ai-engineering-interview-questions: eine Link-Sammlung als Interview-Vorbereitung
Your Cheat Sheet for AI Engineering Interview – Questions and Answers.
Auf einen Blick
- Was ist das?
- Das Repository von Amit Shekhar listet Fragen zu LLM, RAG, Agenten, Fine-Tuning und Quantization auf. Die Antworten liegen fast alle außerhalb des Repositories, in Videos, Blogposts und Substack-Artikeln. Wer daraus lernen will, muss den Verweis öffnen.
- Für wen ist es gedacht?
- Als Einstieg in die Themenlandschaft der AI-Engineering-Interviews ist das Repository brauchbar, weil die Fragenliste breit ist und die Themen bis hin zu Quantization und MCP abdeckt. Wer Antworten im Repository selbst erwartet, wird enttäuscht: die meisten Einträge verweisen auf Videos, Blogposts und Substack-Artikel außerhalb von GitHub.
- Darf ich es kommerziell nutzen?
- Ja. Apache-2.0 ist eine freizügige Lizenz: Sie dürfen darauf aufbauende Software nutzen, verändern und verkaufen, solange Sie die Urheberrechts- und Lizenzhinweise beibehalten.
- Wird es noch gepflegt?
- Ja. Die letzten Commits kamen vor 1 Tag.
- In welcher Sprache ist es geschrieben?
- Hauptsächlich Markdown, laut der Sprachstatistik von GitHub.
Die Antworten beruhen auf den GitHub-Daten des Projekts (zuletzt abgeglichen am 15. September 2026) und auf unserer Analyse. Sie sind keine Rechtsberatung.
TIEFGEHENDE OPEN-SOURCE-ANALYSE
Für wen die Fragenliste gedacht ist
Das Repository adressiert Bewerberinnen und Bewerber auf Rollen, die das README selbst auflistet: AI Engineer, Gen AI Engineer, LLM Engineer, Agentic AI Engineer, AI Agent Engineer, Forward Deployed Engineer, AI Solutions Architect, AI Platform Engineer, Applied AI Engineer, MLOps Engineer und LLMOps Engineer. Das ist eine lange Liste, und sie verrät etwas über den Anspruch: die Sammlung versucht nicht, eine einzelne Spezialisierung abzudecken, sondern den breiten Markt der Stellenbezeichnungen, die derzeit unter dem Label AI Engineering laufen. Der Nutzen liegt damit weniger im gezielten Training für eine konkrete Position als im Überblick darüber, welche Themen in diesem Umfeld überhaupt als prüfungsrelevant gelten. Wer sich auf ein Gespräch bei einem Anbieter vorbereitet, der RAG betreibt, findet im Abschnitt Retrieval-Augmented Generation (RAG) eine eigene Sektion. Wer im Bereich Betrieb arbeitet, findet LLMOps and Production AI. Die Gliederung folgt also den Rollen, nicht der Schwierigkeit.
Die Antworten liegen außerhalb des Repositories
Das ist die wichtigste Eigenschaft des Projekts und zugleich seine größte Einschränkung. Die Fragen sind im Repository als Liste angelegt, die Antworten bestehen in der Regel aus einem Link. Bei der Frage nach der Transformer-Architektur zeigt der Eintrag auf einen Blogpost mit dem Titel Decoding Transformer Architecture. Bei Tokenization verweist das README auf ein YouTube-Video, bei BPE auf einen Blogpost zu Byte Pair Encoding. Bei der Frage, was nach dem Drücken der Eingabetaste in ChatGPT passiert, führt der Verweis auf einen Substack-Artikel. Es gibt auch Fragen ohne jeden Verweis, etwa zu WordPiece und SentencePiece oder zu Top-p und Top-k, wo nur die Frage selbst steht. Das Repository ist damit ein Index, kein Nachschlagewerk. Wer es klont, erhält eine strukturierte Liste von Themen und Verweisen, aber keine Antworten, die man offline lesen könnte. Das Markdown-Format und die Sprache Markdown als Primärsprache passen zu diesem Zweck: es gibt keinen Code, keine Tests, keinen Build.
Was die Themenliste tatsächlich abdeckt
Die Abschnitte reichen von Must Know über LLM Fundamentals, Prompt Engineering, RAG, AI Agents and Agentic Systems, Fine-Tuning and Model Adaptation, Vector Databases and Embeddings, AI System Design, LLMOps and Production AI, Evaluation and Testing, AI Safety, Ethics, and Responsible AI, Multimodal AI, AI Infrastructure and Scalability, Coding and Practical Implementation bis zu Behavioral and Scenario-Based Questions. Der Abschnitt Must Know nennt sechs Stichworte: LLM, RAG, MCP, Agent, Fine-tuning und Quantization. Bemerkenswert ist die Aufnahme von MCP, dem Model Context Protocol, in diese Kurzliste. Das deutet darauf hin, dass die Sammlung aktualisiert wird, statt auf einem Stand von vor zwei Jahren zu bleiben. Die Commit-Historie bestätigt das nicht direkt, aber der letzte Push liegt laut Repository-Angaben im August 2026, und das README enthält den Hinweis, dass laufend neue Fragen und Antworten ergänzt werden. Der Abschnitt Behavioral and Scenario-Based Questions fällt aus dem technischen Rahmen, ist aber für Interviewvorbereitung üblich. Die Tiefe innerhalb der Abschnitte ist unterschiedlich: LLM Fundamentals enthält Fragen zu Attention, Skalierung um die Wurzel aus dk, Causal Masking, Multi-Head Attention, Feed-Forward Networks, Kontextfenster, Temperatur, Logits und KV Cache. Andere Abschnitte sind im vorliegenden Auszug nicht sichtbar und lassen sich daher nicht beurteilen.
Was an der Struktur auffällt
Die Fragen sind als Aufzählung mit Unterpunkten organisiert. Jeder Unterpunkt beginnt mit Answer: und enthält anschließend einen Verweis. Das ist konsistent, aber es erzeugt ein Problem für die Pflege: die Qualität des Repositories hängt vollständig von der Erreichbarkeit der verlinkten Ziele ab. Ein gelöschtes YouTube-Video oder ein umgezogener Blogpost hinterlässt eine Frage ohne Antwort. Ob es dafür eine Prüfung gibt, lässt sich aus dem Material nicht erkennen. Ebenso wenig lässt sich sagen, wie viele der Verweise aktuell funktionieren. Die Struktur hat aber einen Vorteil, der leicht übersehen wird: sie zwingt zur Reihenfolge. Wer die Abschnitte von oben nach unten durchgeht, arbeitet sich von Grundlagen zu Systemdesign und Betrieb vor, und die Behavioral-Fragen stehen am Ende. Diese Ordnung ist nicht zwingend, aber sie ist nachvollziehbar. Auffällig ist auch, was fehlt: es gibt keinen Abschnitt zu Kosten oder Budgetierung von Inferenz, obwohl Quantization in der Must-Know-Liste auftaucht. Der Zusammenhang zwischen Quantization und Speicherbedarf wird also nicht explizit hergestellt.
Lizenz und Weitergabe
Das Repository steht unter Apache-2.0. Das erlaubt die Nutzung, Veränderung und Weitergabe, auch kommerziell, sofern die Lizenzbedingungen eingehalten werden, insbesondere der beigefügte Lizenztext und die Hinweise auf Änderungen. Für eine Sammlung von Fragen und Verweisen ist das eine unkomplizierte Ausgangslage. Zu beachten ist allerdings, dass die eigentlichen Inhalte, also die Videos, Blogposts und Substack-Artikel, nicht unter dieser Lizenz stehen. Apache-2.0 gilt für das Repository, nicht für das, worauf es verlinkt. Wer die verlinkten Materialien in eigene Unterlagen übernimmt, muss die Bedingungen der jeweiligen Quelle prüfen. Das ist keine Rechtsberatung, sondern nur der Hinweis, dass die Lizenz des Repositories nicht automatisch die Lizenz der Inhalte ist, auf die es zeigt.
Wartung und Aktualisierung
Das Repository hat laut Angabe keine Releases. Es wird also nicht versioniert, und es gibt keine Changelogs, an denen man ablesen könnte, was sich zwischen zwei Ständen geändert hat. Der letzte Push liegt im August 2026. Für eine Ressource, deren Wert von der Aktualität der Themen abhängt, ist das ein relevantes Risiko: neue Konzepte wie MCP sind bereits enthalten, aber ob künftige Entwicklungen ebenso schnell aufgenommen werden, lässt sich nicht vorhersagen. Wer das Repository als Grundlage für ein internes Lernprogramm nutzen will, sollte einen festen Stand festhalten, etwa über einen Commit-Hash, statt auf den Branch main zu verweisen. Ein Fork ist unter Apache-2.0 möglich und wäre der Weg, um eine eigene, kuratierte Fassung zu pflegen. Der Pflegeaufwand liegt dann nicht im Schreiben von Antworten, sondern im Prüfen der Verweise.
Wann eine andere Ressource die bessere Wahl ist
Der offensichtliche Unterschied zu einer eigenständigen Lernressource liegt im Antwortformat. Ein Lehrbuch oder ein Kurs liefert Erklärungen im selben Dokument wie die Fragen. Das Repository tut das nicht. Wer sich grundlegende Konzepte erarbeiten muss, also etwa verstehen will, warum die Skalierung um die Wurzel aus dk nötig ist, braucht eine Quelle, die das erklärt, nicht eine, die darauf verlinkt. Umgekehrt ist eine solche Quelle meist nicht als Interviewfragenkatalog organisiert. Eine dritte Möglichkeit sind Frage-Antwort-Sammlungen, die Antworten direkt im Repository führen. Der Preis dafür ist, dass sie schneller veralten, weil jede Änderung an Modellen oder Werkzeugen eine Textänderung erfordert, während ein Verweis auf einen externen Artikel auch dann noch funktioniert, wenn sich Details geändert haben. Das Repository wählt den zweiten Weg und nimmt dafür in Kauf, dass es ohne Netzverbindung wenig wert ist.
Prüfen, bevor man sich darauf verlässt
Vor der Nutzung lohnt ein kurzer Test der Verweise im eigenen Themenbereich. Wer sich auf RAG vorbereitet, öffnet die entsprechenden Links und prüft, ob sie erreichbar sind und ob der Inhalt zur eigenen Erfahrung passt. Ebenso sollte man die Fragen ohne Verweis, etwa zu WordPiece, SentencePiece oder zu Top-p und Top-k, aus anderer Quelle beantworten können. Für Teams, die das Repository als Grundlage eines internen Vorbereitungsprogramms nutzen, ist ein Fork naheliegend, weil dann die Fragenliste an die eigenen Systeme angepasst werden kann, ohne die Apache-2.0-Bedingungen zu verletzen. Der eigentliche Wert liegt nicht in den Antworten, sondern in der Vollständigkeit der Fragenliste. Wer sie als Checkliste verwendet und die Antworten selbst beisteuert, nutzt sie so, wie sie angelegt ist.
Redaktionelles Fazit
Als Einstieg in die Themenlandschaft der AI-Engineering-Interviews ist das Repository brauchbar, weil die Fragenliste breit ist und die Themen bis hin zu Quantization und MCP abdeckt. Wer Antworten im Repository selbst erwartet, wird enttäuscht: die meisten Einträge verweisen auf Videos, Blogposts und Substack-Artikel außerhalb von GitHub. Vor dem Einsatz sollte man prüfen, ob die verlinkten Inhalte für die konkrete Stelle relevant sind, und ob die Fragen ohne verlinkte Antwort, etwa zu WordPiece und SentencePiece oder zu Top-p und Top-k, aus anderer Quelle ergänzt werden müssen.
Community-Notizen