匹配正文：…师兄 | 适合:想转大模型岗但手里没有「像样项目」的在校生和后端工程师 | 前置:了解应用岗和算法岗的区别,大致知道 RAG / Agent 是什么没在公司做过 ≠ 没有项目经验先破这个心魔:面试官分辨项目真假,靠的从来不是「这是不是工作项目」,而是追问的深度。一个自建项目只要你答得上「为什么这么切块、召回率怎么测的、换个方案会怎样」,它就是真的;一个挂在简历上的「公司项目」,如果你只是接了个模块、说不清整体决策,一追问就露馅,它反而是假的。大量转行成功的候选人,简历上…

#求职#职业转型

求职指南·求职

手把手把 RAG 教程做成"你自己的"项目

匹配正文：…追穿在哪 ① 需求说明你解决的是谁的什么问题,边界在哪 "这系统给谁用、为什么要用 RAG 不用直接问大模型" ② 架构图 / 模块说明数据怎么流、每个模块干什么 "画一下你的架构""这一步为什么要有" ③ 可运行代码你是真做过还是抄的 "现场跑一下""这段检索是你写的吗" ④ 评估集你怎么知道它做得好 "召回率怎么测的、测试集哪来的、多少条" ⑤ badcase 复盘你能不能定位并解决问题 "有没有答错的,你怎么发现、怎么修的" ⑥ 消融实验 / 方案对比你的技…

#求职#职业转型

求职指南·求职

大模型简历怎么写:项目怎么描述、怎么量化、怎么防追问

匹配正文：…的地方。发现项目证据不够(数字缺、取舍讲不清):别在简历上硬编,回去补项目——把 RAG 教程做成你自己的项目或从零做一个 Agent 项目,把评估集和 badcase 迭代真正跑出来。不确定该突出哪些关键词:对照目标 JD 的措辞,看大模型 JD 怎么读、把哪些词写进简历,用它的语言组织你的三维描述。按方向补项目真题、确认自己讲得出考点:去题库按 RAG 基础、Agent、评估与监控模块刷,尤其项目与经历这 31 道直接对应简历项目追问。如果自查后发…

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

大模型岗面试流程全解:每一轮考什么、怎么准备

匹配正文：…的地方,务必先补。八股部分按岗位方向抽,不会全都问: RAG 方向:检索链路(切块策略、嵌入选型、混合检索、重排)、评估指标。 Agent 方向:工具调用与规划(Function Calling、ReAct、失败恢复、多步编排)。微调方向:LoRA/QLoRA 原理、数据构造、灾难性遗忘。推理方向:KV Cache、量化、批处理与吞吐优化。这些在领域八股速通里按模块整理好了,题库入口在 /questions,每道题有书面答案和口语版讲法。练的重点是「能顺畅讲出来」,不…

#求职#职业转型

求职指南·求职

大模型岗位 JD 怎么读:招聘要求逐条拆解

匹配正文：…训基础概念扫盲,会讲即可「有 RAG 系统实践经验」能讲清检索链路每个环节的选型与权衡 RAG 完整教程 + 题库 RAG 模块「有 Agent 落地经验」做过多步工具调用的东西,能说清编排与失败兜底 30 行最小 Agent、Agent 项目实战「熟悉主流开源模型」知道 Qwen/Llama/DeepSeek 等各自特点、会按场景选型在项目里实际换几个模型跑,记住体感差异「熟悉 LangChain / LlamaIndex 等框架」用过其一即可,更看重你…

#求职#职业转型

求职指南·求职

项目深挖:面试官会怎么一层层追问你的项目

匹配正文：…感的是"效果很好"这种没有支撑的空话,不是数字不够高。相关阅读手把手把 RAG 教程做成你自己的项目从零做一个能写进简历的 Agent 项目大模型项目经历怎么写才有说服力按方向刷大模型八股:该刷哪些模块 RAG 工程面试教学复原

#求职#职业转型

求职指南·求职

转行大模型最常见的 12 个坑

匹配正文：…公式推导,前置补太重会消磨掉全部启动期数学按需补,看转大模型数学要补多少划清边界 3 项目贪大、同时铺三个同时开 RAG、Agent、微调三个坑,每个都停在半路三个半成品讲不出深度,不如一个从头做完、能讲评估的项目先聚焦一条主线做透,方向选取看大模型技术栈全景 4 盲刷题背答案、不结合项目把模块题一道道背熟,却从没在自己项目里处理过那些场景面试官换个场景挂到你项目上追问,只背通用答案一换问法就穿按方向刷并绑项目,方法在领域八股速通 5 简历堆名词、无场景…

#求职#职业转型

求职指南·求职

大模型转行:自学能走完全程吗,什么情况值得报班

匹配正文：…来。先按转大模型应用开发路线图自学到能做出一个完整项目。概念、最小实现这两步自学完全够,先把地基打到能跑通一个 RAG 或 Agent。卡在项目做不深时,看怎么攒到能写进简历的真项目。大多数人卡的不是"做不出 demo",而是"demo 长不成能扛追问的经历",这篇讲怎么往深做。用站内资源先走一轮再判断。站内的 RAG 教程带你把项目做完整,851 道面试题库按模块查漏补缺,真实面经让你提前看到面试怎么追问。走完这一轮,你会清楚自己到底卡在哪。对照信号再决定…

#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：…学哪几块、学到什么深度不踩坑,见转大模型要把 Python 学到什么程度。先学 RAG 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…

#求职#职业转型

面试题·多模态· 得物

多模态大模型怎么理解？

匹配正文：…。常见结构包括：双塔对齐：CLIP用图像编码器和文本编码器，经对比学习得到可比较embedding，适合检索和零样本分类。桥接模块：BLIP-2用Q-Former连接冻结视觉编码器与冻结LLM；投影器也可把视觉特征映射成语言模型token。 Cross-attention：Flamingo先用Perceiver Resampler整理视觉特征，再由语言模型中的gated cross-attention读取，视觉和文本可保留不同表示空间。统一token/早融合：不同模态转…

#多模态融合#视觉语言模型#对比学习

面试题·Agent· vivo

全局规划+局部避障怎么融合?

匹配标题与标签：全局规划+局部避障怎么融合? 先验地图与实时传感器互补,提升机器人系统鲁棒性 Agent vivo Agent 全局路径规划局部避障机器人感知规划闭环 vivo

#vivo#Agent#全局路径规划

面试题·Agent· 蚂蚁

高并发下状态一致性怎么保证？

匹配正文：核心设计：分层状态架构短期状态（工作记忆）最近N轮对话 + 当前Agent执行中间状态存储：Redis集群，TTL设置（如30分钟无活动清理）结构：Hash存元信息，List/ZSet存消息序列长期状态（外部记忆）用户画像、历史摘要、关键事实提取存储：持久化DB（MongoDB/ES）+ 向量库检索状态更新机制写路径用户输入 → 路由层（按session_id哈希）→ 单线程处理保证顺序 → 更新Redis + 异步落盘 + 发布变更事件并发控制乐观锁…

#蚂蚁#Agent#多轮对话上下文管理

面试题·Agent· 蚂蚁

架构设计如何保障低延迟访问？

匹配标题与标签：架构设计如何保障低延迟访问？高并发下会话存储、缓存策略与分布式锁保障一致性与低延迟 Agent 蚂蚁 Agent 多轮对话上下文管理高并发会话存储分布式锁状态一致性蚂蚁

#蚂蚁#Agent#多轮对话上下文管理

面试题·Agent· 小红书

长序列行为数据怎么处理?

匹配正文：…\cdot \Delta t}，近期行为权重指数级提升重要性采样：基于点击/停留时长计算行为得分，Top-K检索任务感知选择：Agent规划时，用当前query检索相关历史（类似RAG）工程实现：维护双记忆结构热记忆：最近1-2天行为，全量放入prompt 冷记忆：历史行为向量化存入HNSW索引，按需检索Top-10 三、上下文管理优化 KV Cache复用：对固定历史前缀预计算并缓存，避免重复编码稀疏注意力：Longformer/BigBird模式，降低O(n^2…

#小红书#Agent#长序列行为数据

面试题·Agent· 拼多多

货物装载决策怎么定?

匹配标题与标签：货物装载决策怎么定? 机器人路径规划中容量限制与后续路径的权衡 Agent 拼多多 Agent 机器人装载策略路径规划决策容量限制拼多多

#拼多多#Agent#机器人装载策略

面试题·Agent· 字节

通信 vs 角色分工怎么选？

匹配口述回答：…目经理，下面挂几个干活的小Agent，比如Planner负责拆任务、Coder写代码、Reviewer审查、Tester测试。每个Agent注册时用JSON Schema把自己的能力和输入输出格式说清楚，比如Reviewer声明自己能做Python审计和安全检查，输入是一段代码和语言，输出是是否通过和意见列表。这样Orchestrator就知道谁该干什么。具体流程是这样的。用户提一个请求，比如“帮我写个登录模块”。Orchestrator先用LLM判断意图，如果是简单查询，…

#字节#Agent#多Agent协同

面试题·评估· 快手

LLM 如何集成外部工具与记忆?

匹配正文：…scription）+ 实际执行体 LLM通过Function Calling或ReAct提示解析用户意图，输出工具调用JSON Agent循环：Thought → Action → Observation → ... → Final Answer 记忆系统短时记忆：ConversationBufferMemory直接拼接历史对话长时记忆：VectorStoreRetrieverMemory将历史向量化，检索相关片段注入上下文底层存储可接Redis、数据库、向量库数据…

#快手#评估与监控#Agent

面试题·评估· 百度

Reflection vs Memory 如何影响决策?

匹配口述回答：…是反思的深度和广度怎么平衡。反思太浅，发现不了根本原因；反思太深，又可能过度拟合到一次失败上。这个在协同场景下还会被放大，因为一个智能体的过度反思可能会误导整个群体。这个我还没有特别成熟的方案，但觉得值得深入。所以总的来说，我更倾向于把反思和记忆看作一个整体方案来设计，而不是两个独立模块。反思的质量决定了记忆里存的是金子还是垃圾，记忆的可靠性决定了反思能不能站在前人的肩膀上。本质是让智能体从经验中学习反思负责自我修正记忆负责存储和复用两者结合形成正反馈落地时平衡一…

#百度#Agent#多智能体系统

面试题·评估· 淘天

LangGraph 适用边界与替代

匹配口述回答：…势就是状态机显式建模加持久化容错，适合金融、医疗这些对合规要求高的场景。但实际落地，我通常会把LangGraph和[[Multi-Agent]]方案结合起来用，比如用LangGraph编排多个AutoGen群聊组，取长补短。这里有个坑，就是图复杂度。图节点一多，边一乱，调试和可视化就成问题。上线前我会特别关注图结构的可维护性，比如用子图做模块化，把复杂逻辑拆成子图，不然出了问题很难定位。另外，LangGraph和[[MCP]]协议的关系也值得关注。MCP是标准化工具调用协…

#淘天#评估与监控#LangGraph 适用边界与替代

面试题·模型微调· 字节

动态Prompt训练数据怎么构建?

匹配正文：…否合理、Action是否正确调用对比级 RL/DPO训练同一状态下，优/劣响应的偏好对关键决策：是否对"中间步骤"打标签——Agent任务建议细粒度，纯对话任务可粗粒度三、上下文建模：状态追踪机制结构化状态表示：将历史工具返回、中间结论编码为模型易解析的格式（JSON/XML嵌入Prompt）位置敏感设计：关键信息（如最新Observation）放在Prompt尾部，利用位置偏置截断策略：超长上下文时，保留摘要而非简单截断——需同步训练摘要模块四、质量验证：动…

#字节#动态Prompt训练数据#Prompt微调数据构建

面试题·知识图谱· 字节

向量索引 vs 分层存储怎么选？

匹配追问：场景切入假设我们在做一个智能客服Agent，用户之前问过退款流程，隔了一周又来问退货地址。Agent应该记住之前的对话历史，但用户历史可能有上万条。你会怎么存储和检索这些长期记忆，才能既快又准地找到相关上下文？层层追问 Agent系统的记忆你怎么管理？……历史记录多了之后，检索会变慢，你有哪些优化方法？……比如向量索引、分层存储、摘要压缩这些，你具体怎么取舍和落地的？直球架构设计一个Agent的长期记忆模块，存储形式可以选向量库、知识图谱或数据库。当记忆规模达到百万级…

#字节#Agent 长期记忆#向量索引

面试题·Prompt· 脉脉

Prompt 怎么系统设计与优化?

匹配正文：…任务完成率、人工复核准确率迭代机制：建立Prompt版本库，小流量A/B测试，关键变更需回归测试集（含对抗样本）。四、RAG/Agent场景的特殊考量 RAG：Prompt中显式区分"检索知识"与"模型先验"，设置拒答阈值（"若检索结果置信度<0.7，回复'信息不足'"） Agent：工具描述标准化（name/description/parameters/returns），ReAct循环中嵌入自我纠错指令学习建议建议从基础提示技巧入手，学习Few-shot、角色设定等…

#脉脉#评估与监控#Agent

面试题·RAG· 百度

对话模型准确性怎么提?

匹配正文：…e）混合，召回率与精确率平衡实时索引更新机制，解决知识时效性问题关键权衡：架构与训练改动成本较高，也需要持续评估；RAG 与 Agent 更易按模块迭代，但检索、工具调用和多轮生成会增加延迟。应固定任务、评测集和预算，再比较事实正确率、引用支持率、延迟与成本。延伸阅读 DPO 原论文 DeepSeekMath：GRPO 的 critic 与奖励定义 Self-RAG 原论文

#百度#对话模型准确性#模型架构优化

面试题·RAG· 字节

垂直领域 RAG 完整架构

匹配正文：一、整体架构：四层分离设计用户层 → 网关层（权限/审计）→ 编排层（Agent/Router）→ 服务层（检索+生成+知识管理）核心原则：检索与生成解耦、领域知识分层管理、全链路可追溯二、数据源与知识库构建层级内容处理方式更新频率权威库诊疗指南/法典/药品说明书结构化抽取+人工审核月度案例库判例/病例/专家经验向量化+元数据标注实时实时库最新文献/政策/新闻爬虫+轻量审核小时级关键处理：医疗：ICD编码对齐、药品相互作用图谱构建法…

#字节#垂直领域RAG#垂直领域 RAG 完整架构