产品经理面试指南：四大专栏助你成功上岸

面对产品经理的职位面试，你是否感到有些紧张和迷茫？不用担心，我们为你精心准备了四大面试专栏，包括产品经理专业面试、部门负责人复试、HR面试以及面试技巧，让你在面试过程中如鱼得水，轻松应对。

01 产品经理专业面试专栏

职责与能力：探讨产品经理的核心职责，以及你认为自己具备哪些与职位匹配的能力。
产品与策略：从产品思维、需求分析到产品设计，全面解析产品经理的工作重点。
挑战与应对：分享处理产品策划和开发中常见挑战的策略和方法。
案例与实战：提供真实案例和模拟面试问题，助你提前熟悉面试流程。

02 部门负责人复试专栏

复试揭秘：了解复试的流程和考察要点，提前做好准备。
高频问题解析：分享并解析复试中常见的问题，助你迅速掌握回答技巧。
工作经验与项目：分享你的工作经验和成功项目，展示你的实力和价值。
个性与团队：探讨你的性格特点和团队合作方式，让面试官了解你的融入能力。

03 HR面试专栏

职业规划与期望：阐述你的职业规划和个人期望，让HR了解你的职业追求。
离职与换工作：解释你过去离职和换工作的原因，展示你的稳定性和适应性。
团队合作与沟通：分享你在团队中的角色和沟通经验，展示你的团队协作能力。
挑战与解决：讲述你在工作中遇到的挑战和解决方案，展示你的问题解决能力。

04 面试技巧专栏

简历制作：提供简历制作技巧和框架，让你的简历脱颖而出。
面试准备：分享面试前的准备事项和策略，助你充分准备面试。
薪资谈判：教你如何巧妙回答期望薪资问题，争取最大利益。
心理调适：提供心理调适技巧和建议，助你保持自信和冷静应对面试。

通过这四大专栏的学习和准备，你将更加了解产品经理职位的要求和面试流程，掌握应对各种面试问题的技巧和方法。我们相信，只要你充分准备、自信应对，一定能够成功通过面试，获得心仪的职位！

面试题笔记分享

为了助力朋友们跳槽面试、升职加薪、职业困境，提高自己的技术，本文给大家整了一套涵盖AI大模型所有技术栈的快速学习方法和笔记。目前已经收到了七八个网友的反馈，说是面试问到了很多这里面的知识点。

每一章节都是站在企业考察思维出发，作为招聘者角度回答。从考察问题延展到考察知识点，再到如何优雅回答一面俱全，可以说是求职面试的必备宝典，每一部分都有上百页内容，接下来具体展示，完整版可直接下方扫码领取。
😝有需要的小伙伴，可以V扫描下方二维码免费领取🆓

## 大模型(LLMs)基础面

1.目前主流的开源模型体系有哪些?
2.prefix LM 和 causal LM 区别是什么?
3.涌现能力是啥原因?
4.大模型 LLM的架构介绍?
大模型(LLMs)进阶面
1.llama 输入句子长度理论上可以无限长吗?
2.什么是 LLMs 复读机问题?
3.为什么会出现 LLMs 复读机问题?
4.如何缓解 LLMs 复读机问题?
5.LLMs 复读机问题
6.lama 系列问题
7.什么情况用 Bert模型，什么情况用LLaMA、ChatGLM类大模型，咋选?8.各个专业领域是否需要各自的大模型来服务?
9.如何让大模型处理更长的文本?

大模型(LLMs)微调面

1.如果想要在某个模型基础上做全参数微调，究竟需要多少显存?
2.为什么 SFT之后感觉 LLM傻了?
3.SFT 指令微调数据如何构建?
4.领域模型 Continue PreTrain 数据选取?5.领域数据训练后，通用能力往往会有所下降，如何缓解模型遗忘通用能力?
6.领域模型 Continue PreTrain ，如何让模型在预训练过程中就学习到更多的知识?7.进行 SFT操作的时候，基座模型选用Chat还是 Base?
8.领域模型微调指令&数据输入格式要求?
9.领域模型微调领域评测集构建?
10.领域模型词表扩增是不是有必要的?
11.如何训练自己的大模型?
12.训练中文大模型有啥经验?
13.指令微调的好处?
14.预训练和微调哪个阶段注入知识的?15.想让模型学习某个领域或行业的知识，是
应该预训练还是应该微调?
16.多轮对话任务如何微调模型?
17.微调后的模型出现能力劣化，灾难性遗忘
是怎么回事?

大模型(LLMs)langchain面

1.基于 LLM+向量库的文档对话基础面
2.基于 LLM+向量库的文档对话优化面
3.LLMs 存在模型幻觉问题，请问如何处理?
4.基于 LLM+向量库的文档对话思路是怎么样?
5.基于 LLM+向量库的文档对话核心技术是什么?
6.基于 LLM+向量库的文档对话 prompt 模板如何构建?
7.痛点1:文档切分粒度不好把控，既担心噪声太多又担心语义信息丢失
2.痛点2:在基于垂直领域表现不佳
3.痛点 3:langchain 内置问答分句效果不佳问题
4.痛点 4:如何尽可能召回与 query相关的Document 问题
5.痛点5:如何让 LLM基于 query和 context
得到高质量的response
6.什么是 LangChain?
7.LangChain 包含哪些核心概念?
8.什么是 LangChain Agent?
9.如何使用 LangChain ?
10.LangChain 支持哪些功能?
11.什么是 LangChain model?
12.LangChain 包含哪些特点?

大模型(LLMs):参数高效微调(PEFT)面

1.LORA篇2.QLoRA篇
3.AdaLoRA篇
4.LORA权重是否可以合入原模型?
5.LORA 微调优点是什么?
6.LORA微调方法为啥能加速训练?
7.如何在已有 LORA模型上继续训练?
1.1 什么是 LORA?
1.2 LORA 的思路是什么?
1.3 LORA 的特点是什么?
2.1 QLORA 的思路是怎么样的?
2.2 QLORA 的特点是什么?
8.3.1 AdaLoRA 的思路是怎么样的?为什么需
要提示学习(Prompting)?
9.什么是提示学习(Prompting)?10.提示学习(Prompting)有什么优点?11.提示学习(Prompting)有哪些方法，能不能稍微介绍一下它们间?
4.4.1为什么需要 P-tuning v2?
4.4.2 P-tuning v2 思路是什么?
4.4.3 P-tuning v2 优点是什么?
4.4.4 P-tuning v2 缺点是什么?
4.3.1为什么需要 P-tuning?