與「更新世界知識」在當時都還是未解問題。他們的做法是把預訓練的生成模型（參數記憶）接上一個 Wikipedia 向量索引（非參數記憶），並在三個開放領域問答任務上刷新當時的最佳成績。

最好記的比喻是「開書考試」：沒有 RAG 的 LLM 只能憑記憶答題，RAG 則允許考試時翻書，答案有出處，書也可以隨時換新版。

實際系統通常拆成三個階段：

flowchart LR
  subgraph IDX["1. 索引（離線）"]
    D["文件"] --> C["切塊 chunking"]
    C --> E["向量化 embedding"]
    E --> V[("向量資料庫")]
  end
  subgraph RET["2. 檢索（線上）"]
    Q["使用者提問"] --> QE["問題向量化"]
    QE --> S["相似度搜尋取 Top-K"]
    V --> S
  end
  subgraph GEN["3. 生成（線上）"]
    S --> P["檢索結果 + 問題組成 prompt"]
    P --> L["LLM 生成回答與引用"]
  end

索引在離線時做好，檢索與生成在每次提問時才執行。這個切法很重要，因為後面每一個變體，都是在這三段裡的某一處動手腳：加判斷的在檢索前後、改索引形態的動第一段、取消檢索的直接拿掉第二段。

為什麼要用 RAG

Gao 等人的綜述 Retrieval-Augmented Generation for Large Language Models: A Survey 開宗明義指出，LLM 遇到幻覺、知識過時、推理過程不透明且無法追溯三個問題，RAG 是引入外部資料庫來緩解它們。整理成面試好講的版本：

優勢為什麼 RAG 做得到
減少幻覺回答有檢索到的文件當依據，模型不必只靠參數記憶硬猜
知識可更新更新文件庫即可，不必重新訓練模型
可溯源能標出答案來自哪份文件，讀者可以回頭驗證
領域適應把企業私有資料接進來，模型就能回答預訓練時沒看過的內容

至於「RAG 比 fine-tuning 便宜」這句話，要看資料量與更新頻率才成立，不能當定論。兩者的取捨見站內文章 RAG vs Fine-tuning：不是非此即彼。

面試怎麼答

RAG 就是讓模型先查資料再回答，像開書考試。流程是三步：索引時把文件切塊、向量化、存進向量資料庫；提問時把問題向量化、取回最相近的 Top-K 段落；最後把這些段落和問題一起交給 LLM 生成。好處是減少幻覺、知識更新不必重訓、答案可以溯源。

代表場景：企業知識庫與智慧客服

要選一個代表性場景，企業內部知識庫與智慧客服是最穩的答案：員工或客戶提問，系統從產品手冊、SOP、法規文件、FAQ 裡撈出相關段落，生成附出處的回答。

它之所以有代表性，有三個理由：三個階段全部用到；資料是模型預訓練時沒見過的私有內容，正好是 RAG 的強項；而且商業價值直接，回答錯了馬上有人發現。

這個場景的挑戰，也正好對應 RAG 流程的每一段：

挑戰具體問題延伸閱讀
切塊（chunking）切太小失去上下文，切太大混進雜訊Chunking 策略
檢索品質向量搜尋會撈回「字面相似但實際無關」的段落；專有名詞、錯誤碼這類精確字串容易被語意模型漏掉Hybrid Search、Cross-Encoder Reranking
多跳問題答案分散在多份文件，單次檢索撈不齊Multi-hop Retrieval
資料時效文件庫沒更新，答案就過時RAG 常見失敗模式
權限控制不同身分能看的文件不同，檢索階段就要過濾，不能等生成完再遮RAG Guardrails
評估檢索與生成各自會錯，要分開量才知道問題在哪RAG 評估框架

評估這一項值得多講一句。Ragas 把 RAG 評估拆成幾個維度：檢索系統能不能找到相關且聚焦的段落、LLM 有沒有忠實地使用這些段落、生成本身的品質，而且不需要人工標註的標準答案。面試時講出「檢索與生成分開量」，就比只說「用 Ragas 評估」更完整。

最危險的失敗是檢索靜默出錯：撈回不相關的段落，模型照樣編出一個通順的答案，使用者看不出來。站內的 Retriever 靜默失敗排查紀錄 是一個實際案例。

面試怎麼答

代表場景是企業知識庫與智慧客服，因為它涵蓋完整三階段，又用到模型沒見過的私有資料。挑戰挑三個講就夠：chunking 的粒度、檢索品質（用 hybrid search 加 reranker 補強）、以及多跳問題。另外補一句：權限要在檢索階段過濾，評估要把檢索和生成分開量。

變體地圖：先看演進，再看各自補哪個洞

Gao 等人的綜述把 RAG 分成 Naive RAG、Advanced RAG、Modular RAG 三個典範，站內有一篇專門整理這條演進線：RAG 的三個世代。面試常問的九種技術，可以掛在這條線上：

flowchart TD
  N["Naive RAG：索引、檢索、生成，一條直線"] --> J["補判斷：Self-RAG、CRAG、Adaptive-RAG"]
  N --> I["改索引形態：Graph RAG、KG-RAG"]
  N --> X["不檢索：CAG"]
  J --> A["把決策交給模型：Agentic RAG、Reasoning RAG"]
  I --> A

Naive RAG 就是上一節的直線流程。它的結構性弱點是檢索與生成緊緊綁在一起：檢索回來什麼，模型就吃什麼。Corrective RAG 的論文把這件事問得很直接：既有方法大多忽略了一個問題，what if the retrieval goes wrong?。後面的變體，幾乎都是各自的答案。

面試怎麼答

先把 Naive RAG 的弱點講清楚：檢索錯了沒人發現，而且每個問題都固定檢索、固定 Top-K。然後用一句話分類：有的變體補判斷，有的改索引，有的乾脆不檢索，最新的則把整個流程交給 agent 決策。

在流程中加判斷：Self-RAG、CRAG、Adaptive-RAG

這三種都在回答同一個問題：什麼時候該查、查到的能不能用、問題值不值得花這麼多力氣查。差別在判斷由誰做、放在哪裡。

Self-RAG：判斷內建在模型裡

Self-RAG（Asai 等人）訓練單一個 LM，讓它在生成過程中輸出特殊的 reflection token，用來判斷要不要檢索、檢索到的段落相不相關、自己的回答有沒有依據。論文報告 Self-RAG 即使只有 7B 與 13B 兩種規模，在開放領域問答、推理與事實查核任務上，[勝過 ChatGPT 與加了檢索的 Llama2-chat](https://arxiv.org/abs/2310.11511)。

它的代價在訓練：判斷能力是 fine-tune 進模型的，所以只能用在你能訓練的模型上，不適合直接套到只提供 API 的閉源模型。機制細節見 Self-RAG：用 Reflection Token 讓模型自己決定要不要檢索。

CRAG：外掛一個檢索評估器

CRAG（Corrective RAG）（Yan 等人，2024）的思路是另外放一個輕量的檢索評估器，替每次檢索的品質打分，再依信心分數走三條路：

評估結果動作
Correct把檢索文件拆成小段、濾掉不相關的，再重組成精煉過的知識
Incorrect丟掉檢索結果，改走網路搜尋
Ambiguous兩邊的結果合併使用

兩個細節是面試加分點。第一，評估器很小，參數量約 0.77B，Self-RAG 的評判模型則是 7B 的 Llama-2。第二，Ambiguous 這條路是刻意設計的：論文發現只留 Correct 與 Incorrect 兩種動作時，效果很容易受評估器準確度影響，加上中間地帶才緩和這個依賴。

限制也很直接：Incorrect 路徑要靠外部搜尋引擎，而整個系統的上限就是那個評估器的判斷力。這個問題站內另有討論，見 RAG 的三種形態與 evaluator paradox。CRAG 的實作面見 CRAG：檢索失敗時，自動放寬條件重試。

Adaptive-RAG：依問題難度分流

Adaptive-RAG（Jeong 等人，NAACL 2024）盯的是效率：簡單問題不需要檢索，複雜的多步問題單次檢索又不夠。它訓練一個較小的 LM 當分類器，預測進來的問題有多複雜，再在「不檢索」「單步檢索」「迭代式多步檢索」三種策略之間切換。

這裡的瓶頸很好推：分類器分錯，簡單題會被迫多步檢索（浪費），複雜題只拿到單步檢索（答不出來）。多步檢索的問題本質，就是前面表格提到的多跳檢索。

面試怎麼答

三者都在補「判斷」。Self-RAG 把判斷訓練進模型，用特殊 token 決定要不要檢索、結果能不能用；CRAG 外掛一個小評估器，檢索不好就改走網路搜尋；Adaptive-RAG 則用分類器依問題難度，在不檢索、單步、多步之間分流。取捨是 Self-RAG 要訓練、CRAG 依賴評估器與搜尋引擎、Adaptive-RAG 卡在分類準確度。

改變索引形態：Graph RAG 與 KG-RAG

向量檢索的底層假設是「答案在某幾個相近的段落裡」。當問題需要的是實體之間的關係，或是整份資料的全貌，這個假設就不成立，這時候改的是索引本身。

Graph RAG：從文件自己長出一張圖

Graph RAG（Edge 等人，Microsoft Research）指出，傳統 RAG 在針對整個語料的全局問題上會失敗，例如 「What are the main themes in the dataset?」，因為這本質上是「聚焦查詢的摘要」，不是單純的檢索。

它分兩段建索引：先用 LLM 從文件抽出實體知識圖譜，再對緊密相連的實體群組（社群偵測的結果）預先產生社群摘要。查詢時，每份社群摘要各自產生一份部分回答，最後再彙整成最終答案。論文在百萬 token 等級的資料集上，報告對全局性問題的回答完整度與多樣性優於一般 RAG 基準。

代價同樣明顯：索引要靠 LLM 抽取與摘要，成本比單純切塊加向量化高得多。選型與成本比較見 GraphRAG：把知識做成圖，讓 LLM 沿著關係推理 與 圖譜 RAG 怎麼選。

KG-RAG：用現成的知識圖譜

KG-RAG（Soman 等人）的前提不同：圖譜已經存在，不必從文件自己建。論文把大型生醫知識圖譜 SPOKE 接上 Llama-2、GPT-3.5-Turbo 與 GPT-4，用最小化的圖譜 schema 抽取上下文，再用 embedding 修剪，token 用量減少超過一半且不影響準確度。

所以兩者的分界很好記：Graph RAG 是「從文件建圖」，KG-RAG 是「用現成的圖」。KG-RAG 適合生醫這類已有成熟圖譜的領域，限制則是整套系統的品質受限於圖譜本身的品質與覆蓋度。

面試怎麼答

兩者都是改索引。Graph RAG 用 LLM 從文件抽出實體與關係建成圖譜，再做社群摘要，強項是「這份資料的主要主題是什麼」這類全局問題，缺點是索引貴。KG-RAG 則是直接利用已有的知識圖譜，例如生醫領域的 SPOKE；差別就在圖是自己建，還是現成的。

不檢索也能答：CAG

CAG（Cache-Augmented Generation）（Chan 等人，WWW '25 short paper）反過來問：既然現在的模型有很長的上下文視窗，何必每次都檢索？

做法是離線時把所有相關文件一次載入長上下文，預先算好 key-value cache；線上提問時直接沿用這份快取，沒有檢索步驟。論文認為這樣能消除檢索延遲、減少文件選擇的錯誤，並把適用範圍限定在知識庫小到可以整份載入的情境。

適用條件因此很清楚：知識庫規模有限、更新不頻繁、對延遲敏感。反過來，知識庫大到放不進上下文視窗時，CAG 就用不了；知識一更新，快取也得重算。即使放得下，長上下文裡的資訊也不保證都被用到，後面會再談。想看用長上下文重新設計檢索單位的做法，可以讀 LongRAG。

面試怎麼答

CAG 不做即時檢索，而是把整份知識預載進長上下文、預先算好 KV cache，提問時直接用。它延遲低、架構簡單，適合小而穩定的知識庫。限制是受上下文視窗長度限制，知識更新就要重算快取，所以不能取代大規模知識庫的 RAG。

把決策交給模型：Agentic RAG 與 Reasoning RAG

前面的變體各自補一個洞，流程仍然是人事先寫好的。下一步是讓模型自己決定流程。

Agentic RAG

Singh 等人的綜述 Agentic Retrieval-Augmented Generation: A Survey on Agentic RAG 把它定義為：把自主的 AI agent 嵌進 RAG 流程，讓 agent 運用反思、規劃、工具使用與多代理協作這些設計模式，動態管理檢索策略、逐步修正對上下文的理解。

具體來說：該用哪個檢索器（向量、SQL、圖譜、網路搜尋）？第一輪撈到的夠不夠？不夠就改寫查詢再查。傳統 RAG 把這些寫死，Agentic RAG 讓它們變成執行時的決策。

一個好用的理解方式：前面三種「加判斷」的變體，在 agentic 的框架裡可以當成 agent 能呼叫的步驟，所以 Agentic RAG 比較像上層框架，不是和它們並列的另一種演算法。（這是整理上的看法，不是論文的結論。）

代價也在這裡。綜述自己列出的開放問題包括評估、協調、記憶管理、效率與治理；工程上最直接的感受是：多輪 LLM 呼叫會拉高延遲與成本，而且流程不再固定，除錯也比較難。站內可以接著讀 Agentic RAG：讓 LLM 自己決定要不要再搜尋一次。

Reasoning RAG

Reasoning RAG 在面試裡常被當成一個獨立技術，但依據是一篇綜述：Liang 等人的 Reasoning RAG via System 1 or System 2。它觀察到靜態流程的 RAG 遇到複雜推理與動態檢索就吃力，領域因此轉向 Reasoning Agentic RAG。綜述把方法分成兩類：預定義推理沿用固定的模組化流程來加強推理，代理式推理則由模型在推論時自己協調工具。

所以它和 Adaptive-RAG 的差別是：Adaptive-RAG 依問題難度挑「查幾步」，Reasoning RAG 關心的是推理與檢索怎麼交錯。回答時不要把它講成單一演算法，講成「這個方向的分類」比較準確。更深入的內容見 Agentic / Reasoning RAG。

面試怎麼答

Agentic RAG 是讓 agent 動態決定用哪種檢索器、查幾輪、結果夠不夠，不再用寫死的 pipeline；Self-RAG、CRAG 的判斷邏輯都可以變成它的其中一步。代價是延遲、成本和除錯難度。Reasoning RAG 則是把推理深度拉進來的方向，綜述把它分成固定流程的預定義推理，與模型自己協調工具的代理式推理。

九種變體一張表比較

技術補哪個洞一句話機制適用主要限制
Naive RAG基準線索引、檢索、生成一條直線一般問答檢索錯了沒人發現
Self-RAG判斷模型用 reflection token 自我判斷需要高事實準確度要訓練模型
CRAG判斷小評估器打分，不好就走網搜檢索品質不穩定依賴評估器與搜尋引擎
Adaptive-RAG判斷分類器依難度分流問題難度落差大分類器準確度
Graph RAG索引抽實體建圖，再做社群摘要全局問題、整份資料摘要索引成本高
KG-RAG索引用現成知識圖譜取子圖生醫等有成熟圖譜的領域受圖譜品質與覆蓋度限制
CAG不檢索預載知識、預算 KV cache小而穩定的知識庫受視窗長度限制，更新要重算
Agentic RAG決策agent 動態規劃檢索多資料源、複雜問題延遲、成本與除錯難度
Reasoning RAG決策推理與檢索交錯需要多步推理的問答屬於分類方向，實作差異大

完整的十代演化與選型導航見 RAG 系統模式完整指南。

面試怎麼答

不要逐一背九種，而是講選型邏輯：先量出系統現在壞在哪一段，檢索不穩就補評估與重試，難度落差大就分流，需要全局視野才建圖，知識庫小就考慮不檢索，流程複雜才交給 agent。每一種都有代價，最貴的通常是 Graph RAG 的索引成本與 Agentic RAG 的執行成本。

RAG 解不了的問題

Gao 與 Fan 等人（KDD 2024）的兩篇綜述，都有專門討論限制與未來方向。把它們整理成面試能講的版本，大致有六類。

1. 推理不是資料問題。 RAG 給的是資訊，不是推理能力。要求「根據財報算出未來三年的複合成長率」，RAG 能找到財報，但計算與推論仍靠模型本身。Reasoning RAG 綜述也指出，靜態流程的 RAG 在需要複雜推理的情境下吃力。

2. 答案不在知識庫裡。 RAG 只能找到資訊，不能創造事實。隱含的常識若沒寫進任何文件，也查不到。更糟的是，查到不相關的內容反而會誤導模型，CRAG 論文的原話是：「If retrieved documents are irrelevant, the retrieval system can even exacerbate the factual error that LMs make.」

3. 矛盾資訊沒人裁決。 知識庫裡有兩份互相矛盾的文件時，檢索只管相關，不管誰對。實務上的補救是替文件加上版本、生效日、來源層級這類 metadata，檢索時過濾或排序，而不是指望模型自己判斷。

4. 模型本身的限制。 檢索回來的內容最終還是要塞進上下文，而 Lost in the Middle（Liu 等人，TACL 2024）發現，相關資訊在輸入開頭或結尾時表現最好，擺在長上下文中段時明顯變差，連明確標榜長上下文的模型也一樣。所以撈得多不等於用得好，要少放、並把關鍵段落擺在兩端。這屬於 context 的整體設計，見 Context Engineering。

5. 即時性。 除非知識庫即時更新，RAG 答不了「現在」發生的事，例如即時股價。補法有兩種：把索引做成增量更新，或像 CRAG 一樣在必要時改走網路搜尋。

6. 知識庫本身是攻擊面。 PoisonedRAG 示範了知識庫投毒：攻擊者只要對每個目標問題注入五段惡意文字，就能在含有數百萬段文字的知識庫上達到 90% 的攻擊成功率，而且論文評估的幾種防禦都不夠。SafeRAG 則是專門評測 RAG 安全性的基準，出發點同樣是：RAG 引進了外部且未經驗證的知識，攻擊者因此可以靠操弄知識來攻擊模型。因為檢索回來的文字會直接進入 prompt，這個攻擊面也包含夾帶 prompt injection 的文件。防線見 RAG Guardrails。

面試怎麼答

RAG 解的是「模型不知道」，不是「模型不會想」。它解不了的有六類：需要推理的問題、知識庫裡根本沒有的資訊、互相矛盾的文件、模型本身的長上下文缺陷、即時性、以及知識庫被投毒。最後一項最值得多講，因為檢索內容會直接進 prompt，信任鏈的上游一旦被汙染，RAG 會很忠實地把它輸出。

被追問時的三個備案

「RAG 跟 fine-tuning 怎麼選？」 知識常變、需要溯源，用 RAG；要改風格、格式或行為，用 fine-tuning；兩者可以併用。完整比較見 RAG vs Fine-tuning。

「怎麼評估 RAG？」 拆成檢索與生成兩段量。檢索看召回與排序，生成看是否忠於檢索內容、是否切題；工具上可以用 Ragas，也可以參考 RAG 評估框架與工具選型。

「為什麼不全部用 CAG？」 知識庫要小到放得進上下文視窗，而且知識一更新快取就要重算；規模大或更新頻繁的場景，檢索仍然是比較務實的選擇。

題庫裡常見的題目

以下從 7 個公開 GitHub 面試題庫（比較見系列第 11 篇《AI Engineer 面試準備資源》）整理出跨題庫重複出現的 RAG 與檢索題目，意思相同的題目合併成一題。「獨立來源數」只代表題庫之間的重疊，不代表真實面試的出現頻率。amitshekhar 與 pallavi 兩個題庫沒有題目來源，它們的公司標籤本文不採用；本節只列題目與出處連結，沒有轉載答案。

題目獨立來源數題庫連結本文對應段落
什麼是 RAG？它解決什麼問題？完整流程有哪些階段？4om aeg amit ksRAG 的核心概念：先查資料，再回答
chunking 策略有哪些？怎麼選策略與 chunk 大小？4om aeg amit pal ks代表場景：企業知識庫與智慧客服
什麼是混合檢索（hybrid search）？稀疏與稠密檢索怎麼取捨？4om aeg amit pal ks代表場景：企業知識庫與智慧客服
什麼是 reranker？為什麼要在向量檢索之後再加一層？cross-encoder 與 bi-encoder 差在哪？4om aeg amit pal ks代表場景：企業知識庫與智慧客服
如何評估 RAG 管線？為什麼檢索與生成要分開量？4om aeg amit pal ks代表場景：企業知識庫與智慧客服
embedding 模型怎麼選？3om amit ksRAG 的核心概念：先查資料，再回答
ANN 近似最近鄰搜尋如何運作？HNSW 等索引怎麼取捨？3aeg pal ksRAG 的核心概念：先查資料，再回答
檢索指標（recall@k、MRR、nDCG）各自反映什麼？3om aeg ks代表場景：企業知識庫與智慧客服
使用者說 RAG 助理答錯了，怎麼排查？常見失敗點有哪些？3om aeg amit代表場景：企業知識庫與智慧客服
切分 PDF 時，表格、圖片與整份文件層級的上下文怎麼處理？3aeg pal ks代表場景：企業知識庫與智慧客服
長上下文越來越強，什麼時候該用檢索、什麼時候直接全塞進上下文？3om amit pal ks不檢索也能答：CAG
RAG、微調與長上下文怎麼選？3AIML amit ks被追問時的三個備案
什麼是 GraphRAG？和一般 RAG 有何不同、什麼時候值得用？3om aeg amit改變索引形態：Graph RAG 與 KG-RAG
RAG 系統怎麼處理引用與來源標註？2aeg palRAG 的核心概念：先查資料，再回答
如何設計具權限感知的檢索，讓使用者看不到自己無權存取的內容？2om amit pal代表場景：企業知識庫與智慧客服
Agentic RAG 與單次 RAG 有何差異？什麼時候值得多付出這份複雜度？2om amit pal把決策交給模型：Agentic RAG 與 Reasoning RAG
什麼是查詢轉換（HyDE、查詢拆解）？2amit pal ks把決策交給模型：Agentic RAG 與 Reasoning RAG
embedding 在哪些情況會失效（否定、時間推理、精確度需求）？1aeg代表場景：企業知識庫與智慧客服
語料持續變動時，怎麼讓索引與知識庫保持最新？1amit pal代表場景：企業知識庫與智慧客服
任何人都能把文件加進語料庫時，怎麼防止攻擊者植入文件來劫持助理？1omRAG 解不了的問題
想刪掉向量索引、改讓 agent 用 grep 與關鍵字搜尋，哪裡說得對、哪裡會出問題？1om把決策交給模型：Agentic RAG 與 Reasoning RAG

來源數的算法：amit 與 pal 疑似由同一機構（Outcome School）維護，且有 26 題近乎逐字相同，合算為 1 個來源；ks 是同一作者的 LLM 與 RAG 兩個題庫，合算為 1 個來源；om、aeg、AIML 各為 1 個來源，所以最大值是 5。標籤對應：om = ombharatiya、aeg = alexeygrigorev、AIML = alirezadir、amit = amitshekhariitbhu、pal = pallavi-shekhar、ks = KalyanKS-NLP。授權上，om 與 AIML 為 MIT，aeg 未標示授權，amit、pal、ks 為 Apache-2.0（amit 與 pal 的 README 標註 Outcome School 版權）；本節只列題目標題與連結，答案請回原 repo 查看。

amit、pal、aeg 的行號連結指向 2026-10-03 當天 main 分支的內容，repo 更新後行號可能位移；連到別題時，請用題目文字到原檔搜尋。

系列其他篇

「AI Engineer 面試準備」系列的其他篇章：

參考資料

論文

站內文章

題庫

相關文章

LLM Application Design 面試攻略：從 RAG 到 Agent 架構1 minML／LLM 系統設計與 Coding 面試：四題架構、三題 Python 與 STAR 骨架1 minLLM 工程面試準備：微調、對齊、推論優化、評估與安全1 min