匹配正文：…据处理、性能优化、系统设计这些存量能力,占大模型应用岗日常工作的一半以上,真正要补的只有「模型这一层」:LLM 怎么工作、RAG/Agent 两套范式,以及一套从「确定性对错」换成「概率 + 评估」的新直觉。别推倒重来,把已有经验翻译成大模型系统的语言就够了。作者:吴师兄 | 适合:Java/Go/Python 后端、数据开发、想转大模型应用岗的在职工程师与在校后端方向学生 | 前置:写过服务化项目,了解应用岗和算法岗的区别为什么说后端是转型最顺的一批人因为大模型应用系…

#求职#职业转型

求职指南·求职

没有大模型项目经验,怎么攒出能写进简历的项目

匹配正文：…试官要的不是「你做过多大的项目」,而是「你在项目里做过多少真实的技术决策」。一个自己从零搭、每个环节都讲得清为什么的 RAG 或 Agent 系统,胜过任何跑通就完事的教程 demo。项目经验是可以在 4-8 周内攒出来的,前提是做的方式对——带评估、留 badcase、每个取舍都能讲清。作者:吴师兄 | 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…

#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：…维法(动作/技术/结果)写进简历,交给第 18 篇简历怎么写;面试里逐层追问链的应对模板,交给第 20 篇项目深挖。想做 Agent 方向的项目、和 RAG 有什么不同,看第 17 篇把 Agent 教程做成项目。看几个真实反馈:RAG 项目为什么要绑定业务场景我挑这几条 RAG 相关反馈,是想说明一个很朴素的问题:RAG 项目只写"知识库问答"太泛了,必须落到行业文档、权限边界和质量评估里,才像真的做过。样本都做了脱敏,看思路就行。背景原始卡点 RAG …

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

大模型简历怎么写:项目怎么描述、怎么量化、怎么防追问

匹配正文：…集,召回率 67%→91%(经验值),忠实度用 LLM-as-Judge 打分,P95 延迟压到 2s 内定义 50 个研究任务评估集,关键事实覆盖率与引用正确率双指标,把一类"多步中途走偏"的 badcase 修掉这两个示例不是让你照抄,而是给你一个"写到什么粒度才够"的标尺。真实数字必须来自你自己跑出来的评估——67%→91% 只是示意有这种叙事结构,不是让你填这两个数。项目怎么真正搭出这些证据,交给把 RAG 教程做成你自己的项目和从零做一个 Agent 项目…

#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：…更常考的是"你知不知道什么时候该微调、和 RAG/Prompt 怎么取舍",而不是你手搓过多复杂的训练。真要做,做一个目标清晰、有评估、能说清收益的轻量 LoRA/SFT 就够了,不必一上来啃工业级 Post-Train。这一页帮你判断该不该碰微调,以及如果要做,轻量版的最小证据链长什么样。作者:吴师兄 | 适合:纠结要不要做微调项目、把 LoRA/SFT 写进简历的转行者 | 前置:知道 RAG/Agent 是什么,看过技术栈全景转应用开发岗,到底要不要做微调项目先给…

#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：…入产出比最高的地方,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…

#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：…程检索、知识库、向量库、召回、rerank、问答把企业文档接进大模型做问答/助手转行主战场,吃透 RAG 教程全链路选型 Agent 开发 Function Calling、工具编排、ReAct、工作流、MCP、多轮让模型自主调工具完成多步任务后端逻辑强的人对口,练 Agent 项目偏算法的应用算法 SFT、LoRA、数据配比、评估集、DPO、微调用微调和评估把模型效果调上去更接近算法岗,先看应用岗 vs 算法岗再决定碰不碰分辨方法很简单:看 JD 正…

#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：…模型面试里最能分辨真假的环节,就是项目深挖。面试官不会随机提问,而是顺着一条几乎固定的追问链,从"你解决的是什么业务问题"一路问到评估、badcase 和上线成本,哪一环你只有话术、没有证据,他就在哪一环停下判你"水"。所以准备项目不是把讲法背顺,而是提前把这条链上的每一环都补一条"问题+方案+取舍+数字"。这一篇拆开 RAG 和 Agent 两条最常被追的链,逐环告诉你面试官想验证什么、你该怎么带着证据答。作者:吴师兄 | 适合:项目主线能讲顺、但被往深追第二层就卡住的人…

#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：大模型岗的系统设计不是让你背架构图,而是看你能不能把一个模糊需求(比如"做一个企业知识库问答")拆成可落地、可评估、可控成本的系统。面试官要的是权衡:数据怎么切、检索怎么召回、效果怎么评、成本和延迟能不能扛、模型挂了怎么降级。编码环节反而轻,多是基础数据结构/算法加一小段工程实现,不必刷到竞赛难度。这一页给你系统设计的答题框架和编码环节的准备重点。作者:吴师兄 | 适合:准备大模型岗系统设计与编码环节的转行者 | 前置:知道 RAG/Agent 是什么,最好做过一个项目大…

#求职#职业转型

求职指南·求职

大模型岗的总监面、行为面、HR 面与谈薪怎么应对

匹配正文：…怎么达成一致或让步→结果。展示协作而非"我一定要赢" 你的职业规划方向稳定,和岗位一致,不是跳板 12 年做深应用工程(RAG/Agent/评估),中期往系统设计或某垂直场景纵深;和目标岗位对齐,别画"三年当总监"的饼为什么选我们做过功课,不是海投说得出这家团队的业务/方向/技术栈和你的匹配点(如"你们做企业知识库,正好是我 RAG 项目的场景")。别用"平台大、发展好"通用话 "为什么转大模型"是重中之重,面试官几乎必问,而且会顺着追问("那你觉得 RAG 和微调怎…

#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：…练习就能过,真正容易卡住的是那几个"需要外部反馈"的环节。维度自学够不够说明概念入门够 Transformer、RAG、Agent、微调这些概念,站内教程和题库讲得比多数付费课细,看+做就能建立框架最小实现够调 API、跑通一个 RAG demo、写个能调工具的 Agent,照着教程动手一遍就有完整项目做深容易卡 demo 谁都会跑,但"为什么这么切块、评估怎么做、上线遇到什么问题"没人给反馈时,项目很难从 demo 长成能扛追问的经历简历打磨容易卡 …

#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：…出来的都算数。Python 该学哪几块、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…

#求职#职业转型

面试题·RLHF与对齐· 美团

环境训练 vs 监督学习怎么选?

匹配追问：…延迟或稀疏时如何设计奖励函数或训练策略基于环境的训练样本效率低，有哪些改进方法（如模型-based RL、离线RL）在LLM Agent场景中，如何构建"环境"进行训练场景切入假设现在优化一个连续决策系统，动作会改变后续状态，反馈还可能延迟。你会怎样判断它应使用监督学习、contextual bandit、offline RL 还是受控 online RL？层层追问监督数据和策略交互数据的来源差在哪？……只有日志时如何处理分布外动作？……bandit 与完整 MD…

#环境交互#在线学习#探索与利用

面试题·RLHF与对齐· 美团

模拟器与 World Model 的偏差和迁移

匹配正文：…设置下提供梯度，可能提高某些优化效率，却不会自动解决长时程信用分配，也不适用于不可微 API、离散工具和真实业务系统。工程上要分开评估环境保真、策略成功和现实迁移，通过随机化、短时域重规划、真实数据校准、约束、人工接管和小流量实测缩小 sim-to-real 差距。

#环境模拟训练#世界模型#Model-based RL

面试题·Agent· 阿里

主流 LLM 应用产品怎么选?

匹配口述回答：…倾向于把RAG和Agent看成一对互补的能力，而不是二选一。开场点题：本质是考技术与产品价值的结合选通义和星火，讲清楚RAG和Agent的适用边界具体业务场景：客服退款+企业SOP，说明两者怎么一起用落地风险和改进方向收尾+给出可延伸点约4分钟 Agentic RAG是未来方向，让RAG主动规划检索策略，但工程复杂度高面试官可能会追问Agentic RAG的具体实现难点，或者如何评估检索的主动性

#阿里#科大讯飞#Agent

面试题·Agent· 小红书

LLM 输出格式不规范怎么修?

匹配口述回答：…了影响不大。再一个，模型能力层，这是硬约束。比如[[Function Calling]]，强制模型输出匹配函数参数结构，这在[[Agent]]工具调用里很常见，比如客服系统里判断退款意图，直接返回结构化参数。还有JSON Schema，可以预定义字段类型和必填项，比如电商的订单异常检测，要求输出order_id和reason字段，类型不对就报错。但这里有个坑：这些功能不是所有模型都支持，而且会限制模型的自由度，复杂场景下可能漏掉信息。所以我会在关键业务上用，比如交易审核，输…

#小红书#Agent#LLM 输出格式规范

面试题·Agent· 小红书

长历史行为怎么处理?

匹配正文：…型总结历史中等长度、需语义连贯摘要质量依赖模型，有信息损失分层记忆工作记忆(短期) + episodic记忆(长期) 复杂Agent、多轮深度交互架构复杂，需设计记忆写入/读取逻辑检索增强历史向量化，按需检索Top-K 超长历史、稀疏访问检索延迟，需维护向量索引小红书场景建议混合架构：近期对话（如50轮）：直接保留原始文本，保证细节中期历史：滑动窗口摘要，每20轮生成一段摘要远期记忆：关键事件（种草商品、决策节点）向量化入库关键设计：记忆写入：识…

#小红书#Agent#长历史行为处理

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·评估· 淘天

RAG 怎么减少幻觉?

匹配标题与标签：RAG 怎么减少幻觉? 从外部知识引入到事实准确性提升,3 个维度解析机制评估淘天事实准确性 RAG 减少幻觉 RAG 事实准确性 RAG 作用机制淘天

#淘天#事实准确性#RAG 减少幻觉

面试题·评估· 字节

专业领域 RAG 链路怎么搭?

匹配口述回答：…定位：本质是专业场景下的可信生成问题文档处理与索引：双轨策略加图谱检索策略：多路召回加精排重排生成优化：强制引用加约束解码评估与取舍：宁缺毋滥，人工兜底约4分钟如果用户问的是多跳推理问题，简单的 Naive RAG 不够，需要考虑 Agentic RAG 或 Self-RAG，但延迟和稳定性是风险。面试官可能会追问多跳推理的具体实现方式、如何控制 Agent 的搜索次数、或者 Self-RAG 的训练细节。

#字节#RAG 全链路#RAG 技术链路

面试题·模型微调· 滴滴

大模型落地技术范式怎么选?

匹配口述回答：…好，是看场景和成本五大范式按原理和边界拆开讲，重点对比RAG和微调落地选型三步走：需求拆解、成本权衡、组合使用给出可延伸点：Agent的稳定性问题约4分钟 Agent的自我反思机制（如Reflexion）能提升稳定性，但推理成本高且反思质量不可控面试官可能会追问Reflexion的具体实现、与ReAct的区别、以及如何评估反思效果

#滴滴#模型微调#Agent

面试题·Agent

MCP 模型上下文协议是什么?

匹配标题与标签：MCP 模型上下文协议是什么? AI 工具生态的 USB-C,把 M×N 集成难题变成 M+N Agent 入门基础概念 MCP 协议 Model Context Protocol 模型上下文协议 MCP 和 Function Calling 区别

#入门#基础概念#MCP 协议

面试题·Prompt· 高德

CoT vs ToT vs GoT 怎么选?

匹配口述回答：…成攻略，就可以尝试GoT的聚合能力。这里有个关键风险：ToT和GoT依赖的评估器如果不可靠，整个搜索就白费。我在上线前一定会先做评估器的质量验证，用一批人工标注的中间状态打分，看准确率和一致性。如果评估器不过关，我宁愿退回到CoT加[[Self-Consistency]]，多采样几次选多数答案，反而更稳定。所以我的整体取舍是：把CoT当成基线，ToT当成进阶，GoT当成探索。但有一个点我想提一下，就是这些方法在[[Multi-Agent]]系统里怎么组合。比如让一个Age…

#高德#CoT ToT GoT 对比#大模型规划能力