先说下我的经历，有6年大厂算法工程师的经验，2022年前主要做CV和NLP;2023年全面转向大模型方向。平均:每年负责三个大模型相关项目，也参与组内其他项目。

无论是作为面试官还是候选人，这前前后后的经历我都积累了不少。今天纯粹是个人经验分享，没有任何广，可能带有我的个人视角，大家批判参考就好。

我的目标很明确:告诉你最少、最必要、能让你真正干起来的知识是什么。现在网上的教程和文章很多，内容很全，但往往列出一个长长的清单，容易让人无从下手甚至焦虑。

我想帮你聚焦在那些绕不开、面试必问、实际干活必需的核心点上。如果你想系统地、学术化地打基础，我的方法可能显得太功利;但如果你想快速摸到门槛，知道劲该往哪里使，那今天的内容就是为你准备的。

我把这些必须掌握的知识分成五大块:数学基础、深度学;习基础、大模型核心、计算机基础、数据工程。其中最重要、最急迫的是第三块一一大模型核心知识，这也是和过去AI工程师区别最大的地方。

第一，大模型核心，重中之重是Transformer

你必须彻底理解这个架构。我强烈建议你动手。学会怎么用自己电脑的CPU，去调试一个迷你版的大模型。真:正动手“跑”一遍，看着数据怎么流动、参数怎么更新，比你读十篇教程都管用。

它内部的数学核心，尤其是自注意力机制，你必须搞懂:它的计算过程和为什么它如此强大。

Transformer主要衍生出两个方向:以BERT为代表的Encoder-only架构，和以GPT系列为代表的Decoder-only架构。当前行业的主流是Decoder-Only，你需要重点理解它如何通过“掩码”实现单向生成。

最近两年，大家都可以看到AI的发展有多快，我国超10亿参数的大模型，在短短一年之内，已经超过了100个，现在还在不断的发掘中，时代在瞬息万变，我们又为何不给自己多一个选择，多一个出路，多一个可能呢？

与其在传统行业里停滞不前，不如尝试一下新兴行业，而AI大模型恰恰是这两年的大风口，整体AI领域2025年预计缺口1000万人，其中算法、工程应用类人才需求最为紧迫！

学习AI大模型是一项系统工程，需要时间和持续的努力。但随着技术的发展和在线资源的丰富，零基础的小白也有很好的机会逐步学习和掌握。【点击蓝字获取】

【2026最新】AI大模型全套学习籽料（可白嫖）：LLM面试题+AI大模型学习路线+大模型PDF书籍+640套AI大模型报告等等，从入门到进阶再到精通，超全面存下吧！

除了架构本身，还要理解位置编码和词嵌入这些基础组件是干什么的，它们是怎么让模型理解顺序和语义的。

工具生态上，HuggingFace和它的Transformers库是你未来最亲密的工具，尤其是Huggingface，所有一流的开源的数据集和模型都会放在上面。必须玩熟。这就像Python程序员要熟悉pip一样，它是获取开源模型、数据集和工具链的第一站，你要熟练掌握如何搜索、加载、使用和贡献。

在技术流程上，预训练和指令微调的原理要清楚。实话实说，很多人(包括我)都没机会参与从头预训练一个千亿参数模型的项目，这需要巨大的资源。但微调是你几乎:必然要接触的。

有哪些主流微调方法(全参数、LoRA、QLoRA等)?它们各自适用什么场景?这些面试120%会问。同时，混合精度训练和DeepSpeed这类框架的基本思想也要懂，它们是为了解决大模型训练中显存不足和速度慢的核心技术。

与训练紧密相关的还有显存与规模估算。这是非常实在的工程能力。给你一个几B参数的模型，你大概要估算需:要多少显存，怎么设置batch_size，要不要用梯度累积，大概需要几张卡才跑得起来。

面试官很喜欢问这类:问题，比如“训练一个13B的模型，在A100上大概要怎么配置?”这背后涉及到你对模型参数量、激活值、优化器

状态的内存占用，以及数据并行、张量并行等基础分布。式的理解。对齐技术方面，你不用去啃强化学习教材，但必须知道DPO、PPO这些方法是怎么被应用到大模型“对齐”上的，核心思想是什么。最好能亲手跑过一个简单的对齐代码项目，了解整个流程。

推理阶段，KVCache和模型量化是当前加速推理、降低部署成本的核心手段，你得明白它们解决了什么问题，以及大概是怎么实现的。评估和测评同样关键。模型训好了，怎么向老板或团队证明它有效?你需要知道常见的评估指标。

在文本生成任务中，ROUGE、BLEU这些自动指标虽然不完美，但依然是主流汇报依据。而对于模型本身的困惑度PPL，则是内部评估语言建模能力的重要标:准。理解这些指标的含义和局限，是必备技能。

对于分类任务，召回率、精确率、准确率、混淆矩阵无比重要。对于检测任务，MAP系列是基础中的基础。

RAG是解决模型知识幻觉和私有化问题的关键应用范:式，在应用中很重要，必须掌握一两个最基本的RAG方法。

第二，深度学习基础

梯度下降及其变种是训练的基石。损失函数是模型的“指挥棒”，你得理解交叉熵、均方误差这些常见损失函数，以及它们如何引导模型学习。

Dropout、层归一化、残差连接、各种优化器、学习率调度这些经典概念也必须牢牢掌握，它们是构建和稳定深度网络的工具箱。卷积神经网络的基础也要了解，因为在多模态模型中，处理图像的部分其骨干网络可能还是CNN的变体或受其启发。

至于RNN和LSTM，我的建议是，你不必再花大量时间深究其代码实现和复杂公式，但一定要了解其基本思想和工作机制。因为面试中一个非常经典的问题是:“为什么:Transformer能几乎取代RNN?”

这时候，如果你能从并行计算能力和长程依赖建模这两个根本痛点出发，对比解释Transformer的优势，会显得你的理解非常深刻。了解旧技术，是为了更懂新技术的革命性。

传统机器学习，比如支持向量机、线性/逻辑回归，在我的大模型研发项目里确实没有直接用过，面试中也极少被问到。

但这很可能是一种幸存者偏差。如果你时间极度紧张，急于入门，可以先跳过它们的实现细节;但我强烈建议你在之后，抽空了解一下支持向量机这类经典算法的核心思想(比如“最大间隔”)，这对你形成完整的机器学习直觉非常有好处。

第三，数学基础:

我默认你大学里学过微积分、线性代数、概率论，并且考试通过了。但“学过”和“在AI中能用”是两码事，你必须重新激活并熟练运用以下核心:

线性代数:重点是矩阵乘法、转置、求逆等运算，以及张量的概念。我们的模型参数、输入数据、中间激活值全都是张量，这是所有计算的载体。概率论:这是我认为最重要的数学分支。

条件概率、贝叶斯定理、常见概率分布(如正态分布)，这些思想在理解模型的不确定性、生成过程、损失函数设计时无处不在。微积分:核心是求导和链式法则。这是梯度下降和反向传播的理论根基，是所有模型赖以训练和优化的基础。

第四，计算机与工程基础:

四件套:Python、PyTorch、Git、Linux。_Linux是模型训练和部署的主流环境，基本的文件操作、进程管理、环境配置命令必须熟练。

CUDA和显卡的基础知识也要了解，起码要知道你的代码是怎么在GPU上加速的，如何监控GPU利用率和显存使用，这是效率分析和问题排查的前提。

第五，数据工程

还有一个极其重要但常被新手忽视的方面:数据工程。在实际项目中，你可能要花50%甚至更多的时间在和数据:打交道:高质量的训练数据从哪里来?怎么清洗和过滤低质文本?如何对海量数据进行高效去重?

构造指令对时，指令和回复怎么配比效果更好?这部分经验非常依赖实践，是最难通过理论课教授的，往往需要在真实工作中:踩坑积累。但你必须意识到它的重要性，它直接决定了模型性能的上限。

补充:关于读论文

面对层出不穷的新论文，不必每篇都逐字精读，可以善用大模型帮你总结摘要和核心贡献，保持对领域动向的敏感，在需要时再深入阅读原文。

补充:关于Agent

Agent(智能体)，在我个人的定位里，它们更偏向“大模型应用工程师”的核心技能，和我聚焦的“大模型算法工程师”侧重点有区别:

算法工程师(我聚焦的):更偏向“炼模型”。核心是怎么训练/微调/对齐一个更好的模型基座，研究的是模型本身的能力边界、ScalingLaw、高效训练和底层优化。这是所有上层应用的地基。

应用/Agent工程师:更偏向 “用模型”。核心是怎么基于现有模型基座(比如调用API或开源模型)，结合外部工具(搜索、代码、APl)和知识(RAG)，构建出能自动完成复杂:任务的智能体系统。这是在地基上盖高楼。

当然，这个界限正在模糊。优秀的算法工程师必须懂应用方向(否则不知道优化目标)，优秀的应用工程师也必须懂算法基础(否则不会调优模型)

总结一下，最少必要的知识就是:吃透Transformer，玩转PyTorch和HuggingFace生态，搞懂微调/对齐/评估的完整流程，掌握显存估算和数据工程意识，激活核心数学，熟练Python+Linux四件套。

另外，作为过来人我深知在这个转行过程中的迷茫，刚开始我也不知道从何开始，都是靠自己一步步摸爬滚打出来的。今天写这一篇文章也是想感慨一下自己的来时路，同时呢，也给天南地北的朋友们指条明路，让大家可以少走弯路，也趁着今天有空，我把我当时学大模型的一些学习路线、笔记素材、视频教程等资源都上传到我的网盘了，如果你现在还没有一个清晰的规划，可以参考一下我的。

最近两年，大家都可以看到AI的发展有多快，我国超10亿参数的大模型，在短短一年之内，已经超过了100个，现在还在不断的发掘中，时代在瞬息万变，我们又为何不给自己多一个选择，多一个出路，多一个可能呢？

与其在传统行业里停滞不前，不如尝试一下新兴行业，而AI大模型恰恰是这两年的大风口，整体AI领域2025年预计缺口1000万人，其中算法、工程应用类人才需求最为紧迫！

学习AI大模型是一项系统工程，需要时间和持续的努力。但随着技术的发展和在线资源的丰富，零基础的小白也有很好的机会逐步学习和掌握。【点击蓝字获取】

【2026最新】AI大模型全套学习籽料（可白嫖）：LLM面试题+AI大模型学习路线+大模型PDF书籍+640套AI大模型报告等等，从入门到进阶再到精通，超全面存下吧！