一、知识模块拆分

1. 大模型基础与原理

• 大模型训练与目标

• 参数、Token、量化、推理优化

• Transformer 结构与机制

• 涌现能力

• LLM 与普通程序差异

2. 模型微调与对齐

• 指令微调 / 全参数微调 / PEFT

• RLHF

• 微调 vs 预训练 vs 提示工程

• 微调种类与用途

3. 提示工程（Prompt Engineering）

• 提示模板 / 提示链 / 思维链 / 思维树

• 零样本 / 少样本 / CoT

• 提示注入与防御

• 角色提示、复杂多轮对话提示

• 提示效果评估

4. Agent 与多Agent系统

• Agent 定义与核心模块

• ReAct 框架

• Agent 与 Workflow 区别；Agent 与单轮LLM区别

• Agent 记忆模块

• Function Calling、MCP、A2A 协议

5. RAG（检索增强生成）与相关技术

• RAG 定义、原理、优势、流程

• 文档分块策略

• 向量检索与索引

• 高级RAG方法、GraphRAG

• RAG与微调比较

• RAG在企业部署中的挑战

6. 大模型应用开发与架构

• 大模型部署方式

• 扩展性与性能优化

• 安全性与隐私

• 成本管理

• LangChain 与 LangGraph

• API 调用 & 错误处理机制

• SSE / WebSocket 通信机制）

7. 模型评估与监控

• 模型评估方法、维度

• 性能监控与指标

• 基准测试 Benchmark

• 用户体验优化

8. 大模型应用难点专题

• 幻觉

• 深度搜索策略

• IoT/垂直领域应用

• DeepSeek-R1 优缺点

二、学习方法设计(结合三大原则)

• 艾宾浩斯遗忘曲线：重复复习 → 1天/3天/7天/14天/30天节点。

• 费曼学习法：每个模块学习后，用自己的话讲出来，像对面试官/同事解释。

• 第一性原理：每个概念都问自己“它最核心的本质是什么？为什么要这样设计？如果不这样会怎样？”

三、时间规划

1. 每日学习（微循环）

• 学习：1–2 小时

  • 新内容：1 个子模块（约 5–7 道题目）

  • 方式：看题 → 自己回答 → 查资料补充 → 用费曼法讲解

• 复习：30 分钟

  • 前 1 天的内容（短期记忆回顾）

  • 前 3 天的内容（巩固）

👉 指标：能用口头表达清楚，解释时逻辑自洽，无明显卡壳。

2. 每周学习（中循环）

• 周一到周五：逐个模块推进

• 周六：全周题目自测（模拟面试），每题限时 2 分钟回答

• 周日：错题回顾 + 知识图谱梳理（绘制思维导图，把模块连起来）

👉 指标：80% 题目能在 2 分钟内答出核心要点。

3. 每月学习（大循环）

• 第 1–3 周：逐步学习 + 周考

• 第 4 周：全量模拟面试（100+ 题，分模块随机抽问）

• 输出：写一份面试手册（题目 + 自己的简洁答案）

👉 指标：

• 至少 3 次完整模拟面试演练

• 答案结构：先定义 → 再机制/原理 → 最后应用/优缺点

四、学习里程碑指标

1. 第1周：完成“大模型基础”和“提示工程”，能清晰解释 Transformer 机制和 Prompt 技巧。

2. 第2周：掌握 Agent 与 RAG 核心知识，能讲清楚它们的流程与区别。

3. 第3周：能把微调、部署、评估和安全性讲完整，答题时有结构感。

4. 第4周：全覆盖复盘，形成个人面试答案集。

五、大语言模型面试知识图谱

六、支持作者

如果这个项目对你有帮助，欢迎赞助支持！
你的支持是我继续优化和更新项目的动力，让更多人受益于优质的LLM学习资源。

支付宝赞助

微信赞助

感谢每一位支持者，你们的鼓励是我持续更新的动力！🚀