前言

本人最近开始面试AI方面的求职者，具体的要求是，要用过LLM和Agent，当然最好再用过Rag，关键是要有真实项目的经验。

本人结合最近的工作经验和面试官的相关经验，先说如下的观点。

1 当下确实有不少系统教程和视频讲如何跑通一个LLM，甚至还包含Agent和Rag，或者有些是基于低代码的coze之类的框架，这些案例和技术入门不难，但不足以让求职者找到AI的工作。

2 要证明自己有AI方面的项目乃至架构经验，在之前零基础的情况下依然可以做到，但不能仅证明自己调用接口，也不必要证明熟悉LLM底层（如transformer模型）方面的算法和细节，而是第一要讲清楚相关语法细节，第二要有优化模型产出准确率的经验。

当然这些话要说在前面，如果零Python基础，直接上手要准备AI方面的LLM和Agent经验，这很难，基本上是，还是需要先了解下AI Agent相关概念，（这不难，大概1,2天就能做好），同时在自己的电脑上跑通LLM相关案例。

同时，要用真实的场景来驱动，比如想象一个场景，某项目要回答生产或销售方面的问题，只是产生结果这仅是第一步，之后要通过调整Rag参数，用训练集评估模型，来优化模型，再进一步还要部署和上线模型。

以下是具体的做法。

1 从调用API，进阶到理解LLM模型的工作流程和能力边界。

这个阶段，不能再把LLM当黑盒，不能因调通API实现功能就浅尝则之。当然也不必要去了解底层transformer模型的数学原理和细节，但需要了解和调优和提升正确性的必要参数。

比如是把文字转成机器能理解的向量过程，即向量化或Embedding ，如何通过余弦相似度来对比信息相似度。

在Rag层面，需要在调用API的基础上，理解Rag不仅是知识库，而要理解如何解决Rag幻觉，再进一步，要知道如何用Rag从海量信息中找到上下文的技巧，比如知识搜索和信息分块。同时，再去看下ReAct模式如何实现思考+搜索信息库的流程。

这块的实践技巧是，比直接调用LangChain提供的接口，可以自己用sentence-transformers库进行加文档切块，再把生成的向量存到Faiss等本地向量库。

针对用户的提问，可以手写一套代码来检索向量库，把得到的结果整合提示词（prompt），再调用OpenAI的接口生成返回结果。

做好这点以后，你甚至都能知道这块面试官会问什么，会从哪些点来确认相关技能的真实经验。而且你由于踩过些必要的坑，哪怕之前零项目经验，也都能说些解决问题的细节，比如基于Rag的检索结果和问题不匹配该从哪些方面去调优。

这样一来，再包装个项目经验公司经历，至少能证明自己用过LLM,Rag和Agent。

2 继续细化真实的场景，围绕细节准备优化和解决问题的说辞。

如果能做到第一点，一般能证明自己具有真实AI Agent的经验，如果连第一点都做不到，仅是跑通项目，那对不起了，估计甚至连调用接口的经验也未必能证明。

但为了进一步去挑战高级Agent方面的岗位，甚至是架构级别的岗位，或许更要结合场景。比如你之前简历写的是一个科技公司，这个科技公司为某大公司或政府平台，做了个智能财务（或税务）分析系统。

结合这个场景，可以准备或实践如下方面的问题。

2.1 这个系统会收到不少pdf或其它格式的财报或其它类文件，你说在这个项目里，你搭建的Agent是能解析这些文档，回答一些问题。

比如可以回答，根据税务法，根据A公司的各种财务数据，该缴纳多少税，报税单该如何填写和生成。

2.2 围绕这些问题，你所做的Agent就需要处理多模态数据，比如用OCR解析文档里的图片或发票，或直接解析pdf里的格式。

这时你就要手动写一些数据清洗和补全的规则。或者是在Rag优化层面，就不能用简单的检索方式，或许更要用到Multi-Query Retriever（多查询检索）和知识图谱。

而且LLM模型本身仅限于是文字方面的工作，一些数学计算方面的事情还得自己做，比如此时就要用到Function Calling，具体是，自己需要定义些数据统计和数据分析的方法。

这个过程中可能会遇到的问题是，LLM模型为什么没有按逻辑代码所定义的那样调用期望的工具方法，或者是要自己实现ReAct来定义和管理复杂的执行流程。这些说起来或许很玄乎，但做一次后应该都能清楚，知道能知道该怎么说。

2.3 最后还需要量化评估所生成模型的准确性。

简单的方法可以是搭建评估集，即找50份真实文档，然后根据财务方面的知识，设计出100个左右的问题，就去看回答正确性。

或者用Ragas等工具，确认回答相关性等指标。此时就会发现第一个版本所设计出来的模型需要改进的点太多，比如Rag的搜索方法不对，甚至是评估集不行导致过拟合。

2.4 体现在面试层面，哪怕你没有真实经验，但就在自己电脑上跑通并简单调优后，至少能给出如下的说明点。

比如解析PDF和多模态时你遇到的问题以及解决方法，或者是不同Rag策略的量化和评估过程。总之可以围绕一个点，你是如何把这套基于Agent系统的准确率，从50%提升到80%。

这样不仅能证明你真做过Agent项目，而且还能证明你解决实际问题，有调优经验。这样的求职者，如果有本科学历的话，放现在应该可以拿到3万月薪。

3 更要围绕上线和落地，补全学习项目的短板。

说实话，如果没参与过真实项目，凭学习项目，很难说清楚模型上线的方式和流程，但这块并不是无法弥补。相关做法是，就去看网上人家怎么做的。

比如是如何用云或各种工具部署模型，部署后，向量数据库放哪里，如何开放接口让人家调用。

再进一步，比如LLM的调用是按token收费的，你可以准备下如何优化成本的说辞，比如缓存策略，或者是从业务角度如何优化Agent的调用链路。

或者是如何用微调后的本地模型来替代对于OpenAI的调用，以及如何优化提示词（prompt）的结构来优化token成本。

再进一步，可以通过引入LangSmith和wandb 等监控工具，追踪每一次调用的Prompt、中间各环节以及token的消耗位置，这样不仅在出问题后能定位问题所在，比如能定位是检索失效还是工具调用有问题，而且还能制定优化的策略。

最后本人想说的是，一般如果在面试时，围绕以上的三个方向，从“实现功能”，“优化准确性”和“部署和监控”三个方面讲技术和流程，基本上能证明自己的相关经验。

这部分需要说的话不多，基本上面试官能用20分钟的时间能确认求职者的真实能力，再啰嗦一下，其关键点是，结合业务，围绕优化（功能和性能方面的优化），再结合技术讲细节。但如果单纯讲功能实现，很难证明自己做过真实项目。

最后

为了助力朋友们跳槽面试、升职加薪、职业困境，提高自己的技术，本文给大家整了一套涵盖AI大模型所有技术栈的快速学习方法和笔记。目前已经收到了七八个网友的反馈，说是面试问到了很多这里面的知识点。

由于文章篇幅有限，不能将全部的面试题+答案解析展示出来，有需要完整面试题资料的朋友，可以扫描下方二维码免费领取哦！！！ 👇👇👇👇

面试题展示

1、请解释一下BERT模型的原理和应用场景。

答案：BERT（Bidirectional Encoder Representations from Transformers）是一种预训练的语言模型，通过双向Transformer编码器来学习文本的表示。它在自然语言处理任务中取得了很好的效果，如文本分类、命名实体识别等。

2、什么是序列到序列模型（Seq2Seq），并举例说明其在自然语言处理中的应用。

答案：Seq2Seq模型是一种将一个序列映射到另一个序列的模型，常用于机器翻译、对话生成等任务。例如，将英文句子翻译成法文句子。

3、请解释一下Transformer模型的原理和优势。

答案：Transformer是一种基于自注意力机制的模型，用于处理序列数据。它的优势在于能够并行计算，减少了训练时间，并且在很多自然语言处理任务中表现出色。

4、什么是注意力机制（Attention Mechanism），并举例说明其在深度学习中的应用。

答案：注意力机制是一种机制，用于给予模型对不同部分输入的不同权重。在深度学习中，注意力机制常用于提升模型在处理长序列数据时的性能，如机器翻译、文本摘要等任务。

5、请解释一下卷积神经网络（CNN）在计算机视觉中的应用，并说明其优势。

答案：CNN是一种专门用于处理图像数据的神经网络结构，通过卷积层和池化层提取图像特征。它在计算机视觉任务中广泛应用，如图像分类、目标检测等，并且具有参数共享和平移不变性等优势。

6、请解释一下生成对抗网络（GAN）的原理和应用。

答案：GAN是一种由生成器和判别器组成的对抗性网络结构，用于生成逼真的数据样本。它在图像生成、图像修复等任务中取得了很好的效果。

7、请解释一下强化学习（Reinforcement Learning）的原理和应用。

答案：强化学习是一种通过与环境交互学习最优策略的机器学习方法。它在游戏领域、机器人控制等领域有广泛的应用。

8、请解释一下自监督学习（Self-Supervised Learning）的原理和优势。

答案：自监督学习是一种无需人工标注标签的学习方法，通过模型自动生成标签进行训练。它在数据标注困难的情况下有很大的优势。

9、解释一下迁移学习（Transfer Learning）的原理和应用。

答案：迁移学习是一种将在一个任务上学到的知识迁移到另一个任务上的学习方法。它在数据稀缺或新任务数据量较小时有很好的效果。

10、请解释一下模型蒸馏（Model Distillation）的原理和应用。

答案：模型蒸馏是一种通过训练一个小模型来近似一个大模型的方法。它可以减少模型的计算和存储开销，并在移动端部署时有很大的优势。

11、请解释一下LSTM（Long Short-Term Memory）模型的原理和应用场景。

答案：LSTM是一种特殊的循环神经网络结构，用于处理序列数据。它通过门控单元来学习长期依赖关系，常用于语言建模、时间序列预测等任务。

12、请解释一下BERT模型的原理和应用场景。

答案：BERT（Bidirectional Encoder Representations from Transformers）是一种预训练的语言模型，通过双向Transformer编码器来学习文本的表示。它在自然语言处理任务中取得了很好的效果，如文本分类、命名实体识别等。

13、什么是注意力机制（Attention Mechanism），并举例说明其在深度学习中的应用。

答案：注意力机制是一种机制，用于给予模型对不同部分输入的不同权重。在深度学习中，注意力机制常用于提升模型在处理长序列数据时的性能，如机器翻译、文本摘要等任务。

14、请解释一下生成对抗网络（GAN）的原理和应用。

答案：GAN是一种由生成器和判别器组成的对抗性网络结构，用于生成逼真的数据样本。它在图像生成、图像修复等任务中取得了很好的效果。

15、请解释一下卷积神经网络（CNN）在计算机视觉中的应用，并说明其优势。

答案：CNN是一种专门用于处理图像数据的神经网络结构，通过卷积层和池化层提取图像特征。它在计算机视觉任务中广泛应用，如图像分类、目标检测等，并且具有参数共享和平移不变性等优势。

16、请解释一下强化学习（Reinforcement Learning）的原理和应用。

答案：强化学习是一种通过与环境交互学习最优策略的机器学习方法。它在游戏领域、机器人控制等领域有广泛的应用。

17、请解释一下自监督学习（Self-Supervised Learning）的原理和优势。

答案：自监督学习是一种无需人工标注标签的学习方法，通过模型自动生成标签进行训练。它在数据标注困难的情况下有很大的优势。

18、请解释一下迁移学习（Transfer Learning）的原理和应用。

答案：迁移学习是一种将在一个任务上学到的知识迁移到另一个任务上的学习方法。它在数据稀缺或新任务数据量较小时有很好的效果。

19、请解释一下模型蒸馏（Model Distillation）的原理和应用。

答案：模型蒸馏是一种通过训练一个小模型来近似一个大模型的方法。它可以减少模型的计算和存储开销，并在移动端部署时有很大的优势。

20、请解释一下BERT中的Masked Language Model（MLM）任务及其作用。

答案：MLM是BERT预训练任务之一，通过在输入文本中随机mask掉一部分词汇，让模型预测这些被mask掉的词汇。

由于文章篇幅有限，不能将全部的面试题+答案解析展示出来，有需要完整面试题资料的朋友，可以扫描下方二维码免费领取哦！！！ 👇👇👇👇