大模型路线图

快速开始

环境准备

```bash

🎯 十一、求职面试 · Interview Guide

从简历到 offer | 5 阶段全流程求职指南，应届生与社招通吃

LLM 工程师独立的求职模块（interview/），把找工作拆成 5 个清晰阶段，每个阶段对应一个独立专题页，主题清晰、零用户教育成本。

┌──────────────────────────────────────────────────────────────┐
│                    找工作 5 阶段                              │
├──────────────────────────────────────────────────────────────┤
│  STAGE 01  🧭 定位 & 节奏  →  plan.html    (6 篇)            │
│      看清岗位地图，定一个 30 天能跑通的备战节奏                │
│                                                              │
│  STAGE 02  📋 简历优化     →  resume.html  (12 篇)           │
│      STAR + 项目模板 + 自我介绍，把卖点讲清楚                  │
│                                                              │
│  STAGE 03  📐 巩固能力     →  tech.html    (8 篇)            │
│      LLM 八股 + 系统设计 + 算法考点矩阵                        │
│                                                              │
│  STAGE 04  🎤 面试实战     →  quiz.html    (101 真题 + 详情) │
│      真实公司面经分类刷，标记已会/收藏/笔记，扛住追问           │
│                                                              │
│  STAGE 05  💰 拿 Offer     →  offer.html   (13 篇)           │
│      多 offer 比较 + 谈薪四原则 + 签约入职                    │
└──────────────────────────────────────────────────────────────┘

模块详情

技术亮点

interface InterviewModule {
  架构: "纯静态 HTML/CSS/JS, GitHub Pages 一键部署, 无构建步骤";
  布局: "左侧 sidebar + 主区域单篇阅读, hash 路由切换文章, 上下页导航";
  真题库: "Python 解析 _src/*.md → quiz-data.json, 跨公司去重 + 频次聚合 + 热度排序";
  主题: "7 套 (light/dark/solarized/dracula/nord/tokyo-night/catppuccin) 全局生效";
  状态: "已会/收藏/笔记本地 localStorage 持久化, 详情页操作实时同步";
  扩展: "新增文章 = 加一个 <article> + sidebar 链接; 新增真题 = 跑 parse_questions.py";
}

快速进入

真题录入流程（贡献者）

```bash

2. 本地预览（可选）

npx docsify-cli serve -p 3000

大模型全栈知识体系

<p> <img src="https://img.shields.io/badge/LLM-AI_Engineering-FF6F61?style=flat-square" alt="LLM"/> <img src="https://img.shields.io/badge/NLP-Natural_Language-4ECDC4?style=flat-square" alt="NLP"/> <img src="https://img.shields.io/badge/RAG-Retrieval_Augmented-45B7D1?style=flat-square" alt="RAG"/> <img src="https://img.shields.io/badge/Agent-Intelligent-9B59B6?style=flat-square" alt="Agent"/> <img src="https://img.shields.io/badge/Prompt-Engineering-E67E22?style=flat-square" alt="Prompt"/> <img src="https://img.shields.io/badge/MCP-Model_Context-1ABC9C?style=flat-square" alt="MCP"/> <img src="https://img.shields.io/badge/Dify-Low_Code-3498DB?style=flat-square" alt="Dify"/> <img src="https://img.shields.io/badge/Coze-Platform-F39C12?style=flat-square" alt="Coze"/> <img src="https://img.shields.io/badge/Interview-Job_Guide-E74C3C?style=flat-square" alt="Interview"/> <img src="https://img.shields.io/badge/License-MIT-blue?style=flat-square" alt="License"/> <img src="https://img.shields.io/github/last-commit/javelindot/llm-roadmap?style=flat-square&label=Update" alt="Update"/> </p>

<p><strong>应用开发｜ 模型优化微调 ｜ 强化学习对齐 ｜ 求职面试 </strong></p>

<p> <a href="#/README?id=项目总览">项目总览</a> • <a href="#/README?id=构建体系">构建体系</a> • <a href="./interview/index.html">🎯 面试指南</a> • <a href="#/README?id=快速开始">快速开始</a> • <a href="#/README?id=贡献指南">贡献指南</a> </p>

</div>

---

📌 一、大模型应用

快速上手 | 直接开始大模型应用开发，跑出可落地的MVP

1.1 Prompt Engineering 提示词工程

interface PromptEngineering {
  基础规范: "角色定义 | 目标拆解 | 执行方案 | 输出格式约束";
  调优策略: "Zero-Shot | Few-Shot | CoT链式思维 | Self-Consistency";
  高级能力: "多步骤任务编排 | 幻觉抑制 | 长文本上下文优化";
  实战场景: "使用技巧 | step by step 实现 | 文本分类 | 多轮对话设计";
}

1.2 RAG 检索增强生成

interface RAG_System {
  数据层: "文档解析 | 分块策略 | 清洗归一化";
  向量层: "Embedding模型 | 文本向量化 | 向量数据库";
  检索层: "向量检索 | 关键词召回 | 重排序 | 相似度匹配";
  生成层: "Prompt融合 | 上下文注入 | 幻觉抑制";
  进阶路径: "NaiveRAG → AdvancedRAG → GraphRAG → AgenticRAG";
}

1.3 Function Call & Agent 智能体

interface LLM_Agent {
  核心模块: "规划Planning | 记忆Memory | 工具Tools | 执行Action";
  基础能力: "Function Call工具调用 | 多工具协同 | 异常重试";
  进阶能力: "Workflow工作流编排 | 多智能体Multi-Agent协同";
  落地场景: "自动化办公助手 | 数据分析Agent | 舆情监控系统";
}

1.4 MCP 模型上下文协议

interface MCP_Protocol {
  核心组件: "Model Server | Client Application | Protocol Specification";
  核心优势: "标准化模型交互 | 提升开发效率 | 增强系统灵活性";
  应用场景: "SaaS产品集成 | 跨模型统一调用 | 企业级AI中台";
}

---

🛠️ 二、大模型实战工具

效率提升 | 掌握工业级大模型开发工具链

---

🎮 五、强化学习与模型对齐

模型对齐 | 掌握RLHF等大模型对齐技术

interface RL_Alignment {
  基础理论: "强化学习核心原理 | MDP马尔可夫决策过程";
  核心方案: "RLHF人类反馈强化学习 | RLAIF AI反馈 | DPO直接偏好优化";
  工程实现: "AutoGPT机制 | ChatGPT强化学习完整步骤";
  优化方向: "模型安全性 | 输出一致性 | 幻觉抑制";
}

---

⚙️ 六、模型微调与定制

领域定制 | 针对业务场景打造专属领域模型

---

建议从「大模型应用实战」开始，自顶向下学习

```