三亩地 三亩地SAN MU DI · CODE DIARY
交流投稿
ARTICLE DETAIL

日记详情

真实记录编程学习的某一天，欢迎挑你感兴趣的翻一翻。

首页/学习日记/日记详情

AI大模型岗位面试攻略：Agent、RAG与LangChain实战解析

发布时间：2026/8/8 4:52:43 三亩地 编程学习日记
AI大模型岗位面试攻略：Agent、RAG与LangChain实战解析

1. 背景与核心概念：为什么大模型岗位面试需要系统化准备？

最近两年，AI大模型技术从实验室走向产业界，催生了大量新的技术岗位。无论是校招还是社招，面试官考察的维度已从传统的机器学习算法，扩展到对大模型应用架构、工程实践和前沿趋势的深度理解。许多同学在准备时感到迷茫：知识点零散，网上资料要么过于理论，要么是零碎的代码片段，缺乏从知识到项目再到面试的闭环路径。

本文旨在为你提供一份面向2026年及以后的AI大模型岗位系统性面试攻略。我们不会空谈概念，而是聚焦于当前企业招聘中最核心的技术栈：Agent（智能体）、RAG（检索增强生成）、LangChain/LangGraph框架、模型微调以及相关的算法基础。同时，我们将打通“技术学习-项目实战-简历包装-岗位投递”的全流程，让你不仅能回答面试题，更能展示出解决真实问题的工程能力。

本文适合的读者：

  • 希望进入大模型应用开发、算法工程、AIGC产品研发等领域的应届生或初级开发者。
  • 有一定Python和机器学习基础，希望向LLM方向转型的工程师。
  • 正在准备大模型相关岗位面试，需要梳理知识体系和实战经验的求职者。

学完本文，你将能系统掌握大模型应用的核心技术模块，构建起属于自己的实战项目，并了解如何将这些经历有效地呈现在简历和面试中。

2. 核心知识体系与面试题精析

大模型面试通常分为几个层次：基础概念、框架应用、原理深度和系统设计。下面我们逐一拆解。

2.1 Agent（智能体）：从概念到架构

是什么？Agent是一个能够感知环境、进行决策并执行行动以实现目标的系统。在大模型语境下，通常指基于LLM的智能体，它利用LLM作为“大脑”进行推理和规划，并可以调用工具（如搜索API、计算器、代码执行器）来完成任务。

为什么重要？Agent是实现复杂、多步骤任务自动化的关键。面试官会考察你是否理解其与简单提示工程的区别，以及如何设计一个健壮的Agent系统。

常见面试题与解答思路：

  1. Q： Agent的基本组成部分是什么？

    • A：通常包括：规划器（Planner）：分解任务、制定计划；工具（Tools）：Agent可调用的函数或API；记忆（Memory）：存储对话历史、工具执行结果等；执行器（Executor）：协调规划、调用工具并处理结果。核心LLM作为控制器驱动整个流程。

  2. Q： ReAct（Reasoning + Acting）框架的核心思想是什么？请用伪代码表示。

    • A：ReAct框架让Agent交替进行“思考”和“行动”。思考步骤让LLM推理下一步该做什么，行动步骤则调用具体工具。
    # 伪代码示例 observation = “用户问题：今天北京天气如何？” for step in range(max_steps): # 思考：LLM生成推理和下一步行动指令 thought, action = llm(f”Observation: {observation}\nThought: ”) if action == “FINISH”: break # 行动：调用对应工具 tool_name, tool_input = parse_action(action) observation = execute_tool(tool_name, tool_input) final_answer = llm(f”Based on all observations, the answer is: ”)
    • 考察点：对Agent推理循环的理解，以及如何将自然语言指令转化为可执行的动作。

  3. Q： 如何解决Agent在复杂任务中的规划幻觉（Plan Hallucination）问题？

    • A：可以从多角度缓解：a. 思维链（CoT）提示：要求模型“逐步思考”；b. 子目标验证：将大任务分解为可验证的子任务；c. 外部验证器：使用一个独立的模型或规则检查每一步计划的合理性；d. 人类反馈循环：在关键决策点引入人工确认。

2.2 RAG（检索增强生成）：提升模型知识准确性的利器

是什么？RAG通过从外部知识库中检索相关文档片段，并将其作为上下文与用户问题一同输入给LLM，从而生成更准确、更可信的答案。它解决了大模型“幻觉”和知识截止问题。

为什么重要？这是当前落地最广泛的技术之一。面试必考，且常要求手撕流程或优化方案。

常见面试题与解答思路：

  1. Q： 简述RAG的工作流程，并指出其中的关键组件。

    • A：流程分为索引和检索生成两阶段。
      • 索引阶段：文档加载 -> 文本分割（Chunking）-> 向量化（Embedding）-> 存入向量数据库。
      • 检索生成阶段：用户查询 -> 查询向量化 -> 在向量库中检索Top-K相关片段 -> 将“查询+检索片段”组合成提示词 -> LLM生成最终答案。
    • 关键组件：文本分割器、嵌入模型、向量数据库、重排序器（可选）。

  2. Q： 文本分块（Chunking）有哪些策略？如何选择？

    • A：固定大小分块：简单，但可能割裂语义。滑动窗口分块：重叠部分可保持上下文连贯。基于语义分块：利用句号、标题等自然边界，效果较好但实现复杂。递归分块：尝试用不同分隔符递归分割，直到块大小合适。
    • 选择策略：根据文档类型决定。法律合同适合语义分块，技术手册可用递归分块，通用文本可先尝试固定大小+重叠。

  3. Q： 如何评估和优化一个RAG系统？

    • A：评估指标：检索相关性（如Hit Rate, MRR）、答案忠实度（Faithfulness，答案是否源于检索内容）、答案相关性（Answer Relevance）。
    • 优化方向：
      • 检索侧：优化分块策略、尝试不同嵌入模型、引入重排序（Reranker）模型、实现混合检索（向量+关键词）。
      • 生成侧：优化提示词工程、让LLM引用检索片段中的出处、对多个检索结果进行摘要或融合。

2.3 LangChain & LangGraph：大模型应用的开发框架

是什么？LangChain是一个用于开发基于LLM应用的框架，提供了链（Chain）、代理（Agent）、记忆（Memory）等高级抽象。LangGraph是建立在LangChain之上的库，用于构建有状态、多参与者的Agent工作流，其核心是图（Graph）计算模型。

为什么重要？它们是大模型应用开发的事实标准工具。掌握其核心概念和API是工程能力的体现。

常见面试题与解答思路：

  1. Q： LangChain中的Chain和Agent有什么区别？

    • A：Chain是预定义、确定性的调用序列（如：检索->提示->LLM->输出解析）。Agent则引入了不确定性，由LLM根据当前状态动态决定下一步调用哪个工具，更适合开放域任务。简单说，Chain是固定流程，Agent是动态规划。

  2. Q： 使用LangChain构建一个简单的RAG Chain，包含哪些步骤？

    • A：这是一个典型的代码实践题。
    from langchain_community.document_loaders import TextLoader from langchain_text_splitters import RecursiveCharacterTextSplitter from langchain_openai import OpenAIEmbeddings, ChatOpenAI from langchain_community.vectorstores import Chroma from langchain.chains import RetrievalQA # 1. 加载与分割文档 loader = TextLoader(“state_of_the_union.txt”) documents = loader.load() text_splitter = RecursiveCharacterTextSplitter(chunk_size=1000, chunk_overlap=200) texts = text_splitter.split_documents(documents) # 2. 创建向量存储 embeddings = OpenAIEmbeddings() vectorstore = Chroma.from_documents(documents=texts, embedding=embeddings) # 3. 创建检索器 retriever = vectorstore.as_retriever(search_kwargs={“k”: 4}) # 4. 创建LLM llm = ChatOpenAI(model=“gpt-3.5-turbo”, temperature=0) # 5. 创建RAG Chain qa_chain = RetrievalQA.from_chain_type( llm=llm, chain_type=“stuff”, # 还有 `map_reduce`, `refine`, `map_rerank` retriever=retriever, return_source_documents=True ) # 6. 提问 result = qa_chain.invoke({“query”: “总统提到了哪些关键政策？”}) print(result[“result”])
    • 考察点：对LangChain组件（Loader, Splitter, Vectorstore, Chain）的熟悉程度及实际编码能力。

  3. Q： LangGraph相对于LangChain的Agent有什么优势？

    • A：LangGraph将工作流明确定义为图（Graph），其中节点是函数或LLM调用，边是条件转移。优势包括：a. 状态管理：显式地管理和控制复杂状态（State）。b. 循环与分支：原生支持循环、条件分支，更容易实现多轮对话和纠错。c. 可视化与调试：图结构易于可视化，调试复杂Agent逻辑更直观。d. 多参与者：方便建模多个Agent协作的场景。

2.4 模型微调（Fine-Tuning）：让大模型更懂你的业务

是什么？在预训练大模型的基础上，使用特定领域的数据进行继续训练，使模型适应下游任务。

为什么重要？当提示工程（Prompt Engineering）和RAG无法满足特定任务需求（如风格迁移、复杂指令遵循）时，微调是必要手段。面试官会考察你对微调策略、成本和数据准备的认知。

常见面试题与解答思路：

  1. Q： 全参数微调、LoRA、QLoRA有什么区别？如何选择？

    • A：
      • 全参数微调：更新模型所有参数，效果最好，但计算和存储成本极高。
      • LoRA：在原始权重旁添加低秩适配器（Adapter），只训练这些新增的小参数。大幅降低显存，效果接近全参数微调。
      • QLoRA：在LoRA基础上，对原始模型权重进行4-bit量化，进一步降低显存需求，使得在单张消费级显卡上微调大模型成为可能。
    • 选择策略：资源充足且追求极致效果用全参数；资源有限且需要效果好用LoRA；资源极度紧张（如单卡24G）用QLoRA。

  2. Q： 构建一个高质量的微调数据集需要注意什么？

    • A：数据质量：清洗噪音，保证正确性。数据格式：通常为指令-输入-输出（Instruction-Input-Output）格式。数据多样性：覆盖任务的各种场景和表达方式。数据规模：根据任务复杂度，从几百到几万条不等。评估集：必须划分独立的评估集来衡量泛化能力。

  3. Q： 微调后模型出现“灾难性遗忘”怎么办？

    • A：混合数据：在微调数据中混入一部分通用任务数据（如Alpaca格式数据）。调整学习率：使用较小的学习率。正则化：使用权重衰减等正则化技术。仅微调部分层：例如，只微调最后几层Transformer块。使用Adapter方法：如LoRA，本身就能较好地保留原始知识。

2.5 算法与基础理论

这部分考察你的基本功，通常不会问得特别深，但核心概念必须清晰。

常见面试题与解答思路：

  1. Q： Transformer架构的核心组件是什么？自注意力机制如何计算？

    • A：核心组件：自注意力层、前馈神经网络层、残差连接和层归一化。
    • 自注意力计算：对于输入序列X，计算Query(Q)、Key(K)、Value(V)矩阵：Q = XW_Q, K = XW_K, V = XW_V。注意力分数 = Softmax(QK^T / sqrt(d_k))，输出 = 注意力分数 * V。核心是让每个位置都能关注到序列中所有位置的信息。

  2. Q： 什么是梯度消失和梯度爆炸？在Transformer中如何缓解的？

    • A：在深层网络中，梯度在反向传播时可能指数级减小（消失）或增大（爆炸），导致训练不稳定。
    • Transformer中的缓解措施：a. 残差连接：将输入直接加到输出上，让梯度可以直接回流。b. 层归一化：规范化每层的激活值，稳定训练。c. 注意力中的缩放因子：sqrt(d_k)用于防止点积结果过大导致Softmax梯度饱和。

  3. Q： 大模型训练中的并行策略有哪些？

    • A：数据并行：模型复制到多卡，每卡处理不同数据批次，同步梯度。模型并行：将模型的不同层分布到不同设备上。流水线并行：将模型按层切分到多设备，像一个流水线，不同设备同时处理不同微批次的数据。张量并行：将单个层的矩阵运算（如FFN层）拆分到多卡上。现代框架（如Megatron-LM, DeepSpeed）通常组合使用这些策略。

3. 从零构建实战项目：智能研报分析助手

理论学习必须结合实战。我们设计一个综合性的项目：智能研报分析助手。这个项目将串联起RAG、Agent、LangChain/LangGraph等多个核心模块。

项目目标：上传一份券商行业研报PDF，助手可以回答关于该研报的细节问题，并能自动生成摘要、提炼核心观点和投资建议。

3.1 技术选型与环境准备

  • Python版本：>= 3.9
  • 核心库：
    • langchain&langchain-community：应用框架
    • langchain-openai：OpenAI模型集成（也可替换为langchain_anthropic,langchain_google_genai）
    • langgraph：构建工作流
    • chromadb或faiss-cpu：轻量级向量数据库
    • pypdf或pymupdf：PDF解析
    • sentence-transformers：本地嵌入模型（可选，替代OpenAI Embeddings）
    • openai：调用GPT API
  • IDE：VSCode 或 PyCharm。
  • API Key：准备OpenAI或其它LLM服务商的API Key。

环境搭建命令：

# 创建虚拟环境（可选） python -m venv llm-env source llm-env/bin/activate # Linux/Mac # llm-env\Scripts\activate # Windows # 安装核心依赖 pip install langchain langchain-community langchain-openai langgraph chromadb pypdf pip install sentence-transformers # 如需本地嵌入模型 pip install openai # 如需直接调用API

3.2 项目结构与核心代码实现

创建项目目录如下：

smart_research_assistant/ ├── app.py # 主应用入口 ├── core/ │ ├── __init__.py │ ├── document_processor.py # 文档加载与处理 │ ├── vector_store.py # 向量库管理 │ └── agents.py # 智能体定义 ├── data/ # 存放上传的PDF文件 ├── storage/ # 存放Chroma向量数据库 └── requirements.txt

1. 文档处理模块 (core/document_processor.py)

from langchain_community.document_loaders import PyPDFLoader from langchain_text_splitters import RecursiveCharacterTextSplitter from langchain.schema import Document from typing import List import os class DocumentProcessor: def __init__(self, chunk_size=1000, chunk_overlap=200): self.text_splitter = RecursiveCharacterTextSplitter( chunk_size=chunk_size, chunk_overlap=chunk_overlap, length_function=len, separators=["\n\n", "\n", "。", "！", "？", "；", "，", "、", " "] ) def load_and_split(self, file_path: str) -> List[Document]: """加载PDF文件并分割为文本块""" if not os.path.exists(file_path): raise FileNotFoundError(f"文件 {file_path} 不存在") loader = PyPDFLoader(file_path) documents = loader.load() # 为每个文档块添加元数据，如来源页码 for i, doc in enumerate(documents): doc.metadata["source"] = file_path doc.metadata["chunk_id"] = i # 分割文本 split_docs = self.text_splitter.split_documents(documents) print(f"已加载 {len(documents)} 页，分割为 {len(split_docs)} 个文本块。") return split_docs

2. 向量库管理模块 (core/vector_store.py)

from langchain_openai import OpenAIEmbeddings from langchain_community.vectorstores import Chroma from langchain.schema import Document from typing import List import os class VectorStoreManager: def __init__(self, persist_directory: str = "./storage/chroma_db"): self.persist_directory = persist_directory # 使用OpenAI Embeddings，也可替换为 HuggingFaceEmbeddings self.embeddings = OpenAIEmbeddings(model="text-embedding-3-small") self.vectorstore = None def create_from_documents(self, documents: List[Document], collection_name: str = "research_reports"): """从文档创建并持久化向量存储""" self.vectorstore = Chroma.from_documents( documents=documents, embedding=self.embeddings, persist_directory=self.persist_directory, collection_name=collection_name ) self.vectorstore.persist() print(f"向量库已创建并保存至 {self.persist_directory}") return self.vectorstore def load_existing(self, collection_name: str = "research_reports"): """加载已存在的向量库""" if os.path.exists(self.persist_directory): self.vectorstore = Chroma( persist_directory=self.persist_directory, embedding_function=self.embeddings, collection_name=collection_name ) print("已加载现有向量库。") return self.vectorstore else: raise FileNotFoundError("未找到已存在的向量库，请先创建。") def get_retriever(self, search_type="similarity", k=4): """获取检索器""" if self.vectorstore is None: self.load_existing() return self.vectorstore.as_retriever(search_type=search_type, search_kwargs={"k": k})

3. 智能体与工作流模块 (core/agents.py)这里我们使用LangGraph定义一个简单的分析工作流。

from typing import TypedDict, Annotated, List import operator from langgraph.graph import StateGraph, END from langchain_openai import ChatOpenAI from langchain_core.messages import HumanMessage, SystemMessage from langchain_core.output_parsers import StrOutputParser # 定义工作流状态 class AgentState(TypedDict): question: str retrieved_docs: List[str] analysis_result: str final_answer: str # 初始化LLM llm = ChatOpenAI(model="gpt-4-turbo-preview", temperature=0.1) output_parser = StrOutputParser() def retrieve_docs(state: AgentState): """节点1：检索相关文档片段""" # 注意：这里需要从外部传入retriever，实际项目中可通过全局变量或state管理 # 此处为简化，假设retriever已定义 from .vector_store import vector_store_manager retriever = vector_store_manager.get_retriever() docs = retriever.invoke(state["question"]) state["retrieved_docs"] = [doc.page_content for doc in docs] return state def analyze_content(state: AgentState): """节点2：分析内容并生成摘要或回答""" context = "\n\n---\n\n".join(state["retrieved_docs"][:3]) # 取前3个相关片段 prompt = f""" 你是一个专业的金融分析助手。请基于以下研报片段，回答用户的问题。 如果信息不足，请明确指出。 研报片段： {context} 用户问题：{state['question']} 请提供结构清晰、专业的回答： """ messages = [SystemMessage(content="你是一个严谨的金融分析师。"), HumanMessage(content=prompt)] response = llm.invoke(messages) state["analysis_result"] = output_parser.parse(response) return state def generate_final_output(state: AgentState): """节点3：格式化最终输出""" state["final_answer"] = f"## 分析结果\n\n{state['analysis_result']}\n\n---\n*基于检索到的相关文档生成，仅供参考。*" return state # 构建图 def create_analysis_workflow(): workflow = StateGraph(AgentState) # 添加节点 workflow.add_node("retrieve", retrieve_docs) workflow.add_node("analyze", analyze_content) workflow.add_node("format_output", generate_final_output) # 添加边，定义流程 workflow.set_entry_point("retrieve") workflow.add_edge("retrieve", "analyze") workflow.add_edge("analyze", "format_output") workflow.add_edge("format_output", END) # 编译图 return workflow.compile()

4. 主应用入口 (app.py)

import streamlit as st # 使用Streamlit快速构建Web界面 from core.document_processor import DocumentProcessor from core.vector_store import VectorStoreManager from core.agents import create_analysis_workflow import os st.set_page_config(page_title="智能研报分析助手", layout="wide") st.title("📊 智能研报分析助手") # 初始化管理器 vector_mgr = VectorStoreManager() # 侧边栏：文档上传与处理 with st.sidebar: st.header("文档管理") uploaded_file = st.file_uploader("上传一份研报PDF", type=['pdf']) if uploaded_file is not None: file_path = os.path.join("data", uploaded_file.name) with open(file_path, "wb") as f: f.write(uploaded_file.getbuffer()) st.success(f"已上传: {uploaded_file.name}") if st.button("处理并索引文档"): with st.spinner("正在处理文档并构建索引..."): processor = DocumentProcessor() docs = processor.load_and_split(file_path) vector_mgr.create_from_documents(docs) st.success("文档索引构建完成！") # 主界面：问答交互 st.header("研报问答与分析") question = st.text_input("请输入关于研报的问题，例如：'总结一下核心观点' 或 '目标价是多少？'") if st.button("开始分析") and question: try: # 加载现有向量库 vector_mgr.load_existing() # 创建并运行工作流 workflow = create_analysis_workflow() initial_state = {"question": question, "retrieved_docs": [], "analysis_result": "", "final_answer": ""} result = workflow.invoke(initial_state) st.subheader("🤖 助手回答") st.markdown(result["final_answer"]) # 可选项：展示检索到的片段 with st.expander("查看检索到的相关原文片段"): for i, doc in enumerate(result["retrieved_docs"][:3]): st.text_area(f"片段 {i+1}", doc, height=150) except Exception as e: st.error(f"处理过程中出现错误：{e}")

3.3 运行与效果展示

  1. 安装依赖：pip install -r requirements.txt(需包含streamlit)
  2. 在项目根目录运行：streamlit run app.py
  3. 浏览器打开本地URL，上传一份PDF研报，点击处理。
  4. 在问题框输入问题，点击分析，即可获得基于RAG的答案。

项目亮点：

  • 综合性：涵盖了从文档处理、向量检索到智能体工作流的完整流程。
  • 模块化：代码结构清晰，易于理解和扩展。
  • 可演示：基于Streamlit的Web界面，非常适合在面试中展示。
  • 技术栈全面：涉及LangChain、RAG、Agent、LangGraph等核心概念。

4. 简历包装与项目表述技巧

有了实战项目，如何写在简历上才能吸引面试官？

1. 项目描述结构化（STAR法则变形）

  • 情境：简短说明项目背景和目标。
  • 任务：你负责的具体模块。
  • 行动：重点！使用技术关键词描述你做了什么。
  • 结果：项目达到的效果，最好量化。

示例：

智能研报分析助手（个人项目）

  • 目标：为解决金融文档信息提取效率低下的问题，独立开发了一个基于大模型的智能问答与分析系统。
  • 职责：负责系统全栈设计与开发，包括文档处理、检索增强生成（RAG）流水线、智能体工作流构建及前端交互界面。
  • 核心技术：
    • 使用LangChain框架搭建了完整的RAG流水线，集成Chroma向量数据库与OpenAI Embeddings，实现研报内容的语义化检索。
    • 应用LangGraph设计并实现了多节点智能体工作流，将检索、分析、格式化输出模块化，提升了系统的可维护性和可扩展性。
    • 针对长文档理解，采用了递归字符分割与滑动窗口重叠策略，有效改善了上下文连贯性问题。
    • 利用Streamlit快速构建了交互式Web应用，支持PDF上传、实时问答与结果可视化。
  • 成果：系统能够准确回答用户对复杂研报的细节查询，自动生成摘要，将信息查找时间从平均15分钟缩短至秒级。

2. 技能标签清晰化在简历中设立“专业技能”部分，分类列出：

  • 大模型与框架：LangChain, LangGraph, RAG, Agent开发，Prompt Engineering
  • 机器学习/深度学习：Transformer, 模型微调（LoRA/QLoRA）, 常见NLP任务
  • 编程语言与工具：Python, PyTorch, SQL, Git, Docker, Streamlit/FastAPI
  • 云服务与部署：AWS/Azure (如有经验)，向量数据库（Pinecone, Weaviate）

3. 量化成果与影响力尽可能使用数字：

  • “将检索准确率（Hit Rate）提升了15%”
  • “通过引入重排序模型，答案相关性评分达到0.92”
  • “构建的Agent成功处理了超过80%的复杂多步骤查询”

5. 岗位投递与面试准备策略

1. 目标岗位识别

  • 大模型应用开发工程师：侧重LangChain/RAG/Agent开发、API集成、工程落地。
  • 大模型算法工程师：侧重微调、预训练、模型优化、评测。
  • AIGC产品工程师：侧重Prompt工程、内容生成、工作流设计。
  • LLM Infra工程师：侧重模型部署、服务化、性能优化、向量数据库。

根据目标岗位调整简历和面试准备的重点。

2. 面试准备清单

  • 基础理论：重温Transformer、注意力机制、训练/推理优化。
  • 框架实操：熟读LangChain/LangGraph官方文档，能徒手写出关键流程代码。
  • 项目深挖：对自己的实战项目，每个技术选型、遇到的坑及解决方案都要了如指掌。准备回答：“为什么用Chroma不用Pinecone？”、“如果检索结果不相关怎么办？”、“你的Agent工作流如何保证稳定性？”。
  • 行业洞察：关注1-2个垂直领域（如法律、金融、客服）的大模型应用案例，形成自己的见解。
  • 代码能力：LeetCode中等难度题目要熟练，尤其是字符串、数组、哈希表相关。

3. 面试实战技巧

  • 沟通思路：回答问题时，先给出结论，再分层展开。例如：“关于RAG的优化，我认为可以从检索侧和生成侧两方面进行...”。
  • 诚实为本：遇到不会的问题，可以坦诚说明，但可以尝试给出相关的思考方向或解决方案。
  • 主动提问：在面试尾声，准备有深度的问题，如“团队目前大模型落地的主要挑战是什么？”、“业务中对幻觉问题的容忍度和应对机制是怎样的？”，展现你的思考和对岗位的兴趣。

大模型领域技术迭代迅速，面试不仅考察现有知识，更考察学习能力和工程思维。将本文作为你的路线图，扎实构建知识体系，深入完成一个高质量项目，并在简历和面试中清晰呈现你的思考与成果。保持对新技术的好奇与探索，你一定能在大模型的浪潮中找到属于自己的位置。

编程学习 学习日记 实战经验
← 返回列表