本文整理了腾讯Agent开发面试中的核心问题及解答，涵盖模型输出失败处理、RAG检索、向量数据库应用、Agent架构设计等关键知识点。文章深入剖析了面试官追问的底层逻辑，并提供了工业界兜底方案。适合准备大模型面试或从事Agent相关项目的开发者学习，助力提升工程化能力和系统设计思维。
一场面试，十几个硬核问题，横跨模型可靠性、RAG检索、工具扩展、代码生成……我把面试官的“灵魂拷问”和我的思考完整拆解给你看。
写在前面
两个月前，我投递了腾讯Agent开发方向。说实话，简历能过筛选已经让我有点意外了。但真正让我头皮发麻的，是接下来的两轮技术面试。
一面问得广，二面挖得深。面试官没有问“什么是Agent”这种入门题，而是直接抛出了生产环境里才会遇到的真实痛点：模型输出失败了怎么办？RAG召回率怎么评估？AI决策冲突了谁说了算？
这篇文章，我把两轮面试的所有问题、我的回答、以及事后复盘到的“更优解”完整整理出来。不管你是准备面试，还是正在做Agent相关的项目，相信都能从中找到共鸣和启发。
第一面：基础纵深，一个都别想蒙混过关
一面面试官很年轻，说话语速快，上来没有寒暄，直接开问。
1. AI Agent项目中，模型输出失败可以分为哪些情况？
我当时把失败分成了三大类：
- 格式失败：模型没有按照约定的JSON或结构化格式返回，比如多了前后缀、少了闭合括号。
- 内容失败：模型输出了“我无法回答这个问题”或者无关内容，甚至直接幻觉编造。
- 调用失败：API超时、限流、服务端5xx错误等基础设施层面的问题。
面试官追问了一句：“还有没有一种失败叫‘逻辑自洽失败’？” 我愣了一下，他解释说：“比如模型输出了一个行动计划，但前后步骤互相矛盾。” 后来我查资料才知道，这在多步推理的Agent中很常见——模型第一步说“先查数据库”，第二步却直接“根据用户输入生成答案”，跳过了查询环节。
复盘建议：除了上面三类，建议补充推理链路断裂和工具调用顺序错误。面试官其实在考察你对Agent执行全流程的认知颗粒度。
2. 如何处理模型输出失败？有哪些策略和工业界兜底方案？
我回答了重试、降级、兜底回复三层策略：
- 重试：指数退避重试，对于格式错误可以用校验+反馈修正（把错误信息塞回prompt让模型自己改）。
- 降级：如果模型持续失败，跳过当前Agent节点，使用默认策略或规则引擎兜底。
- 兜底回复：最终给用户一句“暂时无法处理，已转人工”或保存上下文待后续处理。
面试官点头，然后补了一个工业界常见做法：输出结构化校验层（Pydantic/Schema验证），在模型输出后、业务逻辑前，做一个强校验。如果校验失败，不直接抛错，而是走“修复-重试”闭环。另外，对于关键业务，会做双模型交叉验证——用一个小模型快速验证大模型的输出是否合理。
这个回答让我意识到，生产环境的容错设计远比想象中复杂。
3. RAG检索中，数据如何进行向量索引？
这题相对基础。我讲了从原始文档到向量索引的标准流程：
- 文档解析（PDF/Word/Markdown转纯文本）
- 文本分块（Chunking）
- 调用Embedding模型（如BGE、OpenAI embedding）生成向量
- 存入向量数据库（Milvus、Qdrant、Pinecone等），同时建立倒排索引做关键词检索（混合检索）
- 构建索引参数（HNSW、IVF等算法）
面试官追问了索引构建时的内存和速度权衡，我说了HNSW的参数调优（ef_construction、M值），他基本满意。
4. 文本分块的长度一般是多少？如何权衡？
我回答：常用chunk size在256~1024 tokens之间。权衡点有三个：
- 检索精度：块太小，语义不完整，召回的相关内容可能缺少上下文；块太大，噪声多，且超过Embedding模型的最大长度限制。
- 模型上下文窗口：如果每个chunk太大，塞进LLM时总token数容易超限。
- 语义边界：尽量按段落、标题或句子边界切，而不是硬截断。可以用LangChain的递归字符分割器或者语义分割模型。
面试官追问了一句：“如果文档里有表格和代码块，你怎么办？” 我承认没做特殊处理，他提示说可以单独走表格解析器或代码摘要提取。这块是个加分点，建议大家补充。
5. 为什么使用向量数据库？与MySQL的区别是什么？PostgreSQL对Agent有什么提升？
这个问题有层次：
- 为什么用向量数据库：因为需要做近似最近邻（ANN）搜索，MySQL的B+树索引无法高效处理高维向量的距离计算。向量数据库通过HNSW、IVF等算法，能在亿级数据中实现毫秒级召回。
- 与MySQL的区别：MySQL是精确查询（等值、范围、全文），向量数据库是相似性查询（余弦相似度、欧氏距离）。两者可以共存：MySQL存元数据，向量库存embedding，检索时先向量召回再MySQL过滤。
然后面试官抛出一个新东西：PostgreSQL对Agent有什么提升？我当时只答了pgvector扩展，让PostgreSQL也能存向量，省去维护两个数据库的麻烦。面试官补充说，PostgreSQL的事务特性和行级锁对于Agent的多轮对话状态管理很有价值——多个Agent同时写同一个会话上下文时，能避免脏写。另外，PostgreSQL的JSONB字段可以直接存Agent的tool call记录，查询和回溯都很方便。
这个回答让我发现，向量数据库不是银弹，传统关系型数据库在很多场景下依然不可替代。
6. 如何评估RAG的召回率？常用指标有哪些？
我回答了信息检索领域的标准指标：
- Recall@K：前K个检索结果中包含相关文档的比例。K一般取5或10。
- MRR（Mean Reciprocal Rank）：第一个相关文档的排名的倒数取平均，适合“只要一个正确答案”的场景。
- NDCG（Normalized Discounted Cumulative Gain）：考虑排序位置和相关性等级（比如高度相关、部分相关、不相关），适合有分级标注的场景。
面试官追问：怎么在实际项目中快速标注测试集？我答了两种：一是人工抽样标注，二是用大模型（如GPT-4）自动标注然后人工抽检。他补充说还可以用点击日志作为隐式反馈——用户点开哪个chunk，就认为那个chunk相关。
7. 如何处理大模型输出死循环问题？兜底策略是什么？如何让模型生成更优内容？
死循环在Agent的ReAct模式中非常常见。我的回答：
- 检测：设置最大迭代次数（比如10步），或者检测重复的observation内容（连续两次一样就判定死循环）。
- 兜底：触发最大步数后，强制终止并返回已有结果或提示用户简化问题。
- 优化：在prompt中明确要求“每步必须推进状态，禁止重复相同动作”；另外可以在状态中记录历史动作，让模型知道“我已经做过这些了”。
面试官追加了一个技巧：给模型增加一个“思考是否陷入循环”的元认知步骤——每执行3步后，让模型自己判断“我是不是在原地打转？”如果是，主动换策略。这其实就是Meta-Prompt的一种应用。
8. 如何检测输出重复率？有哪些方法？
我说了两类：
- 字面重复：用n-gram重合度、Jaccard相似度、或者计算连续输出的embedding余弦相似度。设置阈值，超过就认为重复。
- 语义重复：用BERT或RoBERTa做语义相似度判断。
面试官补充了工程上的细节：流式输出时可以做滑动窗口实时检测，一旦发现连续几轮输出相似度过高，提前打断，而不是等完整输出完再后处理。
9. 如何设计Agent架构支持工具可插拔扩展？原理是什么？
这题考察系统设计能力。我的思路：
- 注册中心模式：每个工具实现统一的接口（name、description、input_schema、execute方法），启动时动态扫描并注册到工具管理器。
- 配置文件驱动：用YAML/JSON定义工具列表，Agent根据用户意图从注册表中匹配工具。
- 原理：利用依赖注入和反射/动态加载（Python的importlib或Java的SPI机制）。Agent只依赖工具接口抽象，不依赖具体实现，新增工具时无需修改Agent核心代码。
面试官追问：“如果要支持工具的热加载（不重启服务），怎么做？” 我说可以用插件目录监听（watchdog）或者基于消息队列动态拉取工具定义。他补充说工业界也有用gRPC调用独立工具服务的方式，工具服务可以独立升级。
10. Agent和大模型（LLM）的核心区别是什么？
我的理解：
- LLM：一个静态的文本生成模型，接收输入，输出文本。没有状态记忆（除了上下文窗口），没有行动能力，没有外部交互。
- Agent：以LLM为核心控制器，但拥有记忆、规划、工具使用、反思四大能力。Agent可以调用外部API、检索知识库、执行代码，并根据环境反馈调整下一步行动。
面试官总结了一句很精辟的话：“LLM是大脑，Agent是大脑+手脚+记忆。”
11. MCP（模型上下文协议）解决了什么问题？
MCP是Anthropic提出的开放协议。我说了核心价值：
- 标准化工具接口：以前每个Agent框架（LangChain、Semantic Kernel等）都有自己的工具定义方式，切换框架成本高。MCP定义了统一的tool schema和通信协议。
- 上下文共享：MCP支持在多个Agent之间共享上下文信息（比如用户偏好、会话历史），避免重复传递。
- 服务发现：Agent可以动态发现可用的MCP Server提供的工具。
面试官补充了一个点：MCP其实也解决了安全性问题——工具调用可以通过MCP Server做权限校验和审计日志，而不是让Agent直接持有API密钥。
12. Skills和Function Call的区别是什么？
这个问题我答得不太好，当时只说了表面的区别。回来后查资料：
- Function Call（OpenAI等模型提供的能力）：模型输出一个结构化的函数调用请求（函数名+参数），由外部执行并返回结果。它是一次性的、无状态的。
- Skills（比如AutoGPT的Skills、LangChain的Toolkits）：是一组相关功能的封装，可以包含多个步骤、有状态、甚至可以调用其他Skill。Skills更偏向组合和编排，而Function Call是原子能力。
面试官提醒：Skills通常还包含说明文档和示例，模型可以阅读理解后使用，而Function Call依赖预先定义好的schema。
第二面：项目拷打，场景题一个比一个狠
二面面试官显然看了我的简历，每个问题都贴着我的项目经历问。
1. 实习拷打（略）
这部分主要聊了我之前的实习内容，面试官会不断追问细节，验证项目是否真实做过。建议大家对自己的项目要深挖到每一行代码的决策理由。
2. 你们有没有遇到Agent之间“决策冲突”的情况？比如设计和代码生成不一致，是怎么解决的？
我们项目里有两个Agent：一个负责设计（输出方案），一个负责实现（生成代码）。冲突经常发生——设计Agent说用Redis缓存，代码Agent却直接用数据库查询。
我们的解决方案：
- 共享上下文窗口：代码Agent启动时，先加载设计Agent的输出作为“约束条件”。
- 冲突检测规则：预定义了一些常见的冲突模式（比如缓存方案vs直查数据库），如果检测到冲突，暂停执行，交由一个仲裁Agent判断。
- 最终方案：引入单一事实来源——设计文档经评审后不可变，代码Agent只能遵从，如果确实需要调整，必须走变更流程。
面试官问：“仲裁Agent如果也错了呢？” 我回答可以降级为人工确认。他笑了笑说：“所以最终兜底还是人。”
3. 你们为什么选择“技术方案驱动”，而不是直接让AI从PRD出码？
这是个好问题。我们的理由是：
- PRD（产品需求文档）通常含混，有大量隐含假设和业务约束，直接出码会产出大量幻觉和错误逻辑。
- 技术方案驱动：先让AI根据PRD生成一个技术方案（包含架构、模块划分、数据流、接口定义），人工确认后再生成代码。这样把错误前置，减少后期返工。
- 效果：技术方案阶段的修正成本比代码阶段低一个数量级。
面试官补充说，这其实也是Chain-of-Thought在工程上的体现——强制模型先思考再行动。
4. 你们.catpaw/rules这套知识库，和像OpenClaw这种基于RAG的memory，有什么区别？
我解释了我们的设计：
- .catpaw/rules：是确定性规则库，存储的是“必须遵守的约束”（比如代码规范、API命名约定、数据库设计原则）。它是结构化、版本化的，按路径匹配生效。
- OpenClaw的RAG memory：存储的是非结构化经验（比如历史对话、代码片段、踩坑记录），通过相似性检索召回。
区别：Rules用于“强制约束”，RAG用于“参考建议”。Rules的优先级高于RAG检索结果。
面试官追问：“如果规则和RAG结果冲突呢？” 我们设计的是规则优先——因为规则来自架构师沉淀，代表强制标准；RAG只是参考。
5. 如果知识库内容过多，AI也会有上下文压力，你们是怎么做裁剪或者命中的？
我们用了两阶段检索：
- 粗筛：基于路径和文件名规则，只加载当前任务相关的规则文件（比如修改user模块，只加载user相关的rules）。
- 精剪：对于每个规则文件，按“是否包含当前代码中的关键词”做二次过滤。此外，我们给每条规则加了触发条件字段，AI只在条件满足时才注入该规则。
面试官认可了这个方案，同时建议可以尝试动态重要性评分——让一个轻量模型给每条规则打分，只保留Top-K。
6. 你们有没有做embedding检索？
做了。但不是用于rules（rules是确定性匹配），而是用于历史对话检索和相似代码片段检索。比如用户问“以前有没有遇到过这种bug”，我们用embedding从历史issue库中召回相似案例。
面试官追问：“embedding检索的召回率和精确率大概多少？” 我说没做严格评测，只做了人工抽检。他建议至少要跑一个Recall@10的评测，不然上线后心里没底。
7. 如果知识库里的内容是错的或者过期了，会不会对AI产生误导？你们怎么治理这个问题？
这是个大坑。我们遇到过：规则库里有一条“禁止使用async/await”，但那是两年前的技术决策，后来已经废弃了。AI遵守了这条规则，生成的代码全是回调风格，被Code Review打回。
治理方案：
- 版本标记：每条规则带生效时间范围和版本号，AI在生成代码时会检查规则是否适配当前代码库基线。
- 反馈闭环：当开发者发现AI遵守了错误规则时，可以一键“报告规则错误”，触发规则审核流程。
- 规则保鲜：定期（每月）用大模型自动扫描规则库，标记出可能与当前代码实践不符的规则，人工复核。
面试官补充了一个做法：规则的健康度评分——统计每条规则被AI遵循的次数和被人纠正的次数，得分过低的规则自动降级或删除。
8. 在一个非常大的存量项目里（比如几十万行代码），你们是怎么让AI快速理解项目结构的？
我们做了两件事：
- 项目结构摘要：预先生成一个项目拓扑图（目录树 + 每个模块的核心职责 + 关键入口文件），压缩成几千tokens作为AI的system prompt的一部分。
- 按需加载源码：AI不直接看全部代码，而是先读摘要，确定要修改哪个模块后，再通过工具动态读取该模块的关键文件。
面试官问：“摘要怎么保证不过时？” 我们通过CI流程：每次代码合并后自动重新生成摘要，确保AI永远看到最新的项目结构。
9. 你们现在AI出码留用率是50%+，那剩下50%主要问题出在哪里？
留用率是指：AI生成的代码经过人工审核后，最终合并到主干的占比。我们统计过，剩下50%的问题分布：
- **30%**：逻辑正确但不符合业务隐含约束（比如没考虑某些边界条件）
- **20%**：使用了已废弃的API或过时的写法
- **15%**：性能问题（比如N+1查询、没有加索引）
- **15%**：代码风格不一致（虽然我们做了规则约束，但仍有漏网）
- **20%**：完全错误的幻觉代码（比如调用了不存在的函数）
面试官追问：“这50%里有多少可以通过改进提示词解决，多少需要改系统设计？” 我说大概一半一半，有些问题是prompt可以优化的（比如明确边界条件），但像API废弃这种需要实时知识库配合。
10. 在复杂业务场景下，AI出码质量下降，你觉得是什么问题？
我总结了三个根因：
- 上下文窗口不足：复杂业务往往涉及多个模块，单个对话的上下文塞不下全部信息，AI只能看到局部，做出的决策就是局部最优但全局错误。
- 推理深度不够：模型在复杂逻辑链上容易“短路”，比如需要5步推理，模型只做了3步就给出答案。
- 缺乏反事实思考：AI很少主动问“如果这个条件不满足会怎样？”，所以边界条件处理得差。
面试官补充了一个观点：模型的能力边界——有些复杂场景可能已经超出了当前模型的能力上限，这时候不应该硬推AI出码，而是让人工介入。
11. AI有没有出现过“看起来对，但其实逻辑是错的”这种情况？
太多例子了。我举了一个经典案例：AI写了一个函数判断用户是否有权限，代码跑起来完全正常，但逻辑是“只要用户不是admin就拒绝”，而产品需求是“admin和owner都有权限”。因为测试用例只测了admin和普通用户，没测owner，所以测试全过。上线后owner角色无法使用，紧急回滚。
面试官说这就是测试用例覆盖不全和AI缺乏深层语义理解的结合问题。我们的改进措施：要求AI生成代码的同时，必须生成一个“逻辑验证清单”，列出所有可能的角色和预期结果，人工快速验证。
12. 你们有没有做过代码diff级别的控制，比如限制AI修改范围？
做过。我们在工具层实现了一个修改范围沙箱：
- AI在生成代码前，必须先声明“我打算修改哪些文件的哪些行范围”。
- 系统校验这个范围是否超出权限（比如不允许修改核心框架文件）。
- 生成代码后，再次校验实际diff是否在声明的范围内。超出范围的部分自动丢弃并告警。
这个设计防止了AI“好心办坏事”——有时候AI会顺手改掉看似无关但实际关键的代码。
面试官问：“如果AI需要修改的文件不在声明范围内怎么办？” 那就走一个“扩展申请”流程，AI需要重新声明理由，通过后才能执行。
13. 你们基于Playwright做自动化测试，那测试用例是怎么保证覆盖率的？有没有评估指标？
我们做了：
- 覆盖率指标：行覆盖率、分支覆盖率、关键路径覆盖率（人工定义的核心业务流程）。
- 用例生成：让AI根据PRD和代码变更自动生成测试用例，然后人工筛选。
- 变异测试：用工具自动修改代码（比如把
>改成<），看测试用例能否发现。如果发现不了，说明测试用例质量不足。
面试官最后点评：“你们在工程化上想得比较深了，但AI出码留用率50%还有很大提升空间，建议把错误分类做更细的统计，然后逐个击破。”
写在最后：这些面试题背后的“潜台词”
两轮面试下来，我发现腾讯的面试官并不是在考“背答案”，而是在考察你有没有真正趟过生产环境的坑。
一面更多是基础能力检验，但每个问题都可以往深处挖——比如模型输出失败，不是简单说“重试”，而是要想到校验层、降级策略、双模型验证。
二面则完全围绕你实际做过的项目展开，每一个追问都在探测你的问题边界：你知道为什么这么做吗？遇到极端情况怎么办？数据说话了吗？
如果你也在准备Agent方向的面试，我建议你：
- 手写一个简单的Agent框架，哪怕只有几百行代码，你会对工具调用、记忆、规划有完全不同的理解。
- 多踩坑，多记录。把每次模型幻觉、死循环、决策冲突的案例整理成自己的“错题本”。
- 关注工程落地，而不仅仅是模型效果。面试官非常看重RAG的评测、知识库治理、代码diff控制这些“脏活累活”。
最后
2026年技术圈的分化愈发明显：降薪裁员潮持续蔓延，传统开发、测试等岗位大批缩水，不少从业者陷入职业焦虑；与之形成鲜明对比的是，AI大模型相关岗位迎来疯狂扩招，薪资逆势飙升150%，大厂更是直接开出70-100W年薪，疯抢具备实战能力的大模型人才，甚至放宽年龄限制，只求能快速落地技术、创造价值！
很多程序员、职场新人纷纷入局大模型领域，绝非盲目跟风，而是实实在在看到了不可替代的价值优势，这也是2026年最值得抓住的职业风口：
1、窗口期红利，入门门槛友好：不同于成熟赛道的“内卷式招聘”，2026年大模型人才缺口巨大，简历只要达标（掌握基础AI应用+具备简单项目经验），年龄、学历均非硬性要求，小白可快速入门，转行程序员也能无缝衔接；
2、技术可复用，上手速度翻倍：如果你有前后端开发、测试、数据分析等基础，在大模型落地、系统部署、Prompt工程等环节会更具优势，无需从零开始，复用原有技术能力就能快速进阶；
3、懂业务更吃香，竞争力翻倍：单纯懂技术已不够，2026年大厂更看重“技术+业务”的复合型人才，有垂直领域（金融、医疗、工业等）经验者，能精准定位模型落地痛点，薪资比纯技术岗高出30%以上；
更重要的是，即便没有转型需求，用AI大模型工具为工作赋能、提升效率，也已经成为80%企业的硬性要求——不会用大模型提效，未来很可能被行业淘汰！
那么2026年，小白/程序员该如何高效学习大模型？
很多人想入门大模型，却陷入两大困境：要么到处搜集零散资料，不成体系，越学越懵；要么被收费高昂的课程割韭菜，花了钱却学不到实战技能，白白浪费时间走弯路。
今天就给大家精心整理了一份2026年最新、免费、系统化的AI大模型学习资源包，覆盖从零基础入门到商业实战、从理论沉淀到面试通关的全流程，所有资料均已整理归档，无需拼凑，直接领取就能上手学习，小白可照做，程序员可进阶！
👇👇扫码免费领取全部内容👇👇
1、大模型系统化学习路线
这份学习路线结合2026年行业趋势和新手学习规律，由行业专家精心设计，从零基础到精通，每一步都有明确指引，帮你节省80%的无效学习时间，少走弯路、高效进阶，避免踩坑。
2、从0到进阶大模型学习视频教程
从入门到进阶这里都有，跟着老师学习事半功倍。
3、大模型学习书籍&电子文档
涵盖2026年最新技术要点，包括基础入门、Transformer核心原理、Prompt工程、RAG实战、模型微调与部署等内容
4、AI大模型最新行业报告
报告包含腾讯、阿里、甲子光年等权威机构发布的核心内容，还有2026年中文大模型基准测评报告、AI Agent行业研究报告等，帮你站在行业前沿，把握技术风口。
5、大模型项目实战&配套源码
项目包含Deepseek R1、GPT项目、MCP项目、RAG实战等热门方向，还有视频配套代码，手把手教你从0到1完成项目开发，既能练手提升技术，又能丰富简历，为求职和职业发展加分。
6、2026大模型大厂面试真题
2026年大模型面试已全面升级，不再单纯考察基础原理，而是转向侧重技术落地和业务结合的综合考察，很多程序员和新手因为缺乏针对性准备，明明技术不错，却在面试中失利。
适用人群
四阶段学习规划（共90天，可落地执行）
第一阶段（10天）：初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段（30天）：高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示（Embeddings）
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段（30天）：模型训练
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段（20天）：商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。
硬件选型
带你了解全球大模型
使用国产大模型服务
搭建 OpenAI 代理
热身：基于阿里云 PAI 部署 Stable Diffusion
在本地计算机运行大模型
大模型的私有化部署
基于 vLLM 部署大模型
案例：如何优雅地在阿里云私有部署开源大模型
部署一套开源 LLM 项目
内容安全
互联网信息服务算法备案
…
👇👇扫码免费领取全部内容👇👇
7、这些资料真的有用吗？
这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。
资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。
这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】