1. 双非本转行大模型的心路历程
作为一名双非院校计算机专业的毕业生,我在传统软件开发岗位工作了三年后,决定转向大模型算法方向。这个决定源于2022年底ChatGPT的爆发,让我意识到AI领域正在经历范式转移。当时我的基础是本科数据结构与算法课程成绩不错,工作中用过Python处理数据,但对深度学习仅停留在知道CNN、RNN这些名词的阶段。
转行准备期长达8个月,我制定了明确的学习路线:
- 夯实基础:用两个月刷完《深度学习入门》和《动手学深度学习》
- 项目实战:在Kaggle上完成3个NLP比赛,包括文本分类和生成任务
- 专项突破:最后三个月集中研究Transformer架构和Prompt工程
关键提示:双非背景的求职者必须用项目经历弥补学历短板。我开源了三个RAG相关的项目,这在面试中被多次问到。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 大模型社招面试的典型流程
今年3月开始投递简历,主要目标是大模型应用开发岗位。头部企业的面试通常有5轮:
2.1 技术笔试环节
重点考察算法基础和编码能力,3道题120分钟:
- 二叉树中序遍历的非递归实现(考察基础)
- 用PyTorch实现带Attention的LSTM(考察框架掌握)
- 设计一个基于BERT的文本相似度计算方案(考察工程思维)
2.2 技术一面:基础理论
面试官会深挖简历中的项目细节。我被问到最多次的问题是:
"你实现的RAG系统如何处理长文档的分块?chunk_size设置依据是什么?"
正确答案应该包含:
- 按语义分割而非固定长度
- 考虑模型的最大上下文窗口
- 实验对比不同size的召回率
2.3 技术二面:系统设计
典型题目如:"设计一个支持多租户的企业级RAG系统,要考虑权限控制、性能隔离和成本优化"
我的设计方案包含:
python复制class MultiTenantRAG:
def __init__(self):
self.vector_db = {} # 租户隔离的向量库
self.cache = LRUCache() # 查询结果缓存
def retrieve(self, tenant_id, query):
# 实现权限校验和限流
if
