一面：自我介绍skills和mcp的区别介绍A2A协议，主要是用在哪些场景 有没有实际应用过代码分析agent是做什么需求的，这种分析是文件粒度还是行粒度 agent进行代码检索是如何实现的，比如提到了某些功能或者是某些报错堆栈，agent是如何查找到的，没有具体行数的话是如何检索呢对RAG了解多少 做知识检索是用哪些方式做检索的 用了哪些中间件 了解过哪些做向量检索的数据库对大数据这边的组件有没有了解线程跟协程的区别描述一下什么是工厂模式操作系统的内核态和用户态都是什么，有什么区别什么是零拷贝 c++里面有哪些封装的接口是零拷贝的简单说一下常用的网络协议，http和rpc的区别，rpc的优势...

作为一名正在摸索入行的 AI 应用工程师新人，我把近期收集的资料做了一次系统梳理，聚焦岗位核心能力，把从大模型应用开发、模型调优到工程化部署的全链路技术栈拆解开。一方面给自己定一个清晰的学习方向，避免在海量知识点里越学越乱；另一方面也分享给同样在入门的牛友，一起参考、一起进步。一、核心应用技术1. 提示工程 Prompt Engineering需要熟练掌握角色设定、思维链 CoT、零样本 / 少样本学习、格式约束、抗幻觉等通用技巧；针对 GPT-4o、LLaMA 3、Qwen、Claude 等不同模型做提示词适配，根据问答、摘要、翻译、代码生成等任务做针对性优化。实战上要能搭建可复用的提示词模板库，支持参数化调用和效果评估，解决模型输出不稳定、格式乱、语义跑偏等问题。2. 检索增强生成 RAGRAG 是解决大模型幻觉、落地知识密集型场景的关键，要求能完整搭建一套端到端系统。核心流程包括：文档处理：多格式加载（PDF/Word/TXT/ 网页）、多种文本切分策略向量工程：嵌入模型选型、向量生成与效率优化检索优化：向量检索、混合检索、重排序，提升召回与准确率生成优化：上下文压缩、查询改写、检索结果融合进阶方向可以了解模块化 RAG、GraphRAG、知识库增量更新等方案。3. LLM Agent 开发基于 LangChain /llamaIndex 搭建 Agent，掌握任务拆解、工具调用、结果整合、记忆管理的完整流程；能自定义工具（API、数据库、计算器、外部服务等），设计调用逻辑与失败重试机制。实战要求实现多工具协同、长短记忆管理，能处理数据分析 + 报告生成、多轮复杂问答等场景。二、模型调优与后训练1. 监督微调 SFT能完整设计 SFT 流程：数据集构建与清洗、模型选型、学习率等超参调优；熟练使用 LoRA / QLoRA 轻量化微调，基于 PEFT 库在普通显卡上完成训练，控制显存和成本。最终要能在分类、对话、意图识别等任务上落地微调，并输出对比评估结果。2. 强化学习与偏好对齐了解 RLHF、DPO 的基本思路，能用 TRL 等开源库做简单的偏好对齐训练，减少模型幻觉、违规输出，让生成内容更贴合业务规则。3. 模型压缩与推理优化掌握 INT4/INT8 量化、剪枝、知识蒸馏，用 BitsAndBytes、GPTQ 等工具在可控效果损失下压缩模型；能将模型转为 ONNX / TensorRT，支持本地与边缘部署，提升推理速度。三、工具与框架体系语言与基础：Python、Pandas、Numpy 数据处理深度学习框架：PyTorch、TensorFlow，Hugging Face 全套生态应用开发框架：LangChain、llamaIndexAPI 服务：FastAPI、Flask 封装接口，对接 OpenAI、智谱、通义千问等商用 API四、数据存储与检索结构化存储：MySQL/PostgreSQL 存用户、配置、日志缓存：Redis 做缓存、会话管理、降低重复调用成本搜索引擎：Elasticsearch 做关键词检索向量库：FAISS、Milvus 搭建向量知识库，支撑高并发 RAG 检索五、工程化部署与监控Docker 容器化打包，docker-compose 多组件部署日志与监控：ELK、Prometheus + Grafana 监控接口、推理性能、资源占用安全合规：密钥加密、权限控制、数据脱敏，满足企业安全要求六、前沿技术与行业认知持续关注 LLaMA 3、Qwen、Mistral 等开源模型迭代，以及 LangChain 等工具更新；了解多模态、智能体进化、Modular RAG、知识图谱融合等方向；结合企业服务、智能制造、智能客服等落地案例，学会把技术和业务场景结合，给出可落地方案。

先给大家一个核心结论：2026年的AI行业，已经从“造模型”的上半场，进入了“用模型”的下半场。企业缺的不再是能训练大模型的算法科学家，缺的是能把AI落地到业务里、解决实际问题的人。入门AI，选对方向，比盲目努力重要100倍。下面我把当前主流的AI方向，分成技术线和非技术线两大类，逐一拆解。一、技术线方向：适合有开发基础、想深耕技术的人群1. 大模型研发/算法工程师核心门槛：极高。985/211硕士以上学历是标配，要求扎实的线性代数、概率论、统计学功底，精通Transformer架构、分布式训练框架（DeepSpeed/Megatron-LM），有预训练、SFT、RLHF的实战经验，顶会论文是...