面试官：Langchain是什么？与Agent区别

● 自我介绍● 了解 DeepSeek-R1 吗？介绍一下？● R1 的 MLA 是如何实现 KV-Cache 的节约● R1 在 SFT 时冷启动的目的● 位置编码是什么？解释 ROPE？● 一个 14B 的模型，推理和训练要多少缓存● 显存的占用和哪些因素有关● 大模型灾难性遗忘是什么？如何解决？● BF16、FP16、FP32 对比？● Adam、AdamW 原理● deepspeed 的三个阶段● 自我介绍● 手写 Self-Attention 公式，解释 Q/K/V 的作用● 位置编码有哪些实现方式？相对位置编码相比绝对位置编码的优势？● LayerNorm 和 BatchNorm 的区别？为什么 Transformer 用 LayerNorm？● 多头注意力的本质是什么？头数如何影响模型性能● 大模型训练中的显存瓶颈如何解决？● LoRA/Adapter/P-Tunning 的区别？如何选择微调方法？● 解释 PLHF 流程，客服场景如何应用？● 大模型灾难性遗忘的原因和缓解方法？● 如何实现混合精度训练（AMP）？遇到 NaN 怎么处理？● Deeppspeed 的 ZeRO 阶段 1 2 3 分别优化了什么？● 解释梯度累计的原理和实现代码？26届校招华为AI岗位内推："AI算法工程师""大模型应用工程师""AI数据工程工程师""AI安全工程师"“AI软件开发工程师”岗位多多，欢迎私聊，或者**************

✅ 大模型应用开发岗的技术栈=后端开发技术栈+AI落地相关技术栈。🌟后端技术栈后端技术栈已经有很多公开透明的学习路径这里就不展开来阐述了，无非就是编程语言基础、数据库（Mysql，Redis）、中间件等内容。🌟 AI应用相关技术栈AI应用相关技术栈需要考虑具体落地场景，大模型应用的落地目前主要有两个方向，一个是RAG，一个是Agent。1️⃣ Rag(检索增强生成)先看概览课，再看优化课，这里推荐langchain官方课程。并没有写详细的技术栈，是因为不建议单独的学每一个模块。而是先学整体应用，再去看每一个具体的技术栈实现。先会用，再研究。其实rag整个应用涉及到的技术栈基本有：开发框架（langchain，llamaIndex等），Embedding模型，大模型API，向量数据库（faiss，weaviate等），排序模型，prompts优化等，其中涉及到模型的不需要进入研究，了解大概特性既可，模型底层是算法岗职责。2️⃣ Agent(智能体)注意观看运行公开课，加深理解。基本技术栈也是开发框架（langchain，llamaindex，autogpt等），数据库（这里有向量数据库，有普通的关系型数据库和缓存数据库），function call（或者新出的mcp），prompts优化等。📳对于想求职算法岗的同学，如果想参加高质量项目辅导，提升面试能力，欢迎后台联系。

其实我就是不想学八股不想学算法，不想再在Java赛道卷，想要知道能不能转个赛道轻松点😋不知道有无前辈或同样的牛友提供点建议。我实习的岗位是ai全栈工程师(最近是搭建知识库，智能体，前面是Python后端开发)已经4个月了，之前一直学的Java(学的有点混乱了)，再想秋招要不要all in ai应用开发岗😂ps:虽然我实习是做这个但是ai应用开发的也是有点一知半解，总体来说后端开发掌握更多一点

本人也是美美入职培训了 培训期间公司效率工程部给展示了目前ai对测试这行业的颠覆 并且表示目前已经在公司两个部门开始应用了😤以后测试可能就只需要做需求分析测试设计和编写用例了 其他工作都可以给ai来做并且表明开发是给公司赚钱的 测试只是成本 公司不需要测试 这个我还算认同吧只是不知道自己以后该何去何从了 测试感觉过不几年就要被基本取代了🤔 已经不是一个好的出路了😭😭