324美团后台实习一面面经

从事 AI 岗位的技术栈，核心取决于你选择的细分方向—— 是偏向算法研发的 “造轮子” 岗，还是侧重工程落地的 “用轮子” 岗。两者的技能要求差异很大，但底层基础是相通的。这里举一个例子，大模型应用开发岗（最适合后端转型，门槛低、需求大）这是目前企业招聘最多的 AI 岗，核心是 “用现成大模型解决业务问题”，不用自己训练模型，和后端开发的工程思维高度契合。核心框架与工具如下：LangChain：大模型应用开发的 “瑞士军刀”，必须吃透。重点学文档加载、文本分割、向量存储、检索链（RAG）搭建、工具调用（Function Call）。向量数据库：RAG 的核心组件，掌握 Chroma（轻量，适合入门）、Milvus（分布式，适合生产）、Pinecone（云服务），理解向量相似度计算原理。大模型调用：熟悉主流大模型 API（GPT-3.5/4、文心一言、通义千问、Kimi），掌握参数调优、Prompt 工程技巧。工程化能力如下：后端技能直接复用：用 Spring Boot/FastAPI 封装大模型接口，实现鉴权、限流、日志监控。容器化部署：用 Docker 打包应用，K8s 做集群管理，保证服务高可用。数据处理：掌握文本清洗、去重、脱敏，处理大模型的输入输出数据。进阶技能如下：Agent 开发：基于 LangChain 或 AutoGPT，实现多智能体协作、任务规划，比如 “代码调试 Agent”“简历优化 Agent”。Prompt 工程：学会编写精准的指令，比如 “作为 Java 后端工程师，帮我优化这段 SQL 语句，要求时间复杂度降到 O (n)”，理解零样本 / 少样本提示、思维链（CoT）技巧。

现在基本上已经非常依赖AI了，写代码，写论文，润色，等等。不过遇到重大决策，我一般不适用AI，因为AI采用的信息源可能不准，导致一本正经的胡说

需要帮忙辅导一下简历 有偿🥹🥹 

1. 编程语言与工程基础（基石）Python（绝对核心）、Web框架、数据结构与算法、SQL与数据处理2. 大模型核心技术栈（当前最热门）RAG（检索增强生成）：原理：理解如何通过外挂知识库解决模型幻觉和知识滞后问题。工具：熟练掌握 LangChain、LlamaIndex 等编排框架。Agent（智能体）开发：理解Agent的架构（感知、记忆、规划、工具使用）。掌握 LangGraph 等工具，能够设计有状态、多步骤的复杂任务流（如自动规划旅行、自动化办公流）。Prompt Engineering（提示词工程）：这不仅是“聊天”，而是结构化设计。需要掌握思维链（CoT）、少样本学习（Few-Shot）等技巧，能够编写稳定输出高质量结果的Prompt。模型微调（Fine-tuning）：虽然不要求每个人都从头训练，但需要掌握 PEFT（参数高效微调）技术，特别是 LoRA、QLoRA，以及人类反馈强化学习（RLHF）的基本原理和操作。