大模型开发学习路线

引言大部分人简历上写的 Agent 项目，技术链路是这样的：接收用户输入 → 调 LLM → 解析工具调用 → 执行工具 → 返回结果。这是 Agent 的"最小可用版本"，能跑通，但没有任何区分度——2026 年了，跟着任何一个教程都能搭出来。尤其 RAG 相关的大家已经觉得烂大街了，评论区也有同学吐槽真正让面试官觉得"这个人做过真东西"的，是那些教程里不会教、但生产中必须解决的进阶问题。以下逐个拆解。一、Agent Harness：Agent 不是一个模型调用，是一个运行时是什么：Agent Harness 是 Agent 的"执行骨架&q...

面试很难，还是要多多练习1. 拷打项目2. 讲讲ReAct，还有什么其他减少幻觉的技术3. Transformer存在什么问题，GPT和BERT4. Skill了解过吗5. ES与like的区别，倒排索引6. 如何分库分表7. Redis，单线程还是多线程8. Redis有什么数据结构，zset实现原理9. 排序算法有哪些，时间复杂度10. 进程线程与协程，切换速度，PCB，内存地址管理，线程间通信11. mysql的数据结构有哪些，B+树，为什么效率快，磁盘I/O12. HTTP与HTTPS，HTTPS建立信任的基础，RSA算法13. 对称加密与非对称加密，非对称加密有什么算法14. 死锁15. 微服务故障雪崩16. 算法题：n个人围成一桌，从第s人开始报数，每到m出列，求最后出列顺序

1. 介绍一下你做的这个项目2. LoRA 的基本原理是什么LoRA 的核心思路是，微调大模型时没有必要把整个权重矩阵都更新掉，而是只学习一个低秩的增量。原始权重记作 (W)，微调后的权重写成：其中 (A) 和 (B) 的秩都很低，参数量远小于直接更新整个 (W)。训练时冻结原模型参数，只训练这两个小矩阵，这样显存占用、优化器状态和保存体积都会小很多。它适合做领域适配、指令微调这类任务，因为很多任务对模型的改动并不需要覆盖完整参数空间。LoRA 常见会插在 attention 的 q_proj、v_proj 上，有时也会加在 k_proj、o_proj 或 MLP 层。选哪些层，本质上是在表达...