传统后端开发vs大模型应用开发

1.自我介绍，拷打项目为什么用多智能体不用单智能体了解哪些大模型应用框架（你项目中的竞品）rag知识库是怎么搭建的，怎么进行的分片操作如何让大模型更加理解医学名词（一般大模型理解不了医学名词）知识库的大小，我答了一个很大的数，问接口速度问题（一脸懵逼，没考虑过，只考虑过rag层面的优化）询问rag评估（孩子寄了我没做，但是我背过），问具体评估数值（🐔没做过，瞎逼逼了一个数字）优化空间从项目拷打中看的出来面试官水平确实比较高，而且是个声音很好听的小哥哥2.写算法，尽然是acm格式，幸好函数写出来了，可惜的是输入输出没写出来，链表的输入输出真的难3.反问环节：做什么业务，不足之处

目前在做 Java 后端，如果秋招想转大模型应用开发的话，请问该怎么准备呢？优先主攻大模型，还是先继续深入学习 Java（目前在实习，学大模型的时间也不多）？前景如何呢（主要薪资方面相比同体量公司的 Java 岗）？小白求教，谢谢各位佬。

背景发现还是有很多牛油对市面上的AI工程师抱有很大的幻想，作为一个年初刚从大数据夹娃工程师转成AI工程师的老兵油子，我很有必要狠狠的戳破这些幻想。今年年初刚过完年回来，公司宣布组织内部架构调整，成立AI中台，全面拥抱大模型，第一步先内部招聘转岗，楼主脑子一热就从数据中台转岗到了AI中台。当时满脑子都是微调、训练、数据集、验证集等等等高大上的名词，进来之后无非是换个地方增删改查而已。模型底座所谓AI中台就是封装各种大模型能力，向其它部门提供公共服务，比如说AI网关、agent管理平台、工作流平台等等，涉及到模型微调，数据集训练的基本不会让半路出家的做。如果想要自行学习了解微调可以通过llama-...

面试公司：美团岗位：大模型应用开发一面1．自我介绍＋做过的项目，项目问的很细2．了解 Deepseek -R1吗？介绍一下。3.R1的 MLA 是如何实现 KV - Cache 的节约？4.R1在 SFT 时冷启动的目的？5．位置编码是什么？解释 ROPE6．一个14B的模型，推理和训练要多少显存？7．显存的占用和哪些因素相关？8．大模型灾难性遗忘是什么？如何解决？9.BF16、FP16、FP32对比10.Adam, AdamW 原理11.deepspeed的三个阶段手撕：合并两个有序链表