匹配正文：…用算法岗。算法岗可以投,但不要把全部筹码压在纯算法筛选上。怎么判断一个岗位是不是真大模型? 看 JD 是否包含模型调用、RAG/Agent、评估、推理部署、微调等真实链路,再看面试是否追问项目和模型行为。只写“AI 赋能”但没有技术链路的要谨慎。相关阅读大模型应用开发岗和算法岗有什么区别、普通工程师怎么选 2026 大模型岗就业市场:招聘量、城市、薪资档位、哪些公司在招没有大模型项目经验,怎么攒大模型岗位 JD 怎么读:招聘要求逐条拆解

#求职#职业转型

求职指南·求职

要不要做微调 / Post-Train 项目,轻量版怎么做

匹配正文：…oRA/SFT、能讲清 RAG/Prompt/微调取舍"就够了,再往上是应用算法和研究生算法向的战场。想看这套训练闭环在一个真实 Agent 项目里怎么落地,可以读 Deep Research 的训练章;而完整的工业级 Post-Train 内容(SFT/RL 闭环、DPO/GRPO、轨迹数据)属于系统深挖的范畴,训练营里有专门拆解,自学时先不必强求覆盖这一层。两类人:研一/研二 vs 3 年 Java/后端结论:同样是"微调",在校生和在职后端该做的事实质不同——一个…

#求职#职业转型

求职指南·求职

大模型系统设计和编码环节怎么准备

匹配正文：…站内承接设计一个企业知识库问答系统(RAG) 切块/检索/重排、防幻觉、引用、评估闭环 RAG 系统怎么从零搭起设计一个多步 Agent / 工作流(如深度调研助手) 任务拆解、工具调用、记忆、循环终止、失败重试 Deep Research 这类 Agent 怎么设计设计一个高并发大模型推理服务批处理、KV Cache、并发调度、显存、限流降级服务化章和推理优化题库设计一个带评估的内容审核/分类系统 Prompt 分类 vs 微调、评估指标、误报漏报权衡模型…

← 上一页第 5 / 5 页

希望老师帮你把学习与项目串起来？

了解 AI 全栈 1v1 陪跑营的项目安排、导师答疑与简历面试辅导。

查看课程安排 →咨询学习安排

学习内容与项目面试，在同一条路上。

站内 RAG 在线实战

#求职

#职业转型

求职指南·求职

转行大模型应用开发常见问题(FAQ)

匹配正文：…AG 还是先学 Agent? 先 RAG,再 Agent。理由有三:RAG 覆盖的面试考点最密、最容易做出看得见的真实效果、也是 Agent 的地基(Agent 的记忆和检索本质还是 RAG 那套)。跳过 RAG 直接冲 Agent,常见结果是项目跑起来了却讲不清检索为什么召回差、怎么评估,一追问就露。建议路径是先跟着RAG 系统实战教程做出一个能追问的项目,再去题库刷 Agent 模块。整个学习顺序的完整拆解在转大模型应用开发路线图。要不要学微调?应用岗用得上吗? 多数应…

#求职#职业转型

面试题·Agent· 商汤科技

ReAct 与 CoT 怎么选？

匹配口述回答：这道题我觉得核心不是在问[[Agent]]的定义，而是考察你对LLM作为决策引擎的理解，怎么把大模型从一个只会接话的聊天机器人，变成一个能主动干活、调用工具、甚至自我纠错的智能体。我理解AI Agent本质就是让LLM拥有规划、记忆、工具和行动这四个组件，让它可以自主地拆解任务、执行步骤、观察反馈，而不是每次只生成一句话。常见的Agent行为模式，我重点讲三种，因为实际落地时你会根据场景混着用。先说[[ReAct]]，这是最直观的，推理和行动交替进行。你可以想象成一个人边…

#商汤科技#Agent#AI Agent 行为模式

面试题·Agent· 淘天

LangChain vs AutoGPT vs BabyAGI 怎么选?

匹配追问：…，然后又说“再帮我取消掉未发货的”。你会选LangChain还是AutoGPT来搭？大概从架构和适用性上说说你的倾向。层层追问 Agent框架你了解哪些？……LangChain和AutoGPT在架构上有什么本质不同？……那如果我要做一个自主规划的任务，比如让Agent自己拆解目标并循环执行，哪个更合适？直球架构直接比较LangChain、AutoGPT和BabyAGI：从架构设计（编排 vs 自主循环 vs 任务队列）、功能特性（工具集成、记忆、规划）和适用场景三个维度…

#淘天#Agent#LangChain vs AutoGPT

面试题·评估· OPPO

意图识别在 RAG 中怎么用?

匹配正文：答案要点意图识别决定检索策略选择（向量检索/关键词检索/混合检索）通过查询改写和扩展提升召回率识别多跳/复杂意图以触发Agent能力过滤无关查询降低幻觉风险为生成阶段提供结构化上下文指导意图识别的核心作用意图识别是RAG系统的"路由中枢"，解决**"用户到底想要什么"**的问题，直接决定后续检索和生成策略。一、提升检索准确性场景意图识别的作用检索方式选择事实类→关键词/稀疏检索；语义类→向量检索；模糊需求→混合检索查询改写识别省略实体（如"这个产品…

#OPPO#RAG 意图识别#RAG

面试题·模型微调· 美团

RAG 深度与局限怎么破?

匹配正文：…制、多跳推理弱）提出至少3个具体优化方向（如混合检索、重排序、查询改写）结合实际场景说明优化方案的可行性体现对RAG与微调、Agent等技术边界的理解 RAG的核心价值与深度优势层面知识动态化：无需重训模型即可更新知识，解决大模型"幻觉"和时效性问题可溯源性：检索片段作为引用，提升生成可信度，满足合规审计需求成本可控：相比全量SFT，RAG的边际成本极低，适合频繁变更的业务知识技术深度体现不仅是"向量检索+Prompt拼接"，而是涉及查询理解→多路召回→精排…

#美团#RAG 局限性#RAG 优化方向

面试题·Prompt· 高德

CoT vs ToT vs GoT 怎么选?

匹配口述回答：面试官你好，这道题问的是智能[[Agent]]里规划能力的提升方法。其实说白了，规划能力本质就是让大模型能自己做多步决策，而不是一步到位。所以主流方法都是从怎么拆解步骤、怎么探索搜索这两个角度去做的。今天我就把[[CoT]]、[[ToT]]、GoT这三类讲清楚，重点不是背原理，而是它们各自适用什么场景，以及真正落地时有哪些坑。先说CoT，思维链。它的核心就是让模型生成中间推理步骤，一条路走到黑。好处很明显，零额外成本，写个'Let's think step by step'…

#高德#CoT ToT GoT 对比#大模型规划能力

面试题·RAG

Deep Research vs RAG 怎么选?

匹配口述回答：…]]里召回相关文档，[[重排序]]，然后生成答案。它本质上是一次性的，检索次数通常就一两次。而Deep Research呢，它会先拆解问题，比如你问“某行业未来三年趋势”，它会自己生成子问题，像政策、技术、市场各是什么情况，然后分别去检索，把结果整合起来，再决定要不要继续深挖。整个过程可能涉及几十次甚至上百次检索，最后输出一份带引用的研究报告。所以边界就很清楚了：RAG适合那些答案就在某几段文档里的问题，比如企业内部知识库问答，客服机器人查退款政策，或者医疗法律条文查询。这…

#Deep Research#RAG#Deep Research vs RAG