后端转型大模型应用开发如何走

家人们！最近在琢磨大模型应用开发岗的项目准备，初步定了两个方向 ：做一个完整的 RAG 项目（检索增强生成），从向量数据库搭建，知识库的构建、工具的调用，到检索逻辑优化，全流程走一遍，重点体现对知识问答场景的落地能力～ 搞一个模型微调 + 部署的项目，选个具体任务（比如特定领域的文本分类 / 命名实体识别），用 LoRA 之类的方法做微调，再部署成 API 服务，配上简单的调用界面，把 “调参 + 工程化” 能力亮出来这两个项目覆盖了大模型应用的核心环节，既有算法落地又有工程实现，感觉能体现岗位所需的核心技能？有没有同行姐妹 / 兄弟给点建议呀～ 或者还有哪些项目方向值得补充？

timeline:8.12 投递8.12 一面 当场过8.15 二面8.18 周一上午 口头oc8.19 offer 邮件以下为面经：8.12一面：聊天 5 min问项目 35 min简历是 12306 + 一个自己搓的 ai 应用项目主要问的问题：12306：1.为什么用责任链模式，有哪些好处, 项目中有没有其他的设计模式？2.mysql 有那些索引？你觉得 innodb 索引为什么用 b+树 而不是红黑树，其他的引擎的索引有了解吗？ 举一个你项目中遇到的使用组合索引的例子，为什么选择这些字段？建立索引的时候选取字段有哪些要注意的？3.消息幂等组件库怎么做的？ 为什么用消息队列？ 除了 rocketmq 其他的有了解吗 ？ 现在有这么一个场景，你刚才讲的本地消息表的 消息 是存在 redis 的， 如果突发流量打垮服务器怎么办，说一个你认为的优化方案？ai 项目：1.为什么做这个项目？你考虑的点在哪里？对自己使用的技术怎么样去了解的，比如向量数据库等（这里自己提的）2.RAG 流程3.embedding 之前的向量化怎么做的有没有了解？项目里面openai 的这个模型的向量化怎么做的（后面这个自己补充的）八股： jvm 的逻辑分区了解过吗？经历过怎么样的变化？g1 和 cms 的区别 ？ 堆区详细的划分知道吗？手撕： 二叉树层序遍历 10 min最后直接和我说过了，让我等二面或者直接入职（问 leader 有无二面）8.15二面：（无手撕）12306 ： 1.雪花算法技术原理，整体优势，解决了什么问题，比如数据库取 id 的哪些问题，展开讲。2.美团的 leaf 原理，为什么做双 buffer，什么好处 ？（这里自己提了一嘴）3. 布隆过滤器原理，问还有什么过滤器，答 计数布隆过滤器 和 布谷鸟过滤器(这里讲的比较久，所以没问 12306 了)ai 项目： 1.知识库检索原理（rag 流程），检索返回设置 topk  ，向量检索相似性算法2. langchain 框架的架构、整体设计是什么样的？3. mcp 是什么？ 原理，组件 host client server4.  开发过 mcp server 吗，开发的 mcp server是用来做什么的 ， 三种传输方式 stdio ，streamable  http ， sse 了解过吗5. 为什么对 qwen2.5 做模型微调，怎么考虑的，语料怎么选择的，gpu 显卡的情况.反问：1.做什么业务2.作为面试官更看重求职者的那些特点，（说是知识扎实 和 对于新技术的快速掌握）8.18  隔了周末之后周一上午 口头 oc8.19  邮件 offer总结：强度一般，问题中规中矩。

卷啊卷卷到外婆桥卷到白了少年头卷到少年跳了楼卷到30岁失业卷到65再退休这是内卷的春天这是躺平的冬天

刚刚约面电话打来才发现我做的不是大后端笔试卷吗？？