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.mdquestion.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
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。
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.mdSkill 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。
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。
$ 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$ 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$ 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?$ 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)> $ 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。$ 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。
脚本启动后默认读取同目录下的两个文件:
plan.mdquestion.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
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。
对应文件:plan.md
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*(.+)$
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
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
# 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对应文件:question.md
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。
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
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
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
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。
# 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。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。
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
####
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。
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
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
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
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
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
为了正确使用这个脚本,最好也了解它当前的边界。
脚本默认读取同目录下的:
plan.mdquestion.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。
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
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
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。
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
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。