企业官网建设流程全解析

本文作者分享了从国企跳槽至互联网大厂的经历，重点介绍了大模型岗位的面试经验。内容涵盖简历准备、面试问题（如SFT、RAG、Agent、Deepseek & Qwen3 & RL、大模型基础等）、代码题以及业务方向。作者强调了持续学习和追踪前沿技术的重要性，并提供了实用的面试技巧和参考资料，适合想要进入大模型领域的小白和程序员参考。

1、职业规划

在国企工作即将六年的我，终于下定决心走出来。

每当 HR 面问到我跳槽的原因，我总是机械地回答两个点，一是平台、技术、项目深度没有发展空间，二是薪资。

但当我扪心自问时，离开国企我会失去什么？

我会失去工作的相对稳定性，也会失去这悠闲一些的工作节奏，近些年的一些降薪、工作时长改变和业绩指标改革，也让我觉得国企并不一定是铁饭碗，变革时刻在进行，身如孤船在国企这片大海只能随波逐流，不受个人意志所改变。

性格使然，太过闲散的工作对我是种折磨，在无聊中寻找乐趣简直太难受了。国企也如温水煮青蛙，不进行自我驱动的学习和改变，心气都将被消磨殆尽。

这些年也尝试过一些副业的想法，只收获了一些编程能力的锻炼，随着市场的不景气，收入也逐渐归零。投身股市，自认没有这个本领和抗风险能力。

所以，我还是选择出来看看。既希望进去大模型的风口一搏，也有中年危机的步步紧逼。但人生嘛，重在体验。

2、面经总结

一堆废话感想略过，直接上干货。相对于去年看机会的浅尝辄止，拿了几个中厂 offer，今年目标更新为互联网大厂。

1、简历关

今年大模型的行情还不错，凭借本硕学历+国企背景，除了预训练的岗位约不到面试外，各个大中厂过简历毫无问题。

简历内容说实话，没什么发挥空间，保证写上去的所有内容都如数家珍即可，我也没有针对不同厂修改过不同简历。

但是可以随着面试节奏和问题热点，补充你的简历内容，比如一开始 Agent 我做的比较浅就没写，但是问的很多+热门，后续我把这块也进行了补充，这样 Agent 的一些岗位也都可以有面试。

2、面试问题

基本以项目细节拷打+穿插大模型八股+代码考察为主，我总结了不同项目遇到的一些常见考察点和自己浅薄的思考，供大家参考。

（1）SFT

各种微调技术原理（高频）：基本以 LoRA 考察为主，包括作用原理、初始化方法、参数、其他变种等。

原理可以从增量权重矩阵的本征维度出发，解析解 SVD 的不可行性，从而引出秩 r 作为超参+模型学习的方法；

初始化方法是 AB 之一全 0 初始化，并可以介绍 LoRA-GA 和 LoRA-Pro 的方法（一般面试官对初始化的变种了解不深）；参数有 alpha 和 r；其他变种问的频率较低。

如何评估微调效果？通用能力+生成能力+人工。

通用能力是否下降？通用数据集测评，解决方法？训练集加入通用数据集，更换不同 size 基模，全参微调。

幻觉？从欠拟合和过拟合的角度分析，有尝试过自动化识别幻觉的方法吗？RAG+LLM 评估。

（2）RAG

Retrival

检索源：数据的收集、清洗，可说的内容不多。

索引优化：

• 分块策略：固定、overlap、递归分割、small2big 等方法，从句子和语义截断的思路分析优缺点
• chunk的原数据附加：源文档提取，人工构造（反向 HyDE，上下文编码）
• 查询优化：HyDE 等方法

向量数据库：选型，如何更新数据，问的很少。

Embedding：

• BM25+Embedding 混合检索：BM25 的原理，为什么有效果（统计词频 TF-IDF 角度）
• 使用的 Embedding model 原理（M3E，XiaoBu，BGE 等）：三类任务的 InfoNCE+CoSENT 混合损失训练，其他对比损失介绍
• MRL：混合动态维度，问的很少

Generation

如下：

• Reranker Model（mMARCO/MiniCPM/Jina 等）：原理，为什么需要重排（从原始语义空间的信息完整性出发），和 Embedding 区别，效果有提升吗？
• LLM SFT。

评估指标

如下：

• Embedding model：Recall
• ReRanker modell：MRR、NDCG
• End-to-End：Accuracy（LLM 基于 query、ground truth 和生成 answer 评估）

（3）Agent

如下：

• ReAct prompt 的构造方法：prompt 构造 CoT，我做的比较早，并写在简历上了，所以会问。
• Function call 怎么训练的：Function call 数据集 SFT+强化学习
• MCP：比较新，可以体现对前沿技术的追踪和理解
• Agent 一些成熟框架：我做的比较浅，没怎么用过

（4）Deepseek & Qwen3 & RL

这块单独拿出来说，问的太多了，考察对新技术的追踪和掌握。

R1/Qwen3 预训练和后训练方法：参考相关技术报告，三/四阶段训练，由于我不做 pretraining 方向，所以基本能回答上各阶段方法和目标即可。

MLA：参考苏神《缓存与效果的极限拉扯：从 MHA、MQA、GQA 到 MLA》。

MoE：参考苏神《MoE 环游记：1、从几何意义出发》。

PPO/DPO/GRPO：原理+公式，GRPO 的改进点和如何实现，大部分面试官的关注点到这结束，个别的会问到 critic model 损失和训练方法，如何理解未来收益。

（5）大模型基础

Transformer 及其进化：

• Encoder-Decoder 架构介绍
• Positional Encoding：参考苏神《让研究人员绞尽脑汁的 Transformer 位置编码》，RoPE 问的不少
• Tokenizer：WordPiece、BPE，问的不多
• Attention（高频）：还是常规问题，公式、除以 √dk 原因（方差一致+梯度消失）
• MHA：动机，不同语义子空间和不同位置提取信息，MQA、GQA、MLA 变种，参考上文
• Normalization：LayerNorm 和 BatchNorm 区别（维度意义+分布假设），具体实现，为什么需要 gamma 和 beta 参数
• FFN：为什么需要，Attention 捕捉序列内部，FFN 增强单个位置的特征表达
• Activation Function：介绍几种，ReLU、GELU、GLU、Swish、SwiGLU 等掌握几种即可
• Optimizer：基本没人问

BERT：

• 预训练任务：MLM+NSP
• 变种基本没人问了

Decoder-only：泛化性+注意力退化+KV cache+轨迹依赖。

多轮对话训练：损失如何计算，只计算最后一轮回答。

梯度消失（链式法则和激活函数特性）：更换激活函数、归一化、残差、权重初始化。

怎么处理长文本：RoPE+bias+长上下文预训练。

二分类、多分类的损失函数和评估指标：交叉熵，查准、召回、F1。

计网基础：点击 url 到网页渲染过程发生了什么？get post 区别和其他 HTTP 方法？只有抖音二面问到了，一脸懵，给我搞成 web 开发了…

（6）代码题

统计看来动态规划考察最多，绝大多数集中在 Leetcode 中等难度：

• 美团：编辑距离、层次遍历、删除倒数第 n 个节点、平方根
• 快手：最长递增子序列、旋转数组最小值（有无重复）
• 滴滴：最少平方数、最长无重复子串
• 拼多多：最长特殊子序列
• 携程：最长无重复子串
• 阿里云：分词最大概率乘积、层次遍历变种
• 抖音：跳跃一次的最大连续子数组和
• 作业帮：最长 fib 子序列
• 腾讯：中序后序重建二叉树
• 百度：旋转数组查找，两个栈实现队列，最长公共子数组
• 蚂蚁：ip 寻址

最后

对于正在迷茫择业、想转行提升，或是刚入门的程序员、编程小白来说，有一个问题几乎人人都在问：未来10年，什么领域的职业发展潜力最大？

答案只有一个：人工智能（尤其是大模型方向）

当下，人工智能行业正处于爆发式增长期，其中大模型相关岗位更是供不应求，薪资待遇直接拉满——字节跳动作为AI领域的头部玩家，给硕士毕业的优质AI人才（含大模型相关方向）开出的月基础工资高达5万—6万元；即便是非“人才计划”的普通应聘者，月基础工资也能稳定在4万元左右。

再看阿里、腾讯两大互联网大厂，非“人才计划”的AI相关岗位应聘者，月基础工资也约有3万元，远超其他行业同资历岗位的薪资水平，对于程序员、小白来说，无疑是绝佳的转型和提升赛道。


对于想入局大模型、抢占未来10年行业红利的程序员和小白来说，现在正是最好的学习时机：行业缺口大、大厂需求旺、薪资天花板高，只要找准学习方向，稳步提升技能，就能轻松摆脱“低薪困境”，抓住AI时代的职业机遇。

如果你还不知道从何开始，我自己整理一套全网最全最细的大模型零基础教程，我也是一路自学走过来的，很清楚小白前期学习的痛楚，你要是没有方向还没有好的资源，根本学不到东西！

下面是我整理的大模型学习资源，希望能帮到你。

👇👇扫码免费领取全部内容👇👇

1、大模型学习路线

2、从0到进阶大模型学习视频教程

从入门到进阶这里都有，跟着老师学习事半功倍。

3、 入门必看大模型学习书籍&文档.pdf（书面上的技术书籍确实太多了，这些是我精选出来的，还有很多不在图里）

4、AI大模型最新行业报告

2026最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

5、面试试题/经验

【大厂 AI 岗位面经分享（107 道）】

【AI 大模型面试真题（102 道）】

【LLMs 面试真题（97 道）】

6、大模型项目实战&配套源码

适用人群

四阶段学习规划（共90天，可落地执行）

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

• …

  👇👇扫码免费领取全部内容👇👇

3、这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

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】