第 15 题：LoRA（Low-Rank Adaptation）的数学原理 题目 解释 LoRA（Low-Rank Adaptation）微调的数学原理。 一、动机 全量微调大模型要更新全部参数，显存与算力成本高。LoRA 假设预训练权重在适应新任务时，有效更新是低秩的，因此只学习一个低秩增量，与原权重相加得到适应后的权重，从而大幅减少可训练参数与显存。 二、数学形式 设某层线性变换为 ，。LoRA 不直接改 ，而是增加低秩分解的增量：  其中 ，， 为秩。前向时：   训练：只训练 、， 冻结；参数量从  变为 。 推理：可把  算好存成一张矩阵，等价于单层线性，无额外延迟；或保留  分开算...

哪里可以改改吗？是哪里出了问题😭

哎，不知道要什么简历才能得到一个面试😭

网上流传的 Agent 学习路线，大多数都错了——不是内容错，是顺序错。 几乎所有路线都从"学框架"开始：LangChain → LangGraph → AutoGen → 整个 demo。结果学了一堆 API，搭出来的东西一遇到真实场景就崩。你根本不知道它为什么崩，也不知道怎么让它不崩。 正确的顺序应该反过来：先搞懂 Agent 在工程上会坏在哪里，再去学怎么用框架把这些坑填上。 第一阶段：底层机制（3-5 天，绝不要跳） 1. Function Calling / Tool Use 怎么工作 LLM 不是真的在"调用"工具，它只是根据你给的 sche...