🎯 AI大模型应用开发实习 — 精简学习路线

适用对象：本人（大二，有 Vue3 + FastAPI + MySQL 全栈基础） 目标岗位：大模型应用开发 / LLM应用 / AI应用 实习 制定日期：2026年6月 来源说明：基于 OpenClaw 清单精简，去掉了对"应用开发岗"性价比低的内容

📌 核心原则

• 你不是去面算法岗，不需要学 CNN/RNN/LSTM，不需要手推反向传播
• 面试 80% 的题围绕 RAG + Agent + Prompt
• 项目 ≥ 八股文 ≥ LeetCode >>>> ML/DL 理论
• 你已经有全栈基础，这是你相比其他自学者的最大优势

一、需要学什么（按优先级排序）

🔴 第一梯队（面试必考，花 70% 时间）

模块具体内容掌握到什么程度RAG 完整流程文档解析 → Chunking → Embedding → 向量检索 → 重排序 → LLM 生成回答能画流程图、能写代码实现、能说出每个环节的优化方案LangChainChain、Prompt Template、Memory、RAG 实现会用，理解设计思想，不背 APILangGraph状态机、多步工作流、Agent 编排能做多工具调用的 AgentAgent / Function CallingReAct 模式、Tool 定义与调用、工具调用链能自己写一个 Agent 调外部 APIPrompt EngineeringFew-shot、CoT、ReAct、Structured Output知道什么场景用什么技巧Embedding 与向量数据库文本向量化原理、ChromaDB/FAISS 使用、相似度计算能独立搭建检索链路

🟡 第二梯队（加分项，花 20% 时间）

模块具体内容程度Redis缓存 LLM 回答（避免重复请求）、对话记忆存储（TTL 自动过期）、API 限流、热榜排行能在 RAG 项目里加上缓存层，面试能讲缓存穿透/击穿/雪崩LLM 原理Transformer 架构（宏观理解）、Tokenization、位置编码、Temperature/Sampling能说清楚，不需要手撕 AttentionLoRA 微调原理 + LLaMA-Factory 跑一遍样例能说出什么场景需要微调、什么场景不需要流式输出（SSE）后端 async generator + 前端 EventSource能实现打字机效果Docker 部署Dockerfile + Docker Compose 部署 LLM 应用项目能在线演示

🟢 第三梯队（了解即可，花 10% 时间）

模块程度模型量化（INT8/GPTQ/AWQ）知道是做什么的即可vLLM / 推理加速知道是用来提升推理速度的多模态（CLIP/LLaVA）知道有这个东西微调进阶（QLoRA/P-Tuning）知道 LoRA 就够了

二、❌ 明确不学的内容（OpenClaw 清单里的噪音）

以下内容应用开发岗面试基本不考，不要花时间：

• CNN、RNN、LSTM — 大模型时代这些已经不是重点
• 反向传播推导、梯度消失/爆炸 — 算法岗才问
• PyTorch 深入（Tensor 操作、DataLoader、自定义 nn.Module） — 日常调 API 用不到
• 模型量化（INT8/INT4/GPTQ/AWQ） — 这不是应用开发的活
• 模型蒸馏 — 同上
• ONNX 模型转换 — 同上
• BERT/RoBERTa/ALBERT — 了解名字即可，不用学细节
• CLIP/BLIP/BLIP-2/LLaVA — 实习很少涉及多模态
• CS224N、CS231N、花书、李宏毅机器学习 — 这些是算法方向看的，你不需要

三、项目规划（以你的新闻 App 为基础扩展）

你有现成的全栈项目，这是巨大优势——在上面做增量改造，而不是从零开始。

项目一：RAG 新闻问答系统（7月完成）⭐ 核心项目

基于你的新闻 App 改造：

• 把新闻内容向量化存入 ChromaDB
• 用户提问 → 检索相关新闻 → LLM 总结回答（带引用来源）
• 展示"AI 搜索新闻"的能力

面试能讲的点：

• 如何做 Chunking（新闻按段落切分 vs 按字数切分）
• 为什么选某个 Embedding 模型（BGE/M3E/GTE）
• 如何做 Rerank 提升准确率
• 对比"直接问大模型"和"RAG 后回答"的效果差异
• 🔥 用 Redis 缓存常见问题的 LLM 回答，降低 API 调用成本 50%+

项目二：AI Agent 助手（8月完成）

同样基于你的项目：

• 给 AI Chat 加工具调用能力（搜索新闻、查天气、算数学）
• 用 LangGraph 编排多步流程
• 用户说"帮我找最近关于科技的新闻，总结成三点发给我"

面试能讲的点：

• Agent 的推理循环（ReAct）
• 工具定义的 Schema 设计
• 错误处理与兜底逻辑

项目三：LoRA 微调实践（8月底，选做）

• 用 LLaMA-Factory 跑一遍指令微调
• 找个开源模型微调成"新闻摘要助手"
• 注意： 不需要自己训练数据，用现成数据集跑通流程即可

四、逐月学习计划（现在 → 9月）

6月（剩下3周）

目标：收尾 + 打基础
 
第1周：
  □ 修完新闻 App 所有 Bug（包括那个 detail 参数问题）
  □ 把项目跑通，确保所有功能可用
  □ LeetCode 每天 1 题（数组+字符串）
 
第2周：
  □ 学习 LLM API 调用（补全 AI Chat 功能，接上通义千问）
  □ 理解 Prompt 基本概念（System/User/Assistant 角色）
  □ 了解什么是 Token、Temperature、Top-p
  □ LeetCode 每天 1 题（哈希表+链表）
 
第3周：
  □ 学习 Embedding 基础概念（文本向量化）
  □ 上手 ChromaDB（能存能查）
  □ 了解 RAG 完整流程（画流程图）
  □ LeetCode 每天 1 题
 

7月（攻坚月）

目标：完成 RAG 项目（核心项目）
 
第1周：
  □ LangChain 入门：Chain、Prompt Template
  □ 把新闻内容导入 ChromaDB
  □ 实现基础的"新闻搜索"功能
 
第2周：
  □ 实现完整 RAG 流程：提问 → 检索 → 拼接 Prompt → 回答
  □ 前端展示"引用来源"
  □ 学习不同 Chunking 策略
 
第3周：
  □ 加入 Rerank 重排序
  □ 加入 Query Rewriting（改写用户问题后再检索）
  □ 对比优化前后的效果差异
 
第3周：
  □ 加入 Rerank 重排序
  □ 加入 Query Rewriting（改写用户问题后再检索）
  □ 对比优化前后的效果差异
 
第4周：
  □ **引入 Redis 做 LLM 回答缓存**（相同问题直接返回，不用调 API）
  □ **用 Redis 存对话历史**（带 TTL 自动过期，省 Token）
  □ 项目收尾：README 文档、注释完善
  □ 能流畅讲出项目技术方案
  □ 总结面试可能问的问题
  □ LeetCode 每天 1-2 题
 

8月

目标：Agent 项目 + 部署
 
第1周：
  □ 学习 Function Calling（Tool Use）
  □ 给 AI Chat 加第一个工具：搜索新闻
 
第2周：
  □ 学习 LangGraph，实现多步 Agent 流程
  □ 加第二个工具：计算器 / 天气查询
 
第3周：
  □ Docker 部署：两个项目都容器化
  □ 买服务器 / 用免费服务部署上线
  □ 完善 GitHub（README、截图、项目描述）
 
第4周：
  □ LLaMA-Factory 跑一遍 LoRA 微调样例（选做）
  □ 整理三个项目的"面试话术"
  □ LeetCode 保持手感
 

9月

目标：投递 + 面试
 
  □ 写简历（STAR 法则包装项目）
  □ 每天刷面试题（RAG 流程、Agent 设计、Prompt 技巧）
  □ 每天 LeetCode 1-2 题
  □ 开始投递（BOSS直聘、实习僧、牛客网、内推）
  □ 复盘面试、查漏补缺
 

五、面试准备清单

RAG 相关（高频考点）

• 画 RAG 完整流程图
• 文档切分策略有哪些？怎么选？
• 为什么需要 Rerank？
• 混合检索（稀疏+稠密）是什么？
• 如何减少 LLM 的幻觉？RAG 之外还有哪些方法？
• 如何评估 RAG 系统的效果？

Agent 相关（高频考点）

• ReAct 模式的工作流程
• Function Calling 的原理
• 多 Agent 协作 vs 单 Agent 多工具，怎么选？
• Agent 的 Memory 怎么设计？
• Agent 调用工具失败了怎么办？

Prompt 相关

• Few-shot / CoT / ReAct 分别适合什么场景？
• Structured Output（JSON mode）怎么实现？
• System Prompt 设计原则

LLM 基础

• 什么是 Attention？为什么需要？（不用手撕公式，能说清楚就行）
• 什么是 Temperature？怎么影响输出？
• Pre-training vs Fine-tuning vs RAG 的区别和适用场景
• 什么是 Token？中文一个字占几个 Token？

Redis（LLM 应用场景）

• 在 RAG 系统里，Redis 可以缓存什么？（LLM 回答、Embedding 结果、对话历史）
• 缓存穿透/击穿/雪崩分别是什么？怎么解决？
• TTL 过期策略怎么设置才合理？
• Redis 的 String、List、Sorted Set 分别在 LLM 场景里有什么用？

算法题

• LeetCode HOT 100 中的数组、字符串、哈希表、链表部分
• 会做中等题即可，不用刷难题

六、推荐学习资源（精简版）

必看

资源用途时间LangChain 官方教程RAG 入门2-3天LangGraph 官方教程Agent 开发3-5天ChromaDB 文档向量数据库上手半天OpenAI Prompt Engineering GuidePrompt 技巧1天LLaMA-Factory READMELoRA 微调1天Hugging Face 的 BGE/M3E Embedding 模型Embedding 实践半天Redis 官方文档缓存/会话管理（看基础数据结构 + TTL 即可）1-2天

选看（有余力再看）

资源说明《Building LLM Apps》英文书，覆盖 RAG + AgentDataWhale LLM 应用教程中文，开源免费牛客网 AI 面经刷面试真题

❌ 不需要看的

• ❌ 李宏毅机器学习
• ❌ CS224N / CS231N
• ❌ 《深度学习》（花书）
• ❌ 《动手学深度学习》（李沐）
• ❌ 《自然语言处理入门》

七、两种路线对比（为什么要精简）

维度OpenClaw 原清单本精简版总学习量14 个模块，约 40+ 子项8 个模块，约 20 个子项ML/DL 占比~30%（标 5 星优先级）~5%（仅 Transformer 宏观理解）代码量要求PyTorch 深入、CUDA、量化API 调用、向量检索、Agent 编排项目方向偏算法（微调、训练）偏应用（RAG、Agent、Prompt）适用岗位算法工程师✅ 应用开发工程师预计完成时间全职 3-4 个月你现在的节奏 6-9 月刚好

八、最后几点建议

1. 项目 > 理论。 面试官更愿意听你讲"我遇到了 A 问题，用了 B 方案解决"，而不是背八股文
2. 学会包装。 "给新闻 App 加了一个搜索功能"和"构建了基于 RAG 的 AI 知识库问答系统"是同一件事，后者写在简历上效果完全不同
3. 别贪多。 把 RAG 和 Agent 吃透，比浅尝辄止地学 10 个方向有用得多
4. 你已经有基础，别慌。 大二能独立做全栈项目的人不多，你起跑线不差

祝实习顺利 🎉