Câu hỏi phỏng vấn LLM 2026 | Câu hỏi phỏng vấn Agent | Câu hỏi phỏng vấn RAG | Hướng dẫn phỏng vấn phát triển ứng dụng AI (kèm đáp án và hình minh họa)
Phỏng vấn phát triển ứng dụng AI thường bắt đầu từ một lần gọi model, sau đó mở rộng sang RAG, Agent, tool calling và thiết kế hệ thống. Ngoài khái niệm, phỏng vấn còn kiểm tra khả năng giải thích toàn bộ chain, xác định vấn đề về hiệu quả, cũng như xử lý rủi ro về chi phí, độ ổn định và quyền hạn.
Bài viết này là cổng vào chính của các câu hỏi phỏng vấn AI. Bốn trang câu hỏi tập trung liệt kê vấn đề; nguyên lý chi tiết, code, hình minh họa và giải pháp engineering được đặt trong các bài viết chuyên đề tương ứng.
Mục lục câu hỏi phỏng vấn
| Module câu hỏi phỏng vấn | Nội dung chính | Đối tượng nên ưu tiên ôn tập |
|---|---|---|
| Tổng hợp câu hỏi phỏng vấn LLM | Token, context window, tham số sampling, gọi API, streaming output, structured output, Function Calling, đánh giá ứng dụng AI | Tất cả người chuẩn bị phỏng vấn phát triển ứng dụng AI |
| Tổng hợp câu hỏi phỏng vấn AI Agent | Agent Loop, Memory, Prompt Engineering, Context Engineering, MCP, Agent Skills, Harness Engineering, Workflow, Graph, Loop | Người chuẩn bị cho vị trí liên quan đến Agent, tool calling và workflow |
| Tổng hợp câu hỏi phỏng vấn RAG | Nền tảng RAG, Embedding, vector database, xử lý tài liệu, Hybrid Search, Query Rewrite, Rerank, GraphRAG, cập nhật và đánh giá knowledge base | Người chuẩn bị cho vị trí liên quan đến hỏi đáp knowledge base và retrieval-augmented generation |
| Tổng hợp câu hỏi phỏng vấn thiết kế hệ thống AI | Kiến trúc production, model gateway, quản trị việc gọi, observability, đánh giá, bảo mật và compliance, realtime voice Agent | Người có kinh nghiệm dự án hoặc cần chuẩn bị phỏng vấn thiết kế hệ thống |
Kết nối bốn module
Nền tảng LLM quyết định cách một lần gọi được thực thi. Token và context window ảnh hưởng đến dung lượng và chi phí, tham số sampling ảnh hưởng đến độ dao động của output, còn Streaming, retry, rate limiting và structured output quyết định backend có thể tiếp nhận kết quả từ model một cách ổn định hay không. Bạn có thể xem trước Tổng hợp câu hỏi phỏng vấn LLM.
RAG và Agent xử lý hai loại vấn đề khác nhau. RAG truy xuất bằng chứng từ nguồn tri thức bên ngoài, còn Agent dựa trên trạng thái tác vụ để quyết định hành động tiếp theo và gọi tool. Knowledge base doanh nghiệp, chatbot thông minh và trợ lý phân tích dữ liệu thường sử dụng đồng thời cả hai; các câu hỏi tương ứng nằm trong Tổng hợp câu hỏi phỏng vấn RAG và Tổng hợp câu hỏi phỏng vấn AI Agent.
Sau khi việc gọi model, retrieval và tool đi vào nghiệp vụ thực tế, còn phải bổ sung model gateway, quyền hạn, audit, đánh giá, gray release và rollback. Các nội dung này được tập trung trong Tổng hợp câu hỏi phỏng vấn thiết kế hệ thống AI.
Chọn độ sâu ôn tập theo kinh nghiệm
| Giai đoạn kinh nghiệm | Trọng tâm ôn tập | Mức độ cần đạt khi trả lời |
|---|---|---|
| Sinh viên mới tốt nghiệp, 0–1 năm | Nền tảng LLM, chain RAG, Agent Loop, kiến trúc ứng dụng đơn giản | Có thể giải thích các khái niệm chính và nói rõ toàn bộ quy trình của một lần gọi model hoặc hỏi đáp knowledge base |
| 2–3 năm | Engineering cho việc gọi API, xử lý sự cố RAG, quản trị tool, state và observability | Có thể xác định khâu gặp vấn đề dựa trên hiện tượng lỗi, đồng thời nêu lựa chọn giải pháp và cách xử lý ngoại lệ |
| Trên 3 năm | Model gateway, chi phí, bảo mật, đánh giá, gray release, rollback và tiến hóa kiến trúc | Có thể thiết kế hệ thống hoàn chỉnh, giải thích capacity, quyền hạn, khôi phục sự cố, xác minh chất lượng và hướng tiến hóa tiếp theo |
Số năm làm việc chỉ ảnh hưởng đến độ sâu của câu hỏi đào sâu. Nếu CV ghi có knowledge base doanh nghiệp, nền tảng Agent hoặc AI customer service, interviewer thường sẽ tiếp tục hỏi về nguồn dữ liệu, quyền hạn, chỉ số hiệu quả, xử lý ngoại lệ và cách bảo trì sau khi đưa vào production.
Phối hợp trang câu hỏi và bài viết chuyên đề
Bạn có thể lướt nhanh qua trang câu hỏi trước, đánh dấu những vấn đề chưa thể giải thích rõ, rồi vào bài viết chuyên đề tương ứng để xem đầy đủ ngữ cảnh. Ví dụ:
- Token, context window và tham số sampling có thể xem lại tại Chuyên đề nền tảng LLM;
- Agent Loop, Memory, MCP và Skills có thể xem lại tại Chuyên đề AI Agent;
- Chunk, vector retrieval, Rerank và cập nhật knowledge base có thể xem lại tại Chuyên đề RAG;
- Model gateway, realtime voice và kiến trúc production có thể xem lại tại Chuyên đề thiết kế hệ thống AI.
Đọc xong bài gốc, hãy quay lại tự trình bày lại câu hỏi một lần. Câu trả lời cần bao gồm cơ chế cụ thể, trường hợp sử dụng và giới hạn; khi đề cập đến dự án, bạn cũng cần bổ sung ràng buộc nghiệp vụ, quy mô dữ liệu và cách xử lý sự cố tại thời điểm đó.
Nếu đã có dự án Agent, bạn có thể tiếp tục xem 《Trình bày dự án Agent trong phỏng vấn thế nào? Từ kiến trúc hệ thống, lựa chọn công nghệ đến nhìn lại Badcase》. Bài viết này không còn liệt kê câu hỏi theo từng điểm kiến thức, mà minh họa cách sắp xếp trải nghiệm thực tế thành một câu trả lời hoàn chỉnh theo chuỗi “ràng buộc bối cảnh → chain kiến trúc → đánh đổi khi lựa chọn → bằng chứng hiệu quả → nhìn lại thất bại”.
Các câu hỏi đào sâu thường gặp về kinh nghiệm dự án
- Vì sao dự án chọn model hiện tại? Khi thay model cần so sánh những chỉ số nào?
- Khi RAG không truy xuất được, xếp hạng sai hoặc câu trả lời không trung thực, cần kiểm tra lần lượt thế nào?
- Khi Agent gọi sai tool, tham số không hợp lệ hoặc thao tác ghi bị timeout, hệ thống xử lý ra sao?
- Làm thế nào chứng minh một lần điều chỉnh Prompt, model hoặc cấu hình retrieval đã đem lại cải thiện?
- Khi nhà cung cấp model rate limiting hoặc không khả dụng, cần xếp hàng, degrade và chuyển đổi thế nào?
- Làm thế nào thực hiện tenant isolation, kiểm tra quyền hạn và audit cho knowledge base và tool calling?
- Sau khi dự án đưa vào production, đã ghi nhận những chỉ số nào về chất lượng, chi phí, latency và lỗi?
Bạn có thể tìm thấy module tương ứng cho các câu hỏi này trong bốn trang câu hỏi. Khi chuẩn bị phần kinh nghiệm dự án, hãy ưu tiên các ràng buộc và quá trình xử lý thực tế trong dự án của mình; giải pháp trong các bài viết chuyên đề chỉ dùng để bổ sung nguyên lý và phương án thay thế, không bịa dữ liệu hay trách nhiệm không tồn tại.