一句话看懂：有开发者把 35 家 AI 公司公开流出的工程面试题按公司整理成 GitHub 仓库，覆盖注意力机制、KV 缓存、检索增强、Agent、系统设计等 10 类高频考点，并标注了每道题被哪些公司问过。它把原本分散在论坛和帖子里的面试情报，变成了一份可检索的备考地图。
事件核心：发生了什么
这个仓库的核心工作有两块。一是横向汇总：把跨公司重复出现的高频题归入 10 个类别，涵盖注意力机制、KV 缓存、检索增强生成（RAG）、Agent、系统设计等，每道题都标出被哪几家问过，能找到解答的会附上链接。二是纵向梳理：逐家记录面试流程，例如 Anthropic 被描述为约 30 分钟初筛、70 到 90 分钟编程测评，再加五轮左右，整个周期在 3 周到 2 个月之间。仓库目前覆盖 35 家公司，来源是公开流出的面试题，并非官方题库。
为什么重要
AI 工程岗位的招聘标准过去一年变化很快，但公开信息高度碎片化，候选人往往只能靠在社交平台逐个翻帖。这份整理的价值在于它暴露了考题的实际取向：不再是纯算法题，而是贴近真实工程约束的场景题。比如「5 万份文档要跑一遍模型调用，接口只允许 100 个并发且会报错，代码怎么写」，考的是批处理、限流、重试和成本控制；再比如「像 Claude Code 这样的编码 Agent，模型和外面那层框架哪个更重要」，直接把大模型应用开发中的分工问题搬进了面试。这从侧面说明，行业对 AI 工程师的期待正从「会调 API」转向「能在并发、算力、上下文管理这些约束下把系统跑稳」。
对用户/开发者/创作者的影响
对准备投递大模型应用、Agent 方向的开发者，这类仓库可以当作复习清单：先过 10 类高频题，再按目标公司看流程和轮次，能减少无效准备。对已经在岗的工程师，这些题目本身也是一份技术自查表——KV 缓存、检索增强、并发控制这些点，恰好是推理成本和线上稳定性的关键环节，值得对照自己的项目复盘。对创作者和内容团队，面试题的风向通常领先于招聘 JD，可以据此判断哪些 AI 应用能力正在成为标配。需要注意的是，仓库内容是社区整理，题目表述和流程细节可能存在偏差，不宜当作唯一依据。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
一是仓库是否持续更新，尤其是新公司、新题型的补充速度；二是这些高频题会不会反过来影响公司出题，导致题库快速失效；三是面试重心的迁移方向——如果 Agent 架构和系统设计类题目继续增加，说明岗位需求正从模型侧向工程侧倾斜。
