Skip to content

About

零依赖面试助手:Markdown 驱动的面试准备工具

Resources

Stars

4 stars

Watchers

0 watching

Forks

Latest commit

 

History

16 Commits

Folders and files

Repository files navigation

面试助手

一个零依赖的 Python 命令行脚本,用两份 Markdown 文件驱动面试准备:

  • plan.md
  • question.md

脚本文件为 interview_assistant.py,支持:

  • 查看执行计划概览和某一天详情
  • 按主题搜索题目
  • 按天推荐练习题
  • 按主题抽问
  • 随机模拟面试
  • 记录进度、自评分、卡点和复盘
  • 自动把练习结果追加到当天 Markdown 日志

快速开始

在当前目录执行:

python3 interview_assistant.py

不带参数时进入交互式菜单。

也可以直接使用命令行参数:

python3 interview_assistant.py --help
python3 interview_assistant.py --overview
python3 interview_assistant.py --day 7
python3 interview_assistant.py --search Memory
python3 interview_assistant.py --practice-day 5 --count 3
python3 interview_assistant.py --topic MCP --count 5
python3 interview_assistant.py --mock --count 8
python3 interview_assistant.py --data-dir ./my_data
python3 interview_assistant.py --data-dir ./agent --overview --json

JSON 输出

所有命令支持 --json 参数,输出结构化 JSON,适合 Agent 调用和脚本集成:

$ python3 interview_assistant.py --data-dir ./agent --search "MCP" --json

{
  "keyword": "MCP",
  "count": 3,
  "questions": [
    {"qid": 24, "title": "MCP 和普通函数调用相比,工程价值是什么?", "category": "MCP / Tool 平台"},
    {"qid": 25, "title": "什么时候一个能力更适合做 MCP Tool?", "category": "MCP / Tool 平台"},
    {"qid": 26, "title": "MCP 接入后还需要做哪些工程工作?", "category": "MCP / Tool 平台"}
  ]
}

--json 模式下,练习和模拟面试命令会直接返回题目和答案要点,不进入交互模式。

Agent Skill

项目在 skills/ 目录维护可供其他 Agent 下载注册的 skill 文件:

# 下载 skill 文件
curl -O skills/interview/SKILL.md \
  https://raw.githubusercontent.com/SpellingDragon/agent-interview-helper/main/skills/interview/SKILL.md

Skill 文件描述了可用题库、CLI 命令、JSON 输出格式和示例交互,任何支持 skill 注册的 Agent 均可直接导入。

题库

本项目维护多套独立的面试题库,每套包含 plan.md(执行清单)和 question.md(高频问答题库),定位如下:

题库 目录 适用方向 题目数量
Agent 平台工程师 agent/ Agent Runtime / Tool / MCP / Memory / Eval 110 题
AI Infra 系统工程师 ai-infra/ 推理引擎 / 分布式训练 / CUDA / 系统设计 105 题
LLM 理论与后训练 llm/ Transformer / RL 后训练 / Scaling Law 82 题
MyGO!!!!! 粉丝修炼 mygo/ 成员 / 音乐 / Live / 冷知识 30 题

使用方式:

python3 interview_assistant.py --data-dir ./agent
python3 interview_assistant.py --data-dir ./ai-infra
python3 interview_assistant.py --data-dir ./llm
python3 interview_assistant.py --data-dir ./mygo

题库互不依赖,可独立使用和更新。

运行示例

查看执行计划概览

$ python3 interview_assistant.py --data-dir ./agent --overview

14 天执行清单概览
------------------------------------------------
Day  1 | 统一岗位叙事 | 未完成
Day  2 | 项目深讲一,长程 Agent 框架 | 未完成
Day  3 | 项目深讲二,数据流水线 Agent | 未完成
Day  4 | 项目深讲三,策略平台 / 规则引擎 | 未完成
Day  5 | Agent Runtime 总论 | 未完成
Day  6 | Tool Use / MCP / Skill / Subagent | 未完成
Day  7 | Memory / Context Engineering | 未完成
Day  8 | Trace / Eval / Replay / 反馈闭环 | 未完成
Day  9 | LLM / 推理基础 | 未完成
Day 10 | 系统设计与后端基础 | 未完成
Day 11 | 操作系统 / 网络 / SQL / 前端 | 未完成
Day 12 | Go / C++ / STL / 语言底层 | 未完成
Day 13 | 算法与 40 分钟笔试模拟 | 未完成
Day 14 | 全链路模拟面 | 未完成

查看某一天的详细任务

$ python3 interview_assistant.py --data-dir ./ai-infra --day 7

Day 7: CUDA / GPU 编程
============================================================

[今日目标]
- 把 GPU 内存层次、Kernel 优化、FlashAttention 讲到面试级

[今日任务]
1. 梳理 GPU 内存层次和 SIMT 模型
2. 练习 Memory Coalescing 和 Bank Conflict
3. 梳理 FlashAttention 的 IO 分析
4. 练习 GEMM 优化链(Naive → Tiling → Tensor Core)

[今日输出]
- `GPU 内存层次速查表`
- `GEMM 优化链口述稿`

[验收标准]
- 能说出 Bank Conflict 的避免方法
- 能解释 Online Softmax 的分块更新原理

按关键词搜索题目

$ python3 interview_assistant.py --data-dir ./llm --search "MoE"

关键词:MoE
共找到 5 题
- Q1 | 岗位匹配与动机 | 你为什么适合 LLM 后训练方向?
- Q15 | Transformer 架构 | MoE(Mixture of Experts)的核心设计是什么?
- Q16 | Transformer 架构 | MoE 的负载均衡怎么做?
- Q65 | 前沿与趋势 | DualPipe(通信-计算重叠)是什么?
- Q66 | 前沿与趋势 | MoE 规模扩大后对 Infra 有什么影响?

按主题抽问练习

$ python3 interview_assistant.py --data-dir ./agent --topic "MCP" --count 3

进入练习模式。
每道题先自己回答,按回车后再看要点。

============================================================
第 1/3 题
Q24. 什么时候一个能力更适合做 MCP Tool?
分类:MCP / Tool 平台
按回车查看回答要点...

[回答要点]
- 能力通用、边界清晰、输入输出可结构化。
- 希望被多个 Agent、多个宿主或多个场景复用。
- 需要独立治理权限、缓存、可靠性和观测。
给自己打分(1-5,默认 3)> 

按天推荐练习题

$ python3 interview_assistant.py --data-dir ./ai-infra --practice-day 5 --count 3

进入练习模式。

============================================================
第 1/3 题
Q29. All-to-All 通信量怎么算?MoE 里为什么重要?
分类:分布式训练

[回答要点]
- All-to-All:每个 GPU 向其他所有 GPU 发送不同的数据块。
- 通信量 ≈ (P-1)/P × DataSize(每 GPU 发送和接收)。
- MoE 中 all-to-all 用于 token dispatch 和 combine,通信量与 expert 数量和 top-K 成正比。
- 跨节点 all-to-all 受限于 IB 带宽,是 MoE 规模化的核心瓶颈。

随机模拟面试

$ python3 interview_assistant.py --data-dir ./llm --mock --count 5

进入练习模式。

============================================================
第 1/5 题
Q35. GRPO 和 PPO 的区别?为什么可以去掉 Critic?
分类:RL 后训练

[回答要点]
- GRPO:对每个 prompt 采样一组回答,用组内标准化作为 advantage。
- 不需要 Critic 模型,因为 advantage 通过组内比较计算。
- 少一个模型意味着显存释放,但组内采样增加了 Rollout 负担。

============================================================
第 2/5 题
Q12. MLA(Multi-head Latent Attention)的核心设计是什么?
分类:Transformer 架构

[回答要点]
- 用低秩压缩把 K/V 投影到低维 latent space,KV Cache 压缩约 93%。
- Decoupled RoPE:把 RoPE 从 Q/K 的内容维度分离出来。
- Weight Absorption:把 up-projection 吸收到 Q/K/V 的权重里。

练习总结
------------------------------------------------
题目数:5
平均自评分:3.00 / 5
已追加到:llm/交互记录_20260629.md

每次练习结束后,结果会自动追加到当天的交互记录日志中,方便日后复盘。

工作方式

脚本启动后默认读取同目录下的两个文件:

  • plan.md
  • question.md

可通过 --data-dir 指定其他数据目录,文件名保持不变。

脚本还会在数据目录下读写两个辅助文件:

  • .interview_assistant_state.json
    • 持久化完成进度、复盘和练习历史
  • 交互记录_YYYYMMDD.md
    • 自动追加当天练习、自评分、卡点和复盘内容

脚本依赖的 Markdown 结构

这份 README 最重要的一点是:脚本并不是读取“自由格式”的 Markdown,而是依赖固定的标题层级和命名模式。

如果文档结构不符合约定,脚本可能:

  • 找不到某一天
  • 找不到题目
  • 无法识别分类
  • 搜索结果不完整
  • 按天推荐的题目明显不准

下面分别说明两份文件的结构要求。

执行清单文件结构

对应文件:plan.md

解析规则

脚本会把每一个“天”的节点解析成一个 DayPlan。识别规则如下:

  • 每一天必须使用二级标题 ##
  • 标题必须匹配下面这种模式
## 3. Day 1:统一岗位叙事
## 4. Day 2: 项目深讲一,tagent

可以看到这里有几个关键约束:

  • 必须以 ## 开头
  • 必须先有一个序号,例如 3.
  • 必须包含字面量 Day
  • 必须包含天数,例如 Day 1
  • Day N 后面要接中文冒号 : 或英文冒号 :
  • 冒号后面的内容会被当作这一天的标题

脚本当前使用的正则近似为:

^##\s+\d+\.\s+Day\s+(\d+)[::]\s*(.+)$

Day 内部结构

在识别出一天以后,脚本会继续读取该天下面的三级标题 ### 作为 section 名称,例如:

## 3. Day 1:统一岗位叙事

### 今日目标

- 把"为什么是我、为什么是这个团队、为什么是这个岗位"讲顺
- 形成 90 秒自我介绍

### 今日任务

1. 写一版 90 秒自我介绍
2. 写一版 3 分钟岗位匹配表达

### 今日输出

- `90 秒自我介绍稿`
- `3 个项目的讲稿初版`

对脚本来说:

  • ### 今日目标、### 今日任务、### 今日输出 这些三级标题会被识别为 section
  • section 下的所有普通文本、列表、空行,都会原样归到这个 section
  • 四级及以下标题不会被单独建模,而是会被当作普通文本内容

推荐写法

虽然脚本对 section 名称本身没有强约束,但为了更好的可读性和复用性,建议每个 Day 都尽量保持类似结构:

  • ### 今日目标
  • ### 今日任务
  • ### 今日输出
  • ### 验收标准
  • ### 晚间复盘 或 ### 加练

这样做的好处是:

  • 用户查看某一天详情时结构稳定
  • 不同主题迁移时复用成本低
  • 后续如果要扩展自动分析,也更容易基于固定 section 名称做增强

最小可用模板

# 某岗位 N 天执行清单

## 1. Day 1:主题名称

### 今日目标

- 目标 1
- 目标 2

### 今日任务

1. 任务 1
2. 任务 2

### 今日输出

- 输出物 1

### 验收标准

- 验收项 1

题库文件结构

对应文件:question.md

解析规则

脚本会把题库解析成一组 Question,并识别“分类 -> 题目 -> 题目内容”的层级结构。

1. 分类层

分类必须使用二级标题 ##,格式类似:

## 2. 岗位匹配与动机
## 4. Agent 核心
## 5. MCP / Tool 平台

脚本当前使用的正则近似为:

^##\s+\d+\.\s+(.+)$

也就是说:

  • 必须是 ##
  • 必须以编号开头,例如 2.
  • 编号后面的整段文字会被当作分类名

2. 题目层

题目必须使用三级标题 ###,并且符合 Q数字. 的格式,例如:

### Q1. 你为什么适合这个团队?
### Q24. MCP 和普通函数调用相比,工程价值是什么?

脚本当前使用的正则近似为:

^###\s+Q(\d+)\.\s+(.+)$

关键约束如下:

  • 必须是 ###
  • 必须以 Q1.、Q2. 这种形式开头
  • Q 后面必须是数字
  • . 后面必须接一个空格,再写题目标题

3. 题目 section 层

题目下面的四级标题 #### 会被识别为这个题目的 section,例如:

### Q1. 你为什么适合这个团队?

#### 回答要点

- 要点 1
- 要点 2

#### 一句话版

一句话答案。

对脚本来说:

  • #### 回答要点、#### 一句话版 会被识别为 section
  • section 下的文本和列表都会作为题目内容参与展示和搜索
  • 没有放在 #### section 下的内容,不会被结构化收集

推荐写法

为了兼顾练习体验、搜索效果和后续扩展,建议每道题尽量保持统一结构:

  • #### 回答要点
  • #### 一句话版
  • #### 追问点
  • #### 常见误区

其中当前脚本实际依赖最强的是:

  • 分类名
  • 题目标题
  • #### 下的内容

因为这些内容都会进入关键词搜索和按主题匹配。

最小可用模板

# 某岗位高频问答题库

## 1. 分类名称

### Q1. 这里写题目

#### 回答要点

- 要点 1
- 要点 2

#### 一句话版

一句话答案。

为什么说“定义得好”会让脚本更泛用

这个脚本的泛用性,核心不在于内容属于哪个特定岗位,而在于"内容是否能被稳定结构化"。

换句话说,只要你把新的准备材料整理成同样的结构,这个脚本就可以迁移到:

  • 其他 AI Agent 岗位
  • 后端/基础架构岗位
  • 研究工程师岗位
  • 某个具体公司或部门的定制题库
  • 证书考试、课程训练营、知识陪练场景

要提高泛用性,建议从下面几件事入手。

泛用化定义建议

1. 标题语义要稳定,不要频繁换格式

这是最重要的一条。

脚本依赖标题层级和命名模式做解析,所以同一类文档必须保持稳定格式。

建议:

  • Day 标题始终写成 ## N. Day X:标题
  • 分类始终写成 ## N. 分类名
  • 题目始终写成 ### QN. 题目
  • 题目内容始终放到 #### section 下

不建议:

  • 有时写 Day1,有时写 DAY 1
  • 有时写 Q1:,有时写 问题 1
  • 把正文直接写在题目下而不加 ####

2. 分类名和关键词要贴近检索词

脚本的搜索和按主题匹配,本质上是字符串包含匹配。

因此题库在定义时,最好让这些内容显式出现:

  • 分类名
  • 题目标题
  • 回答要点中的关键术语

例如如果你希望通过 --topic MCP 找到一批题目,就应该让 MCP 明确出现在:

  • 分类标题中
  • 题目标题中
  • 回答要点中

而不是只写一些模糊代称。

3. 每个 Day 的主题尽量能映射到一组题库关键词

脚本里的“按天推荐题目”依赖一个人工定义的 DAY_TOPIC_HINTS 映射,它会把某一天关联到一组关键词,再去题库里做匹配。

这意味着如果你想让“Day 7 的推荐题”更准确,需要满足两个条件:

  • 执行清单的 Day 主题足够明确
  • 题库中确实有对应关键词的题目

推荐做法:

  • Day 标题写清楚主题边界
  • 题库分类名与 Day 主题尽量用同一套术语
  • 回答要点中显式出现这些主题词

例如:

  • Day 写 Memory / Context Engineering
  • 题库分类也使用 Memory / Context Engineering
  • 题目要点里多次出现 Memory、上下文注入、压缩、budget 之类词

4. 一题尽量只表达一个核心问题

如果一个题目标题里混了多个问题,练习体验会变差,搜索也会更模糊。

推荐:

  • 一题一个核心问题
  • 追问单独放到 #### 追问点
  • 不要把多个不相关问题塞进同一个 Q

这样对下面这些功能都有帮助:

  • 随机模拟面试
  • 主题抽问
  • 自评分回顾
  • 后续自动分析弱项

5. 内容要“可口述”,不只是“可阅读”

这个脚本不是文档浏览器,而是练习助手。

所以题库内容建议按“可回答”的方式组织,而不是写成长篇资料汇编。

更适合的写法:

  • 先给定义
  • 再给重要性
  • 再给工程做法
  • 最后给权衡和失败模式

不太适合的写法:

  • 大段复制博客
  • 只有概念,没有场景
  • 只有结论,没有工程取舍

6. 统一 section 名称,为后续自动化预留空间

当前脚本虽然不会强依赖 section 名称做复杂逻辑,但统一命名可以显著提升后续可扩展性。

执行清单建议统一使用:

  • 今日目标
  • 今日任务
  • 今日输出
  • 验收标准
  • 晚间复盘

题库建议统一使用:

  • 回答要点
  • 一句话版
  • 追问点
  • 常见误区

这样后面如果要增加这些能力会更容易:

  • 自动提取每一天的输出物
  • 自动统计哪些题缺少“一句话版”
  • 自动检查题库覆盖度
  • 自动生成模拟面试脚本

迁移到其他主题时怎么定义文档

如果你要把这个脚本迁移到别的面试方向,不需要先改代码,先改内容结构就行。

例如你要做“后端架构师面试助手”,可以这样组织:

执行清单:

## 1. Day 1:项目叙事与岗位匹配
## 2. Day 2:高并发与缓存
## 3. Day 3:数据库与事务
## 4. Day 4:微服务与治理

题库:

## 1. 项目与经历
## 2. 高并发与缓存
## 3. 数据库与事务
## 4. 微服务与治理
## 5. 操作系统与网络

关键点不在于名字是什么,而在于:

  • Day 主题能映射到题库分类和关键词
  • 每个分类下的题目编号格式稳定
  • 每个题目都有结构化 section

当前实现的边界

为了正确使用这个脚本,最好也了解它当前的边界。

1. 数据目录可自定义

脚本默认读取同目录下的:

  • plan.md
  • question.md

可通过 --data-dir 指定其他目录,文件名 plan.md 和 question.md 是固定规范,不可更改。

2. 解析是基于正则,不是完整 Markdown AST

这意味着它识别的是“标题行格式”,而不是通用 Markdown 语义。

所以:

  • 标题格式要尽量严格
  • 不要随意改变 ## / ### / #### 层级
  • 不要依赖花哨的排版技巧

3. 按天推荐是关键词匹配,不是语义检索

脚本现在不是 embedding 检索,而是简单关键词包含匹配。

因此题目是否会被推荐,很大程度取决于:

  • 关键词是否真的写进题库
  • 题库术语和 Day 主题是否一致

4. 题目正文必须放在 #### section 下

如果你把内容直接写在 ### Q1. ... 下面,而没有四级标题,当前实现不会把这些内容收集到题目结构里。

如果以后要进一步增强泛用性

这部分不是当前脚本必须做的,但如果你准备长期复用,建议后续考虑这些方向:

  • 支持从配置文件读取 DAY_TOPIC_HINTS
  • 支持更宽松的标题格式,例如 Day1、D1、问题 1
  • 支持 Markdown AST 解析而不是正则匹配
  • 支持标签字段,例如在题目里显式定义 标签:MCP, Memory, Tool
  • 支持语义检索,替代纯关键词匹配
  • 支持自动校验文档格式并输出缺失项报告

建议的编写检查清单

每次新建或修改计划/题库时,可以快速检查下面几项:

  • 执行清单中的每个 Day 是否都是 ## N. Day X:标题
  • 每个 Day 下是否至少有一个 ### section
  • 每个分类是否都是 ## N. 分类名
  • 每个题目是否都是 ### QN. 标题
  • 每个题目下是否至少有一个 #### section
  • 重要关键词是否出现在分类名、题目标题或回答要点中
  • Day 主题和题库术语是否一致

如果这些都满足,这个脚本通常就能稳定工作,而且迁移到其他准备主题时也会更顺手。

About

零依赖面试助手:Markdown 驱动的面试准备工具

Resources

Stars

4 stars

Watchers

0 watching

Forks

Releases

Packages

Contributors

Languages