大模型应用开发教程

有没有 uu 说一下大模型应用开发是投后端岗位还是算法岗位呢

写在最前面，首先感谢各位驻足观看，我受宠若惊，一共赚了三包薯片了，这期呢还是讲讲最近的去向，还有大伙比较关心的实习工作怎么样，好不好找工作，有好些人私信我，这里一块讲一下。第一个问题，大模型好不好找工作？还是那句话，看你喜欢做什么，大模型应用agent开发是蛮好找的，大模型底层算法调优蒸馏做小模型也好找（不过有点吃学历这个很多只要硕士），大模型做论文复现，写量化这种（很吃学历和paper，一篇还不够，要高端的paper，ccf-a这种算差不多）。在5月2号我做完第一份简历，5月6号收到第一份offer，5月11号去北京时候我已经手握6家offer了，有初创，有小厂，有远程，有大厂，最后我选择了...

想知道各位牛友如何看现在市场上的传统后端开发和“llm应用开发”呢，因为llm应用开发其实市场上做的工作内容参差挺大的，我大致分了几类供参考，如有不对，轻喷1.第一种最接近后端，调大模型api，然后还是搞后端那一套，无奈很多公司喜欢打着这个噱头，其实跟后端无异。2.做agent，核心工作就是prompt，rag，用低代码平台搭工作流、智能体这种，这种去了感觉失业得最快。3.搞微调，这种门槛也不是很高，但比第二种好多了，涉及模型微调、指标评估、造数据啥的。4.预训练，这种都是算法招进去的，门槛有点高，感觉危机感没那么高，虽然说也是搞数据清洗的多。5.模型压缩、推理加速啥的，这种偏底层 门槛也很高，个人感觉很好，就是要求高。大概这五种，依次从后端到算法，市面上很多名字，大模型/ai/ai agent应用开发太多了，但工作的内容差别超大。如果说涉及到的主要工作就是洗数据、造指标、微调、prompt、rag之类的或者再加一点agent，那感觉护城河似乎没那么高，甚至感觉可能还比不过java(说法可能有些绝对)，总结来说就是感觉危机感很重，想知道大伙是怎么看的，作为在校生该如何做选择呢？

LORA 原理：解释 LORA(Low-RankAdaptation)的核心思想，如何通过低秩矩阵实现参数高效微调?数学形式如何表达?Self-Attention机制：自注意力机制中 O/K/ 矩阵的作用是什么?如何通过缩放点积计算注意力权重?公式推导并解释Softmax 的意义。位置编码：Transformer为何需要位置编码?主流 LLM(如 LLaMA、GPT)使用哪种位置编码(如 ROPE)?相比绝对/相对位置编码有何优势?Seq2Seg 模型：Seq2Seq模型的核心组件是什么?Encoder-Decoder结构如何解决长程依赖问题?RAG技术：RAG(检索增强生成)的完整链路包含哪...