Agent核心面试题（含2026新趋势）｜建议收藏速记

本文整理了Agent从基础架构到多模态处理的20道核心面试题，涵盖概念、设计、实现及专项场景，补充2026年技术趋势与实操细节，适合小白入门梳理、程序员备考复习，建议收藏反复打磨。

一、核心概念与架构篇

Q1：请简述Agent的基本架构组成，并解释其与传统LLM Chain的区别。

核心组成：Agent本质是“LLM核心+三大辅助模块”的综合体，即LLM（基础能力底座）+ 规划（Planning，任务拆解与路径规划）+ 记忆（Memory，会话与经验存储）+ 工具使用（Tool Use，外部能力扩展）。四大模块协同，让Agent具备自主决策与执行能力。

与传统LLM Chain的核心区别：

• LLM Chain：属于“固定流程驱动”，是预定义的线性硬编码工作流，步骤不可动态调整，比如固定“提问→检索→生成”三步，无论任务变化都按此执行，灵活性极差。
• Agent：属于“目标驱动自主决策”，具备核心“自主性”，能根据任务目标自发规划执行路径，通过“观察-推理-行动”的循环（Reasoning Loop）动态调整策略，比如遇到工具调用失败会自动重试或切换工具，适配复杂多变的任务场景。

Q2：解释ReAct模式的工作原理。

ReAct（Reasoning + Acting，推理+行动）是Agent实现自主决策的核心基石，打破了“先思考完再行动”的割裂模式，采用“边想边做”的迭代逻辑，让Agent的行为更可控、可追溯。

具体工作流程：LLM首先基于当前任务和上下文生成一段推理过程（Thought），明确“下一步要做什么、为什么这么做”，比如“需要查询2026年AI趋势数据，因此调用搜索工具”；随后执行对应行动（Action），调用指定工具获取观察结果（Observation）；最后将观察结果反馈至上下文，进入下一轮“推理-行动-观察”循环，直至完成任务或达到终止条件。

Q3：如何实现Agent的长期记忆（Long-term Memory）？

Agent的记忆体系分为短期与长期，二者协同保障任务连续性，长期记忆的核心是突破上下文窗口限制，留存历史经验与知识：

• 短期记忆（Short-term Memory）：依赖大模型的Context Window（上下文窗口），存储当前会话的聊天记录（Chat History）和即时任务状态，仅在当前会话有效，窗口满后会被截断。
• 长期记忆（Long-term Memory）：主流方案是结合RAG（检索增强生成）技术，将Agent的历史经验、领域知识、任务记录等编码为Embedding向量，存入向量数据库（如Milvus、Pinecone）；当Agent执行新任务时，通过“经验检索（Experience Retrieval）”从向量库中调取相关内容，补充至上下文。
• 2026年新趋势：一是利用长文本模型（Long-context LLMs，如GPT-4 Turbo、Qwen-Long）直接处理数万甚至数十万Token的超长历史，减少检索依赖；二是通过“摘要层级结构”递归压缩记忆，比如按任务类型、时间维度生成多层摘要，既节省存储又提升检索效率。

二、多智能体协同（Multi-Agent Systems, MAS）

Q4：单Agent遇到瓶颈时，为什么需要Multi-Agent？常见的协作模式有哪些？

单Agent的瓶颈核心的是“能力边界有限”：在处理复杂、跨领域、长周期任务时，容易出现注意力漂移（偏离核心目标）、推理链断裂（无法衔接多步骤逻辑）、技能不足（同时适配代码、文案、数据分析等多场景）等问题，而Multi-Agent通过分工协作突破单一个体的能力局限，提升任务处理效率与准确性。

常见协作模式（附实操场景）：

• 中心化模式（Boss-Worker）：由一个主Agent（Boss）负责任务拆解、分配与结果汇总，子Agent（Worker）各司其职执行专项任务，子Agent无自主决策权限。适用于结构化任务，如“项目管理Agent拆分需求，分配给代码生成Agent、测试Agent、文档Agent并行工作”。
• 流水线模式（Pipeline/Sequential）：按任务流程顺序分工，前一个Agent的输出作为后一个Agent的输入，形成闭环。适用于流程化任务，如“代码生成→代码审查→Bug修复→部署验证”的全链路开发。
• 民主协作模式（Joint Discussion）：多个Agent具备同等权限，围绕任务目标共同讨论、碰撞观点，最终达成一致结论。适用于开放式、需要多维度思考的任务，如“技术方案评审、复杂问题归因分析”。

Q5：多智能体系统中如何解决“无限循环”或“通信冗余”问题？

多Agent交互中，无限循环（如A等待B反馈，B等待A输出）和通信冗余（重复发送同类信息、无效对话）会导致资源浪费与任务停滞，需从流程控制、内容优化、条件约束三方面解决：

• 循环检测与控制：引入状态机管理每个Agent的运行状态，设置最大迭代次数（如单任务交互不超过10轮），当达到阈值时自动触发中断，由主Agent重新分配任务或调整策略。
• Token与内容压缩：对Agent间的对话内容进行实时摘要，提取核心信息（如任务进度、关键结论），剔除冗余表述；同时限制单轮对话的Token上限，避免无意义长篇交流。
• 明确终止条件（Definition of Done）：提前定义任务完成、中断、重试的标准，比如“结果满足预设指标”“无新信息产出”“出现不可解决的错误”，当触发条件时立即终止交互，避免无限循环。

三、Agent核心设计模式 (Design Patterns)

Q6：请对比“工作流（Workflows）”与“自主智能体（Autonomous Agents）”的优劣。

二者核心差异在于“决策主体”，适用于不同场景，无绝对优劣，需按需选型：

• 工作流（Workflows）：通过DAG（有向无环图）或状态机硬编码任务路径，步骤、顺序、触发条件均提前定义，无自主决策空间。优点：高可靠性、结果可预期、易排查问题，适合标准化、高频重复的任务（如报销审批、固定话术客服、数据同步流程）；缺点：灵活性极差，无法应对未预设的异常场景。
• 自主智能体（Autonomous Agents）：由LLM驱动，自主决定交互循环次数、工具调用时机、步骤调整逻辑，无需硬编码路径。优点：灵活性极高，能适配开放式、非结构化任务（如科研探索、个性化代码编写、复杂问题诊断）；缺点：结果不可控，易产生幻觉，运维成本高。

面试金句（2026工程趋势）：当前工业界的最优实践是“用Workflow约束Agent”，即在工作流定义的核心路径与边界内，给予Agent局部决策权（如工具选择、步骤微调），兼顾可靠性与灵活性，平衡业务需求与技术落地成本。

Q7：详细解释“编排者-执行者（Orchestrator-Workers）”模式。

该模式是中心化协作的进阶版，核心是“专业化分工+精细化管控”，适用于大型复杂任务的拆解与执行，是工业界落地Multi-Agent的主流模式之一。

核心逻辑：主Agent（Orchestrator，编排者）具备三大核心能力——任务拆解（将复杂任务拆分为可执行的子任务，明确每个子任务的目标、范围、输出格式）、技能匹配（根据子任务类型，分配给具备对应Skill的Worker Agents，如数据处理Worker、文案Worker）、结果聚合与校验（汇总所有子任务结果，校验一致性与完整性，若存在问题则回溯调整）。

适用场景：大型软件开发（如电商系统搭建，拆分UI开发、后端接口、数据库设计、测试用例编写等子任务，分配给对应Worker）、多领域报告生成（如年度行业分析报告，拆分数据采集、图表生成、文案撰写、审核优化等环节）。

核心难点：任务分解的粒度控制。粒度太细会导致Agent间通信成本剧增、效率低下；粒度太粗则Worker难以精准执行，易产生理解偏差与幻觉，需结合任务复杂度、Worker技能边界动态调整。

Q8：什么是“反思/自我纠正（Reflection/Self-Correction）”模式？

反思模式是提升Agent任务成功率的核心优化手段，本质是让Agent具备“自我审视、迭代优化”的能力，通过对过往输出的复盘，修正错误、规避重复问题，形成闭环进化。

核心实现逻辑：Agent生成初步输出（如代码、答案、方案）后，由另一个专门的“批评者Agent（Critic）”或自身切换为批评者角色，对照任务目标、约束条件（如格式要求、准确性标准）检查输出内容，识别错误、漏洞或优化点，生成具体反馈；原Agent根据反馈迭代修改，直至满足要求。

技术细节：可基于Reflexion架构落地，核心是记录“失败轨迹”并纳入长短期记忆——将每次错误的原因、修正方案、优化逻辑编码存储，当遇到同类任务时，优先检索历史失败经验，避免重复踩坑，显著提升长期执行效率。

四、深度技术实现与状态管理

Q9：在多轮对话Agent中，如何处理“状态爆炸”和“上下文溢出”？

状态爆炸指多轮交互中，任务状态、历史信息、中间结果过多导致管理混乱；上下文溢出指信息总量超过大模型Context Window上限，无法完整传入。二者需结合结构化管理、语义优化、内容压缩三重方案解决：

1. 状态结构化（State Schema）：定义严格的状态数据结构（如使用LangGraph的TypedDict、Pydantic模型），仅保留核心变量（如任务ID、当前进度、关键参数、工具调用记录），剔除无关冗余状态，实现状态的标准化管理。
2. 语义修剪策略（Trim Strategy）：非简单截断历史信息，而是基于语义重要性筛选保留——优先保留System Prompt（核心指令）、当前任务目标、最近N轮关键对话，删除重复表述、无效交互、已完成步骤的细节信息。
3. 摘要缓冲机制（Summary Buffer）：对早期对话内容进行语义摘要，将摘要存入上下文头部，替代原始长文本；同时按时间或任务阶段生成分层摘要，确保上下文窗口内始终是“核心指令+近期细节+历史摘要”的高效组合。

Q10：如何保证Agent调用工具（Function Calling）的可靠性？

Agent调用工具的可靠性核心是“避免语法错误、逻辑偏差、高风险操作”，需从语法约束、逻辑校验、风险控制三层面构建保障体系：

• 语法层面：强制使用JSON Mode或强类型约束（如通过Function Call的Schema定义参数类型、必填项、取值范围），确保LLM生成的工具调用参数格式合法；若生成格式错误，触发格式校验报错，返回给LLM重新生成。
• 逻辑层面：引入“人机协同确认机制（Human-in-the-loop）”，对高风险操作（如数据库删除、资金转账、系统配置修改）设置人工审核节点，必须由人确认后才执行工具调用，避免误操作。
• 重试与自我修复：设计智能重试逻辑，若工具调用失败（如参数错误、接口异常），将报错信息、上下文反馈给LLM，让其自主分析失败原因并修正参数或切换工具，实现自我修复；同时设置重试次数上限，避免无限重试。

Q11：LangGraph中的“节点（Node）”和“边（Edge）”与传统工作流有何不同？

LangGraph是基于大模型的Agent工作流框架，其节点与边的设计更贴合Agent的自主决策特性，与传统工作流（如Airflow、Dagster）的核心差异的是“动态性与循环支持”：

• 传统工作流：节点（Node）代表固定任务步骤，边（Edge）代表步骤间的固定流转关系，一旦定义完成无法动态调整，且不支持循环（避免死循环），整体是线性或静态DAG结构，灵活性差。
• LangGraph：节点（Node）可对应任务步骤、工具调用、决策逻辑、记忆更新等操作，支持自定义函数封装；边（Edge）支持条件边（Conditional Edges），由LLM的输出结果动态决定下一步流转方向，比如“工具调用成功则进入结果生成节点，失败则进入重试节点”。同时原生支持循环（Cycles），允许Agent在多个节点间反复交互，直至满足终止条件，这是Agent能够自主迭代、突破固定流程的核心。

五、2026必考的Evals（评估）

Q12：你如何量化一个Agent的性能？

Agent性能评估需结合“效果、效率、成本”多维度构建指标体系，核心指标如下：

1. 任务成功率（Success Rate）：核心核心指标，指在预设测试集（覆盖不同场景、难度）中，Agent成功完成任务的比例；需明确“成功”的定义（如结果符合预期、无幻觉、满足格式要求），避免模糊评估。
2. 平均推理步数（Avg Steps）：衡量Agent的执行效率，指完成单个任务平均所需的“推理-行动”循环次数；步数越少，说明Agent决策越精准，响应速度越快，同时Token成本越低。
3. 工具调用准确率（Tool Call Accuracy）：包括“调用必要性准确率”（是否需要调用工具时才调用，无冗余调用）和“参数准确率”（调用工具的参数是否正确），准确率越高，工具使用效率越高，避免资源浪费。
4. 影子测试（Shadow Testing）：工业界落地前的关键评估手段，在生产环境并行运行新旧Agent逻辑，不对真实业务产生影响，对比二者的输出差异、成功率、效率等指标，验证新Agent的稳定性与优越性，降低上线风险。

六、Agentic RAG专项问答

Q13：RAG系统中经常遇到检索出来的片段（Chunk）互相冲突，Agent该听谁的？

Chunk冲突本质是“知识来源不一致”，Agent需通过“权重排序、逻辑校验、溯源兜底”解决，确保输出结果准确可靠：

1. 元数据加权排序：为每个Chunk添加元数据标签（如发布时间、权威性、来源渠道、部门等级），检索时按权重排序，优先采信实时性高（如近3个月数据）、权威性强（如官方文档、核心部门产出）的Chunk。
2. 多智能体辩论校验：启动多Agent辩论机制，让不同Agent分别基于冲突的Chunk构建论证逻辑，识别冲突点（如数据矛盾、观点分歧），再由汇总Agent根据逻辑一致性、事实依据选择最合理的解释，或向用户标注冲突点并提供多方观点。
3. 引用溯源兜底：强制Agent输出结果时附带Chunk的Source链接（如文档路径、页码、生成时间），让用户可自行校验原始信息，同时明确标注“存在冲突，已优先采信高权威来源”，避免误导。

Q14：如何处理企业知识库中的“权限隔离”问题？Agent会不会把高管工资查出来给普通员工？

核心解决方案是“RAG权限对齐”，确保Agent的检索与输出严格遵循企业权限体系，从根源上避免信息泄露，而非依赖Prompt拦截（Prompt拦截易被绕过，安全性低）。

具体实现方式：

在向量数据库层面嵌入权限控制逻辑，每个Chunk的Embedding向量都附带ACL（访问控制列表）元数据，标注可访问的用户角色、部门、权限等级（如高管级、部门级、普通员工级）；当Agent触发检索请求时，强制将“当前用户的身份信息（角色、部门）”作为Filter注入检索语句，向量数据库仅返回该用户权限范围内的Chunk，实现检索阶段的物理隔离。即使Agent尝试调用工具获取高权限信息，也因检索结果无相关内容而无法生成，从根源上保障数据安全。

Q15：当知识库内容更新很快（如每日新闻或实时股价）时，你的RAG系统如何应对？

核心思路是“动态适配+实时联动”，平衡检索准确性与实时性，避免Agent依赖过期数据：

1. 动态路由决策：Agent首先对用户问题进行“实时性判断”，若属于实时性要求高的问题（如“当前股价”“今日新闻热点”），优先调用实时API、搜索引擎等工具获取最新数据，而非检索静态向量库；若属于非实时问题（如“历史股价趋势分析”），则检索向量库。
2. 流式索引增量更新：利用数据流工具（如Kafka、Flink）监听知识库的内容变化（如新增文档、修改内容、删除过期数据），实时触发Embedding生成与向量库增量写入，避免全量重建索引的效率问题，确保向量库内容与知识库同步。
3. 智能缓存失效策略：针对高频查询问题设置TTL（生存时间）缓存，如实时股价缓存5分钟、每日新闻缓存1小时；同时绑定知识库更新触发机制，当源数据更新时，立即失效对应缓存，确保下次查询获取最新内容。

Q16：如何提升RAG问答准确度？

提升RAG准确度并非单一优化Prompt，而是一套“解析-检索-生成”全链路的组合拳，每一层优化都能显著提升最终效果：

1. 深度解析层：Layout-Aware Parsing（布局感知解析）
   1. 痛点：传统按字符数分割Chunk的方式，易打断表格结构、拆分标题与正文，导致语义断裂，影响检索相关性。
   2. 解决方案：使用Layout Analysis模型（如DocLayout-YOLO、Unstructured库、PyMuPDF），将文档按布局识别为标题、正文、表格、图片、列表等结构化元素；再按标题层级（H1-H4）进行语义分块，确保每个Chunk包含完整的上下文（如一个H2标题下的所有正文与子列表），而非机械切割。
2. 检索增强层：Multi-Stage Retrieval（多阶段检索）
   1. 混合检索（Hybrid Search）：结合向量检索（捕捉语义相关性，解决同义词、模糊查询）与BM25检索（基于关键词匹配，解决专有名词、缩写、术语查询不准的问题），互补提升召回率。
   2. 重排序（Reranking）：通过Cross-Encoder模型（如BGE-Reranker、Cohere Rerank）对初筛出的Top-50 Chunk进行精排，根据与问题的语义契合度调整排序，这是提升准确度性价比最高的手段，可将相关性提升20%-30%。
   3. 查询扩展（Query Expansion）：由Agent自动对用户问题生成3-5个同义问题或扩展问题（如用户问“Agent架构”，扩展为“Agent基本架构组成”“Agent核心模块”），并行检索后合并结果，解决用户提问过于简洁、模糊导致的检索偏差。
3. 生成校验层：Self-Correction（Self-RAG）
   1. 在生成答案前设置验证节点，让Agent自主判断两个核心问题：“检索到的Chunk是否足以回答用户问题？”（若不足则触发二次检索）、“生成的答案是否存在超出检索内容的幻觉信息？”（若存在则删除幻觉部分，基于Chunk重构答案），从源头减少不准确输出。

Q17：回答中如何包含原文档相关的图和表格？

核心难点是“多模态对齐”与“引用索引”，需在解析、存储、检索、渲染全链路适配图文信息，避免图文脱节或无法渲染：

1. 表格的处理（Tables）

• 解析阶段：不将表格转为纯文本，而是保留结构化格式，优先解析为Markdown或HTML表格，LLM对结构化标记语言的理解能力远强于纯文本，能精准捕捉表格逻辑。
• 存储与检索：为每个表格生成自然语言摘要（如“该表格展示2026年各季度AI岗位薪资分布”），将摘要+表格ID+所在文档路径存入向量库；检索时通过摘要定位目标表格，生成答案时将完整Markdown表格传入LLM，确保输出包含结构化表格。
• 渲染阶段：前端直接解析LLM输出的Markdown表格，实现可视化展示，无需额外格式转换。

2. 图片的处理（Images）

采用“多模态索引法+占位符回显机制”，兼顾检索相关性与渲染可行性：

• 多模态索引法：① Image Captioning：使用多模态模型（如GPT-4o-mini、Qwen-VL、BLIP-2）为图片生成详细描述（含核心元素、逻辑关系、场景信息，如“该流程图展示Agentic RAG的全链路：解析→检索→生成→校验”）；② 存储索引：将“图片描述+图片ID+所在页码+文档路径”存入向量库，实现文本检索关联图片；③ 检索逻辑：当用户提问涉及图片（如“请解释Agent RAG流程图”），通过问题与图片描述的语义匹配，定位目标图片。

• 占位符回显机制：① 生成答案时，Agent在对应位置插入图片占位符，格式为[IMAGE_ID: 123]（123为图片唯一ID）；② 前端解析占位符，从静态资源服务器（如OSS、MinIO）调用该ID对应的图片URL，实现图文对应渲染，同时避免将大图片数据直接传入Context导致的Token浪费。

  *处理流程图*

  展示你对整个链路的工程化理解：

七、多模态处理专项问答

Q18：在生成答案时，你如何确保LLM知道要在哪里插入哪张图？

核心是“占位符约束+上下文关联”机制，让LLM明确图片插入位置与对应关系，具体实现如下：

在System Prompt中强制加入格式约束：“若检索到与答案相关的图片，需在回复的对应语义位置保留图片占位符[IMAGE_ID: XXX]，占位符需紧跟图片描述内容，确保图文语义一致；同时标注图片说明，简要说明图片与内容的关联”。

例如，Agent检索到“Agent架构图（ID: 456）”，生成答案时会写道：“Agent的基本架构由四大模块组成（如图[IMAGE_ID: 456]所示）：LLM作为核心底座，搭配规划、记忆、工具使用三大辅助模块，协同实现自主决策。” 前端解析占位符后，在对应位置渲染图片，既保证图文位置精准，又避免图片数据占用Context Token。

Q19：表格非常大，放入Prompt会导致上下文溢出或干扰模型，怎么优化？

核心思路是“先筛选、再精简、后输入”，采用“Select-then-Read”策略，只将与问题相关的内容传入Prompt，减少干扰与Token消耗：

具体步骤：1. 预解析阶段：为超大型表格生成Schema（表头信息、字段含义、数据范围）和核心摘要，存入向量库；2. 筛选阶段：Agent先通过表格Schema和摘要，判断该表格是否包含所需数据，若不包含则跳过，若包含则生成精准查询指令（类似SQL语句、Python代码片段），仅提取与问题相关的行列数据（如“提取2026年Q1 AI岗位的平均薪资、最高薪资两行数据”）；3. 输入阶段：将提取后的精简子表（Markdown格式）传入LLM生成节点，既大幅减少Token消耗，又剔除无关数据干扰，提升答案准确度。

Q20：如何解决多页文档中，图片和描述文本不在同一页导致的关联错误？

核心方案是“滑动窗口+跨页聚合”，在解析阶段建立图片与关联文本的强绑定，避免检索时出现图文脱节：

在文档解析阶段，引入滑动窗口（Sliding Window）机制，窗口大小可根据文档排版调整（如前后各1页、前后各3段文本）。当系统识别到图片时，不仅提取当前页的文本内容，还会通过布局距离计算，将滑动窗口内邻近的文本块（如上一页末尾、下一页开头的相关描述）作为该图片的“上下文元数据”，与图片描述、图片ID共同存入向量库。检索时，图片与关联文本同步被召回，确保Agent能获取完整的图文上下文，避免因分页导致的关联错误。

总结：Agent技术的核心是“自主决策+协同能力”，2026年的面试重点将聚焦于多模态融合、RAG与Agent的深度结合、工程化落地优化。建议结合本文知识点，搭配LangGraph、LangChain等框架实操演练，既能夯实理论基础，又能提升项目落地能力，助力面试通关！

普通人如何抓住AI大模型的风口？

为什么要学习大模型？

在DeepSeek大模型热潮带动下，“人工智能+”赋能各产业升级提速。随着人工智能技术加速渗透产业，AI人才争夺战正进入白热化阶段。如今近**60%的高科技企业已将AI人才纳入核心招聘目标，**其创新驱动发展的特性决定了对AI人才的刚性需求，远超金融（40.1%）和专业服务业（26.7%）。餐饮/酒店/旅游业核心岗位以人工服务为主，多数企业更倾向于维持现有服务模式，对AI人才吸纳能力相对有限。

这些数字背后，是产业对AI能力的迫切渴求：互联网企业用大模型优化推荐算法，制造业靠AI提升生产效率，医疗行业借助大模型辅助诊断……而餐饮、酒店等以人工服务为核心的领域，因业务特性更依赖线下体验，对AI人才的吸纳能力相对有限。显然，AI技能已成为职场“加分项”乃至“必需品”，越早掌握，越能占据职业竞争的主动权

随着AI大模型技术的迅速发展，相关岗位的需求也日益增加。大模型产业链催生了一批高薪新职业：

人工智能大潮已来，不加入就可能被淘汰。如果你是技术人，尤其是互联网从业者，现在就开始学习AI大模型技术，真的是给你的人生一个重要建议！

如果你真的想学习大模型，请不要去网上找那些零零碎碎的教程，真的很难学懂！你可以根据我这个学习路线和系统资料，制定一套学习计划，只要你肯花时间沉下心去学习，它们一定能帮到你！

大模型全套学习资料领取

这里我整理了一份AI大模型入门到进阶全套学习包，包含学习路线+实战案例+视频+书籍PDF+面试题+DeepSeek部署包和技巧，需要的小伙伴文在下方免费领取哦，真诚无偿分享！！！

vx扫描下方二维码即可

部分资料展示

一、 AI大模型学习路线图

这份路线图以“阶段性目标+重点突破方向”为核心，从基础认知（AI大模型核心概念）到技能进阶（模型应用开发），再到实战落地（行业解决方案），每一步都标注了学习周期和核心资源，帮你清晰规划成长路径。

二、 全套AI大模型应用开发视频教程

从入门到进阶这里都有，跟着老师学习事半功倍。

三、 大模型学习书籍&文档

收录《从零做大模型》《动手做AI Agent》等经典著作，搭配阿里云、腾讯云官方技术白皮书，帮你夯实理论基础。

四、大模型大厂面试真题

整理了百度、阿里、字节等企业近三年的AI大模型岗位面试题，涵盖基础理论、技术实操、项目经验等维度，每道题都配有详细解析和答题思路，帮你针对性提升面试竞争力。

适用人群

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】