项目深挖适合已经做过大模型或 Agent 项目，准备应对连续追问的工程师。面试官会围绕简历反复问：为什么这么选、架构怎么搭、出了问题怎么查、后来怎么改。复习建议投入 2-3 天。重点从 demo 走到生产，覆盖私有知识、权限边界、可审计、业务集成和成本可控。
考点地图
项目选型：先解释为什么做
面试官会问业务目标、用户角色、数据来源和模型选择。你要说明为什么用 RAG、Agent、Text2SQL 或私有部署，也要说清不用另一种方案的原因。选型决定后面的架构边界，不能只报技术名词。
架构设计：把数据流讲完整
这块考输入如何进入系统，检索、规划、工具调用、模型输出和权限校验如何衔接。追问通常会落到状态管理、失败重试、人工接管、审计记录和业务系统集成。架构设计要回应选型目标，也为性能指标和故障定位留下位置。
性能优化：说明慢在哪里
面试官会让你拆解响应时间、Token 消耗、并发、上下文长度和外部工具耗时。你要先定位瓶颈，再选择缓存、模型路由、检索优化、流式输出或并行调用。性能方案会改变成本和准确率，所以不能只报一个延迟数字。
故障排查与迭代演进：从现象追到原因
这块考幻觉、检索失效、工具调用错误、权限越界、服务超时和费用失控怎么查。回答要包含指标、日志、请求链路、复现方式和止损措施。最后说明项目如何从第一版演进到更稳定、更可审计、更符合业务约束的版本。
站内学习路线
先打地基。先读 为什么很多人做不出企业级 Agent：卡住的从来不是模型，再看 有 ChatGPT 为什么还要自建 Agent 系统。这两篇先建立企业项目的判断标准：模型只是组件，权限、数据、流程和运营同样决定结果。接着读 大模型私有化部署怎么选型？ 与 自部署 vs API：推理形态怎么选，把部署形态和项目约束连起来。
再攻高频。按 RAG、Agent、安全、性能、成本的顺序刷：企业知识库 RAG 落地最常见的坑是什么？、项目面试包 · 企业知识库 RAG 助手、项目面试包 · 数据分析 Agent（ChatBI）、项目面试包 · Text2SQL 数据查询 Agent、大模型应用的安全问题有哪些？提示注入怎么防？、Agent 搞不定怎么转人工？人机协作的边界怎么设计？、Agent 响应太慢怎么排查和优化？。三篇项目面试包补充具体系统，速答帮助你练短答和追问。长文总计 7 篇，先刷速答再读长文，能减少只记方案、不懂取舍的问题。
最后自测。用 大模型应用上线后怎么监控？要看哪些指标、怎么告警？、大模型应用的 API 成本怎么降？、multi-agent 跑一轮任务，Token 都花在哪？账单怎么控制？、深度用了某家大模型 API，怎么避免被绑死？换模型怎么平滑迁移补齐上线后的监控、成本和迁移问题。然后去 模拟面试抽题 练一轮，再回看 本分类页 的分类内容。
高频追问与避坑
“为什么这个项目不用纯 Prompt，非要上 RAG 或 Agent？”
先说业务约束，再说技术选择。私有知识需要检索和权限控制，多步骤任务才需要 Agent 的规划与工具调用。只答“RAG 更准确、Agent 更智能”，没有说明数据、流程和失败成本。
“线上变慢了，你先查什么？”
先按请求链路拆 Prefill、检索、模型生成、工具调用和排队时间，再看日志、指标与样本请求。定位瓶颈后再比较缓存、缩短上下文、并行调用或更换模型的代价。只说加机器或换小模型，跳过定位过程，面试官无法判断你是否真正处理过线上问题。
“模型输出错了，怎么证明是模型的问题？”
先区分检索为空、召回内容错误、权限过滤遗漏、提示约束失效和模型生成错误。记录输入、检索结果、工具参数、版本和最终输出，建立可复现样本。只说“加规则、换模型、继续微调”，没有证据链，也没有说明如何避免同类问题再次发生。
刷完站内内容后，去做飞书专项真题集，把项目经历改写成选型、架构、指标、故障和迭代五类回答。项目深挖不要求你讲得复杂，而要求每个决定都能说明依据、代价和结果。