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！

个人认为今年暑期比去年难，看面经基本都是腾讯和字节。有些大厂虽然开了暑期实习，但基本都是泡池子，只有少部分人能得到面试机会。还有两三个月就要秋招了，有点慌难道今年更适合去考研吗？

1. 自我介绍2. 你在项目里主要负责哪一块，核心难点是什么3. 意图识别具体怎么做，哪些意图是你们自己定义的答案：意图不是模型自己随便生成的，而是业务先定义好可执行的意图集合。比如在商家经营诊断里，会定义订单转化分析、差评归因、客服质检、活动效果复盘、规则咨询、商品套餐优化、竞品对比、经营日报生成这些意图。每个意图都对应明确的输入、需要的工具和输出格式。实现上会用规则加模型混合。像门店 ID、活动 ID、订单号这种强结构化字段先用规则抽取；再用模型做意图分类和槽位补全。模型输出不能直接信任，要校验意图是否在白名单内、槽位是否合法、是否缺关键参数。如果缺门店或时间范围，就进入追问，而不是直接查...