求职指南 · 转行大模型指南
大模型技术栈全景:RAG / Agent / 微调 / 推理 / 评估各是什么、面试考多少、怎么学
大模型应用开发不是学"一个东西",而是一张地图:RAG、Agent、Prompt 与上下文、评估与监控、重排与检索、模型微调、推理部署几个方向,各自解决不同问题、考察热度也差很多。转行者最该避免的坑是"全都学一遍",正确做法是按面试频率和自己的背景挑一条主线做深。这一页就是全站技术地图的枢纽,帮你先看清全貌再决定学哪条。
作者:吴师兄 | 适合:刚决定转大模型、面对一堆名词不知从哪下手的人 | 前置:知道应用岗和算法岗的区别,看过路线图
一句话结论:应用开发这一侧,常见方向可以归成七类,每一类解决的问题不同,面试考的密度也不同。下面这张全景表是本页核心,题量取自站内 851 道真题的模块分布,能直接反映"这个方向面试考多少"。
学习内容与项目面试，在同一条路上。
| 方向 | 是什么 / 解决什么问题 | 面试频率(站内题量) | 代表题库模块 | 代表教程章 |
|---|
| RAG 检索增强 | 让模型基于你的知识库回答,解决"胡说、没有企业数据"的问题,应用岗第一主战场 | RAG基础 62 | RAG 基础题库 | RAG 智能问答系统教程 |
| 重排与检索优化 | RAG 里"召回准不准"的关键环节,效果好坏经常卡在这 | 重排与优化 70、向量检索 49 | 重排与优化题库 | 重排章 |
| Agent 智能体 | 让模型能规划、调工具、多步完成任务,当前最热且和 RAG 衔接 | Agent 154 | Agent 题库 | Deep Research Agent 教程 |
| Prompt 与上下文 | 怎么把任务、约束、上下文喂给模型,应用开发的高频入口 | Prompt工程 77 | Prompt 工程题库 | AI 编程实操 |
| 评估与监控 | 没评估就无法上线迭代,贯穿所有方向的地基 | 评估与监控 121 | 评估与监控题库 | 评估章 |
| 模型微调 / 对齐 | 用自己的数据改模型行为,偏算法侧、按岗位选修 | 模型微调 47、模型训练 43、RLHF与对齐 27 | 模型微调题库 | 训练章 |
| 推理与部署 | 让模型跑得快、稳、省,工程和平台岗更看重 | 推理优化 23、模型架构 49 | 推理优化题库 | 服务化章 |
还有几个偏场景/数据的模块:知识图谱 35、多模态 34、文档处理 29,它们通常挂在 RAG 或具体业务里出现,不构成独立主线,遇到目标岗位强相关时再补即可。
这张表最重要的读法不是"题多的就都学",而是:题量密集的方向(Agent、评估、Prompt、重排、RAG)是应用岗追问的核心区,几乎人人躲不过;题量少但门槛高的方向(微调、训练、推理优化)偏算法/平台岗,按目标岗位决定要不要碰。
上面那张表是"横着切"的方向,再补一个"竖着切"的分层视角会更好定位自己。把大模型应用开发的技术栈从上到下拆成四层,你能看清"面试官追问的问题分别落在哪一层",也能判断自己该往哪层做深。
| 层 | 负责什么 | 关键能力 / 组件 | 站内承接 | 谁更该往这层做深 |
|---|---|---|---|---|
| 应用层 | 直接面向用户/业务的形态 | RAG 问答、Agent、AI Coding、企业知识库、研究助手 | RAG 智能问答系统、Deep Research Agent、AI 编程实操 | 两条线都要有一个 |
| Agent Harness 层 | 让 Agent 稳定跑起来的工程骨架 | 状态管理、工具注册、权限确认、trace、replay、错误恢复、成本控制 | Agent 题库、工具与函数调用章、记忆管理章 | 开发/Java 后端线的主场 |
| Data / Eval 层 | 决定"效果好不好"能不能被证明 | 文档解析、Embedding、Rerank、评估集、LLM-as-Judge、badcase 闭环 | 评估与监控题库、文档处理、评估章 | 两条线都绕不开,算法线更深 |
| Training / Post-Train 层 | 用数据改模型本身的行为 | SFT、LoRA、DPO/GRPO、工具调用轨迹数据 | 模型微调题库、RLHF与对齐、训练章 | 算法/研究生线选修,应用线按岗位 |
这个分层的用处在于对号入座:开发/Java 后端线的杠杆在中间两层——把 Agent Harness 的工程骨架(权限、trace、失败恢复、成本)和 Data/Eval 的评估闭环做扎实,正好吃你的服务化和稳定性经验;算法/研究生线则往下沉,把 Data/Eval 的评估设计和 Training/Post-Train 的数据与训练做深。两条线在应用层和 Data/Eval 层大量重叠,这也是为什么"算法和开发不分家"——只是各自往不同层加码。想进一步分清两条线怎么选,看 应用岗和算法岗怎么选、两条主线各要什么证据。
结论先行:全学的人最后每个都停在 demo,面试哪个都讲不深;而面试是往深里追问的,深度比广度值钱。
大模型这几个方向单独拉出来都能学很久:光 RAG 就有分块、embedding、检索、重排、查询理解、引用、评估一整条链;Agent 又有规划、工具、记忆、多步控制。你把七个方向平均分配时间,结果是每个都只摸到 API 调用那一层。面试官问"你 RAG 的召回率怎么评估、忠实度怎么保证、重排为什么选这个模型",你就答不下去了。
反过来,选一条主线做深,你能在一个方向上讲清"我遇到什么问题、试了哪些方案、为什么这么选、效果怎么衡量"——这正是应用岗最想听的。其他方向知道是什么、能接上话即可,不必都做成项目。
结论:通用顺序是先 RAG 打底 → 再 Agent → 评估贯穿始终 → 微调按岗位选修。但研究生和在职后端的起点、主攻和"先跳过什么"应该不一样。
| 人群 | 起点 | 主攻方向 | 先跳过什么 | 里程碑 |
|---|---|---|---|---|
| 研一/研二在校生 | 从 RAG 基础起步,同时补概念和 Python 栈 | RAG 做深 → Agent → 如果目标是算法岗再上微调/对齐 | 先跳过推理部署底层优化、复杂分布式训练 | 一个能讲评估闭环的 RAG 项目 + 一段实习 |
| 3 年 Java/后端 | 从 RAG 起步,直接复用你的服务化/数据/接口经验 | RAG 工程化 → Agent 工具调用与稳定性 → 评估监控 | 先跳过预训练、深度微调理论,别一头扎进论文 | 把后端能力翻译成"大模型系统"的完整项目 |
为什么两类人都从 RAG 开始:RAG 考点最密、最容易做出真实效果、和企业场景最贴,而且它天然把检索、重排、评估几件事串起来,是理解整张地图的最好入口。区别在于:研究生有时间用实习把履历从"想转"变成"做过",可以再往算法侧(微调、对齐)延伸;在职后端的优势在工程,应该让 RAG/Agent 项目吃到你的并发、数据管线、稳定性经验,而不是去和应届生拼刷论文。
评估为什么"贯穿始终":不管你做 RAG 还是 Agent,面试都会问"你怎么知道它做得好"。评估不是最后一步,是从你搭第一版就要想的事,所以它不排在顺序里,而是每个方向都带着做。
第一个:想把每个方向都学一遍。看起来很努力、很全面,笔记记了一大摞,但每个方向都停在"照教程跑通 demo"。面试官随便挑一个往深处追两层,你就露馅了——因为你从没在任何一个方向上真正解决过问题。广度不是护城河,深度才是。
第二个:只追最热的 Agent,忽略 RAG 和评估这种地基。Agent 确实是当前热点,但它建立在检索、上下文、评估之上。你没打 RAG 的底,一被问"你 Agent 里检索这块召回率怎么保证、结果好坏你拿什么指标衡量",立刻卡住。追热点没错,但热点方向的面试恰恰会往地基上问。
避免你读串:第 12 篇 讲的是"概念级——每个名词是什么意思";本页讲的是"方向级——每个方向考多少、怎么学、按什么顺序学";而"逐个方向的高频考点和复习法"交给 第 21 篇。三篇串起来是:先懂词(12)→ 再看地图选路(15)→ 再按方向背考点做项目(21)。
不必。应用开发这侧七个方向解决不同问题,面试是往深里追问的,深度比广度值钱。挑一条主线(多数人选 RAG)做到能讲清问题、方案、取舍、评估,其他方向知道是什么、能接上话即可。
RAG 是让模型基于你的知识库回答,解决"没企业数据、爱胡说";Agent 是让模型能规划、调工具、多步完成任务;微调是用自己的数据改模型的行为。前两个是应用岗主战场,微调偏算法侧,按目标岗位选修。
通用顺序:先 RAG 打底(考点最密、最容易出真实效果)→ 再 Agent(热点且和 RAG 衔接)→ 评估贯穿始终 → 微调按目标岗位选修。研究生可以再往算法侧延伸,在职后端应让 RAG/Agent 吃到自己的工程经验。
不建议。Agent 建立在检索、上下文、评估之上,面试问 Agent 时往往会往这些地基上追问,比如召回怎么保证、效果拿什么指标衡量。没打 RAG 和评估的底,追热点也追不稳。
从站内 851 题看,题量最密的是 Agent(154)、评估与监控(121)、Prompt 工程(77)、重排与优化(70)、RAG 基础(62)。这几个是应用岗几乎躲不过的核心区,微调、训练、推理优化题量少、门槛高,偏算法/平台岗。