一、大模型应用基础

核心目标：建立对大模型的工程认知，了解边界和使用成本

1、基本原理（懂原理就行，不用会推导）

• Transformer 架构、Attention 机制、位置编码：理解 Attention 是 O(n²) 复杂度，是长上下文又慢又贵的原因，位置编码决定了模型的外推能力，是超长上下文效果会明显退化的原因
• Scaling Law：解释了"大力出奇迹"的由来，对应用开发者是背景知识，知道是什么就可以

2、API 接口（需要动手实践）

• 消息格式：System、User、Assistant 三种角色的分工

• 多轮对话：本质是无状态的，每次请求都要把完整历史带上

• 流式输出协议：SSE

• 影响输出随机性的采样参数：Temperature、Top_p

• 稳定的提示词前缀可以被缓存复用，省 token、降延迟的有效手段

3、上下文 Context

• 常见模型的窗口大小、超窗口后的截断策略

• Lost in the middle：塞在上下文中间的信息容易被模型忽略

• 长上下文对延迟和成本的实际影响

4、局限性

• 依赖训练数据、有知识截止时间、会幻觉、看不到私域知识、更新知识困难、训练成本高

5、通用模型 vs 推理模型

• 推理模型：把"思考过程"内化了，用更高的延迟和 token 换更强的推理、规划能力

• 模型选择：简单抽取、改写、分类用通用模型，复杂推理、多步规划上推理模型

6、多模态模型

• 了解图文、音视频输入的基本能力边界

二、提示词工程

=======

核心目标：稳定且可控地完成任务

1、设计要素

• 任务目标、上下文、角色、受众、样例、输出格式

2、构建技巧

• 思维链、Few-shot、自我验证、格式化输出，用推理模型时，手动写 CoT 的收益大幅下降甚至有害，模型自己会拆解步骤，硬塞一套思考流程反而是限制它，CoT 主要是给通用模型用的

3、System Prompt 设计

• 角色、约束、输出规范这类稳定的东西放 system prompt，动态输入放 user prompt中

4、结构化输出

可靠的 JSON，用 Function Calling、JSON mode、约束解码

5、Meta Prompting

用大模型来优化提示词：基于参考答案做自动化评测，把"调 prompt"变成能迭代的工程

6、提示词结构化

用结构化模板写复杂指令，可维护、可复用、稳定性更高

7、防注入

• 关键词过滤、安全护栏、指令边界设计、该拒答时拒答，用户输入永远当不可信数据处理

补充：真正落地时，关键提示词往往需要和领域、业务专家一起打磨，他们知道什么是对的输出，你知道怎么让模型稳定产出，需要配合

三、检索增强生成（RAG）

=============

核心目标：给模型接上私域知识和实时信息，降低幻觉，企业里最容易落地的场景

1、完整流程

建立索引：文档解析、文本切片、向量化、索引存储

检索生成：知识检索、答案生成、引用溯源

2、向量检索原理

Embedding 的文本向量化机制、相似度计算（余弦相似度、点积）

3、向量数据库选型

• FAISS（轻量、适合原型和中小规模）

• Milvus（生产级）

• Elasticsearch（已有 ES 技术栈、要做混合检索时直接使用）

4、混合检索

向量检索（语义）+ BM25（关键词）融合，纯向量对专有名词、编号、代码这类需要精确匹配的东西经常召不回，需要补充 BM25

5、常见优化方法

• 知识治理、Query 改写、多路召回（HyDE 假设文档、多角度改写）、切片策略优化、引入 Rerank 重排、元数据过滤

• Contextual Retrieval：切片前先给每个 chunk 补一段所属上下文再做向量化，能显著降低"切碎后丢失语境导致召不回"的问题

• Agentic RAG：把检索做成 Agent 能反复调用的工具，让模型自己决定检索几次、检索什么、要不要换个 query 再来一次，这是 RAG 和 Agent 的交汇点，也是当前把复杂问答做扎实的主流方向

6、自动化评测

• Ragas、TruLens 等框架，核心指标：忠实度、答案相关性、上下文召回率，召回和生成分开看，先确认召回到了正确的内容，再评估生成质量

7、多模态 RAG

图文混合知识库下，图像、表格的索引与检索方法

8、GraphRAG

基于知识图谱做实体关联增强检索，适合多跳、复杂关系推理的场景

四、Agent 智能体应用

=============

核心目标：从调一次大模型，进化到"让模型自己规划、调工具、把任务干完"

1、基础架构

规划、感知、执行、记忆（短期记忆、长期记忆）四个组件怎么协作

2、工具调用

• Function Calling 的工作原理

• 工具设计原则：描述写清楚、粒度切合适、错误信息要可读（模型靠错误信息自我纠正）

• MCP 协议、A2A 协议、Skills 各自解决什么问题

3、工作流 vs 自主规划

能用固定工作流解决的，不要上自主 Agent，因为自主性越高，越难调试、越贵、越不可控，理解什么时候用编排好的工作流、什么时候让大模型自己规划

4、常见设计模式

• 单 Agent：ReAct 循环、Plan-and-Execute
• 多 Agent：串行、并行、主从、分层

5、原型构建能力

任务分解、角色划分的思路，能基于成熟框架搭出业务 Agent 原型

6、上下文工程（Context Engineering）

Agent 出问题，大部分原因是上下文没管好，每一步往窗口里塞什么：历史怎么压缩、记忆怎么取回、工具返回结果怎么裁剪、无关信息怎么剔除

7、记忆系统

短期记忆（当前对话）、长期记忆（持久化存储 + 按需检索），别把所有东西都堆进上下文，该外置的外置、用到再取

8、工程可靠性设计

任务中断恢复、幂等性设计、循环检测、超时与降级处理，Agent 本质上还是个分布式服务，该有的容错一样不能少

9、评测与迭代

任务完成率、工具调用准确率等指标，Agent 评测比单轮问答难，因为完成任务的路径不唯一，要区分轨迹评测（过程对不对）和结果评测（最终对不对），两者都要看

五、大模型应用工程实践

===========

核心目标：把 Agent 原型变成高并发、安全、可上线的线上服务

1、主流 Agent 开发框架

LangChain、LangGraph、Spring AI 的架构和组件，按场景和团队技术栈选型

2、可观测性

LangSmith、LangFuse 等平台：能追踪每一步的输入输出、token 消耗、延迟

3、内容安全与合规

安全护栏，敏感问题拒答或转人工，防止违法违规、歧视偏见、隐私泄露、幻觉信息输出，硬约束，这是上线的前提

4、监控与治理

审计日志、用户问答记录、异常告警

理解数据飞轮，根据线上真实数据怎么优化prompt、知识库和评测集

5、成本与性能优化

QPS 限流与多级队列、语义缓存、Prompt 压缩、Prompt 缓存（稳定前缀复用）、Context 截断、降级策略

6、应用安全

身份鉴权、网络隔离、密钥管理、最小权限原则

六、大模型微调原理

=========

核心目标：对 Agent 开发工程师，这部分不需要自己动手训，理解原理、能判断"要不要微调"就够了

1、训练原理：预训练和微调的区别

2、机器学习、深度学习、神经网络之间的层次关系

3、核心概念：模型参数（权重）、损失函数、知识蒸馏

4、梯度下降算法：训练超参的作用（batch size、learning rate、eval steps、epoch）

5、全参微调 vs 高效微调：Prompt Tuning、LoRA / QLoRA 的适用场景和资源消耗差异

6、模型对齐：RLHF（人类反馈强化学习）与 DPO（直接偏好优化）的基本思想

7、常用评测指标：分类任务（Accuracy / F1）、文本生成（BLEU / ROUGE）、推理能力基准（HumanEval / MMLU）

我是 AgentGuide，大厂在职资深开发，后端转 AI Agent 开发。

持续分享 Agent / 大模型应用的优质面试题和答案解析。

如果你也在准备 AI 应用开发、大模型工程相关面试，可以继续关注后续系列。

推荐阅读：

一篇文章讲清楚 AI Agent 的核心概念：从 Token、Skill、RAG 到 MCP、SDD 和 Harness 工程

字节面试官：别再直接让 AI写代码了，去学习一下 SDD 规格驱动开发

面试官问：什么是 Harness 工程？可以这样回答

面试官问：Agent 怎么评测？别再只答“看准确率”了

字节面试官：不用看复杂公式，能把大模型训练原理讲清楚吗？一文通俗易懂讲清大模型训练原理

字节面试官：大模型预训练和微调的区别是什么？

字节面试官：你的Agent系统里面Skill是怎么编写的？如何保证高质量的Skill？

字节面试官：Agent的记忆系统是什么？短期和长期记忆方案怎么设计？

字节面试官：混合专家模式（MOA）是什么？为什么MOA能够提升效果？

字节面试官：Token到底是什么？有哪些分词算法？一篇文章讲清！

字节面试官：RAG系统怎么进行效果调优？一文讲清评价指标到优化方式！

字节面试官：如何评估RAG系统？你项目有哪些测评指标？

字节面试官：ReAct的工作原理是什么？

面试官：什么是Multi-Agent，有哪些工作模式？

面试官：Skills是什么？讲一讲它的工作原理

面试官：什么是RAG？为什么大模型要先“查资料”，再回答问题？

面试官：你项目里面的提示词工程是怎么做的？

字节面试官：你是怎么理解MCP协议的？

面试官：Agent的本质是什么？一文讲透！

大厂Agent开发工程师亲测：从入门到胜任高级岗，核心技术学习路线

内容无AI创作、润色

这里给大家精心整理了一份全面的AI大模型学习资源，包括：AI大模型全套学习路线图（从入门到实战）、精品AI大模型学习书籍手册、视频教程、实战学习、面试题等，资料免费分享！

👇👇扫码免费领取全部内容👇👇

1. 成长路线图&学习规划

要学习一门新的技术，作为新手一定要先学习成长路线图，方向不对，努力白费。

这里，我们为新手和想要进一步提升的专业人士准备了一份详细的学习成长路线图和规划。可以说是最科学最系统的学习成长路线。

2. 大模型经典PDF书籍

书籍和学习文档资料是学习大模型过程中必不可少的，我们精选了一系列深入探讨大模型技术的书籍和学习文档，它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。（书籍含电子版PDF）

3. 大模型视频教程

对于很多自学或者没有基础的同学来说，书籍这些纯文字类的学习教材会觉得比较晦涩难以理解，因此，我们提供了丰富的大模型视频教程，以动态、形象的方式展示技术概念，帮助你更快、更轻松地掌握核心知识。

4. 2026行业报告

行业分析主要包括对不同行业的现状、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. 大模型项目实战

学以致用 ，当你的理论知识积累到一定程度，就需要通过项目实战，在实际操作中检验和巩固你所学到的知识，同时为你找工作和职业发展打下坚实的基础。

6. 大模型面试题

面试不仅是技术的较量，更需要充分的准备。

在你已经掌握了大模型技术之后，就需要开始准备面试，我们将提供精心整理的大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

7. 资料领取：全套内容免费抱走，学 AI 不用再找第二份

不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：

👇👇扫码免费领取全部内容👇👇