想做 AI Infra / LLM 推理系统 方向。 身边没有同方向的朋友能问，自己摸着石头过河整理了一份学习路线，越整理越虚——感觉知识点又多又散  我自己总结的核心路线就一句话： 先理解模型前向 → 再理解单请求生成 → 最后再看多请求 / 多卡 / 多实例下的系统优化 把 Decoder 模型和最小推理框架先跑通，再去看工业级系统，应该很多设计会自然浮出来——这个思路对吗？ 想和大家多多交流！

不止遇到一次了，什么都不会，让提合并请求，问什么是合并请求。让gitlab.页面把测试截图附上，不知道截图要放在哪，那么大的编辑看不到吗让配开发机，问ip是什么东西……这都咋进来的啊，我们（我2023年毕业）那会儿没AI的时候面试都是直接linux，docker，k8s，git，结构与算法，计网。怎么才过去2年，实习生跟傻子一样，有些问题问的我难受，不会git commit，不会git pull，不会切换分支，直接要覆盖master....————而且态度非常敷衍，3天前给开个仓库权限，连本地都没有拉下来。让写一个小文档，都是说一句，写一句，说把目录加上，挺嗤之以鼻，最后还是把目录加上了😂😂任何文档和注释都是方便后来人的，现在的人真的很自负啊，打开github看看任何一个开源项目的文档和注释，都写的很详细。难道现在的同学在校期间不经常拉开源项目看源码学习吗？ 哪怕是一个swap函数，开源项目里都经常注释：1 3 5 7 9 2 4 6 8 10＾           ＾l              rswap：{功能描述}{使用样例}

自我介绍项目里使用线程池解决了什么问题怎么解决大模型返回json格式不稳定项目中面试评估需要处理20+题答案超出上下文限制，怎么解决引入rabbit解决了什么问题，为什么要引入如何解决rabbit重复消费，保证幂等性为什么要用TTL和死信队列，不使用定时任务轮询如何保证数据库和缓存一致性MySQL为什么用B+树慢查询和查询优化反问十分快速结束，面完发现才20分钟，感觉纯kpi