中文具身智能（Embodied AI）秋招高频面试题库 · 题目来自公开面经，频次合并后入卷，每题答案经独立 AI 二次审查
A Chinese-language interview question bank for Embodied-AI engineering roles (VLA / IL / RL / World Models / Engineering).
👉 https://winstonjq.github.io/embodied-interview-qa/
打开网页直接看；默认全部折叠，点击题目展开答案；手机端原生支持（地铁公交都能刷）。
 主册 · 上半部（hero + 五卷目录） |
 主册 · 下半部（标签速查 + 使用方式） |
 卷子页 · 左侧 TOC + 「← 返回主册」 |
看到题目先在脑子里答一遍，答不上来再点开对答案——折叠交互天然就是一种自测玩法。
 手机端主册 · 浏览器直接打开 · 无需 app |
 默认折叠 · 只看题目 · 自己先想答案 |
 点开看答案 · 含表格、易错点 |
2024-2026 是具身智能（Embodied AI）行业的窗口期——VLA、人形、四足、灵巧操作算法岗的招聘量井喷，但面试题源散乱在牛客、知乎、小红书、一亩三分地等多个平台，没有一个专门针对这一方向、可在手机上随时翻的题库。
本项目把公开面经里真实被反复问到的题目整理成七卷，每题给出 ≤350 字的精简答案 + "易错"一句——面试前 30 分钟过一遍补盲区，不是看长篇教程的时机。
| 卷 | 主题 | 题数 | 一句话 |
|---|---|---|---|
| 一 | 通识基础（含 §H 手撕） | 54 | DL 基本盘 + RL 入门 + 机器人学 + 手撕（Attention / LayerNorm / Bellman / VAE ELBO） |
| 二 | RL 算法（含 §H 手撕） | 50 | PPO / SAC / TD3 / 离线 RL / RLHF + 手撕（PPO clipped / GAE / DPO / GRPO 核心公式） |
| 三 | VLA / 模仿学习（含 §H 手撕） | 66 | OpenVLA / π 系列 / Diffusion Policy + 手撕（BC / DP 训练 step / ACT chunking / CLIP InfoNCE） |
| 四 | 世界模型 / Sim2Real | 31 | Dreamer / V-JEPA / 域随机化 / Isaac Lab，人形和四足公司重点 |
| 五 | 工程落地（含 §H 手撕） | 47 | VLA 部署 / FSDP / teleop 数据飞轮 + 手撕（数值稳定 softmax / CE / KL / Adam） |
| 六 | 腿足机器人控制 / 遥操作 | 48 | 浮动基座、MPC / WBC、RL-locomotion、AVP teleop、HumanPlus、actuator network sim2real |
| 七 | 3D 感知 / SLAM / VLN / ObjectNav / Embodied VLM（含 §H 手撕） | 67 | 点云 / NeRF / SLAM / Nav2 / HAMT / NaVid / VLFM / SAM 2 + 手撕（IoU / NMS / BFS·DFS / A* / ViT patch） |
| 八 | 通用工程：LeetCode + 系统设计 | 40 | LeetCode 高频 30 题 + ML 系统设计 5 + 机器人系统设计 5（所有具身 / 自动驾驶岗通用） |
主表共 403 题，另含 ~19 题低频备选（每卷末单列）。新增 §H 手撕代码散布在卷一/二/三/五/七（共 43 题），新增第八卷专攻 LeetCode 与系统设计（40 题）。
- 🔥 频次驱动：题目来自牛客、知乎、小红书、一亩三分地、GitHub 公开面经，同义题合并后频次 ≥3 才入主表，杜绝单条噪声面经污染
- ✏️ 短答案：每题 ≤350 字精简答案 + "易错"一句，面试前快速过；不写公式推导和代码块（要深入学习另找资源）
- 📱 折叠交互：默认全部折起只看题目，点击展开答案；基于 HTML5
<details>原生折叠，零 JS，手机端无需任何 app - 🔍 跨模型审查：每题答案经另一组独立 AI二次审查（执行者 ≠ 审查者），减少单一模型的事实错误
- 🏷️ 难度标签：L1 必会 · L2 进阶 · L3 顶级 lab，方便按层次规划复习
- 🏢 不分公司：题目按技术主题组织，不打公司标签——同一道题可能在多家面试出现
- 首次浏览：直接点开在线题库，挑你最关心的方向（VLA / RL / 工程落地……）
- 复习顺序：按 L1 → L2 → L3，同等级内按频次（🔥×N）从高到低
- 手机端：地铁公交也能刷，HTML5 折叠原生支持，无需任何 app
- 快速过场：面试前 30 分钟，只看每题的"易错"一句，刷过的题快速复盘
点个 Star 是对维护者最大的鼓励 —— 也能让算法群里其他在找具身岗的同学更容易发现这个题库。
如果你在面试中真的被考到了里面的题，欢迎来 Issue 留言或私信——这是后续频次更新的一手依据。
发现答案错误、想补新题、想质疑某条结论——都欢迎 开 Issue 或 提 PR。
贡献新题的简单格式（在对应卷的 Markdown 末尾追加即可）：
<details class="qa">
<summary><span class="lv lv-l2">L2</span> <span class="freq">🔥×N</span> <b>Q??</b> · 你的题目？</summary>
**答**：精简答案（≤350 字）。
**易错**：一句话点关键陷阱。
</details>或者直接在 issue 里描述题目 + 来源（哪个平台 / 帖子链接），维护者负责合并到对应卷。
贡献题源要求：必须来自公开面经（牛客 / 知乎 / 小红书 / 一亩三分地 / GitHub awesome-* 等），不接受个人编造的"我觉得会考"题——这条规则是题库可信度的基石。
本项目本身就是一次完整的 vibe coding 实践案例——7 卷题库的题源调研、答案起草、跨模型审查、HTML 渲染、Git 发布全部在维护者睡眠期间由 AI agent 自动完成。维护者醒来只做最终验收和文案微调。
调度模式：
- 主控 Claude Code（Opus 4.7 · 1M context）串行派遣多个 subagent，每个 agent 独立完成 1 卷的完整 7 阶段工作流（调研 → 起草 → 跨模型审查 → 渲染 → 发布）；当前已完成 7 卷题库
- 每个 agent 在 fresh context 里工作，互不污染——避免了"长上下文导致质量衰退"和"需要手动 /clear"两个痛点
- 跨模型审查由独立的 Codex（GPT-5.5 xhigh）通过 MCP 协议完成，每轮 fresh-thread，多轮收敛
- 执行者（Claude）≠ 审查者（GPT-5.5），是题库可信度的核心不变量
展示的工程实践：
- Multi-agent 编排：subagent prompt 自包含、status code 协议（DONE / WARN / FAIL / BLOCKED）、用户审批回退路径
- 跨模型协作 via MCP：Codex MCP server 集成、
sandbox=read-only+approval-policy=never双权限层、隐私脱敏 banlist 硬编码在审查 prompt - 内容质量 SLO：频次合并阈值（≥3 入主表）、字数 PASS/WARN/FAIL 阈值、强制收尾的容错策略（>7 轮无收敛即推当前最佳版本，避免单卷阻塞全局）
- 经验沉淀回流：每完成一卷的实战教训写回
CLAUDE.md§11，下卷自动继承——形成可复用、可演化的 prompt 流程
致谢：本项目的"睡眠期自动化研究"流水线灵感和 HTML 渲染脚本来自 ARIS · Auto-claude-code-research-in-sleep —— 一个把 Claude Code 用作"研究协作 AI"的开源项目，感谢其提供的核心思路。
如果你对"AI 写 + AI 审 + 自动发布"这种 pipeline 感兴趣，欢迎 fork 改造成其他方向题库（金融 / 后端 / 系统设计 / 算法 …），MIT 自由。
MIT — 自由使用、修改、再分发。
如果在你的项目里引用了本题库的内容，给本仓库点个 ⭐ Star 是最好的引用方式。