QQs'Note
0%

AI-application-RoadMap

Posted on Edited on
  • prompt
  • Agent
  • Function call
  • RAG(Retrieval-augmented Generation)检索增强生成
  • Fine tuning

智能体的意义:

维度 AIGC (如 ChatGPT/Claude) AI Agent (如 Manu, Operator, Devin) 意义
核心本质 语言模型 (Probability Machine) 系统 + 模型 (System + LLM) 从“单一能力”走向“综合系统”。Agent 开发本质上是软件工程架构的升级。
交互模式 被动响应 (Passive)
问 -> 答 -> 结束		 主动交互 (Active)
目标 -> 规划 -> 执行 -> 反馈		 解决了传统大模型“只会动嘴不会动手”的问题。将 AI 的能力从信息输出转化为实际行动。
工作流程 线性/无状态
一次性生成，上下文依赖 Prompt		 循环/有状态
感知 -> 规划 -> 行动 -> 观察 -> 修正…		 通过引入状态机和记忆机制，让 AI 能够处理复杂的长周期任务，而不是仅仅处理单次对话。
能力边界 受限于训练数据和 Prompt
无法获取实时数据，无法操作外部软件		 拥有工具
可以联网搜索、读写文件、操作 IDE、调用 API		 打破了模型自身的物理限制。通过 Function Calling (工具调用)，让 LLM 成为了操作系统的“大脑”。
自主性 低
用户必须精确地描述每一步指令		 中/高
给定目标，Agent 自主拆解步骤并处理异常		 极大降低了用户的使用门槛。用户只需说“帮我爬取这个网站并分析数据”，Agent 会自动处理中间的报错和重试。
容错性 低
一次回答错误通常导致结果不可用		 高
具备 Self-Reflection (自我反思) 能力，发现错误会自动重试		 引入了试错机制。Agent 开发的核心难点和价值之一，就是如何让 AI 学会“检查自己的作业”并修正。
交互场景 受限于文本、翻译、代码补全、问答 自动化办公、复杂流程操作、自主编程、私人助理 将 AI 从“辅助工具”变成了“虚拟员工”，能够替代人类完成重复性、流程化的数字化工作。

总结：

AI agent 的核心价值在于其三个核心能力： 动态任务路由、生态化工具集、全周期记忆管理

见langchain

RAG

embedding工具将文本分割 提炼语义生成向量索引 对llm的提问也是一个‘向量’， 通过向量之间的‘距离’匹配符合提问的知识点，llm提取对应文本并组织成回答

本质是 用既有资料文本 补充上下文

AI 应用开发

岗位职责

  1. 负责AI应用(含大模型/LLM)前后端开发，涵盖模型集成、用户界面设计等
  2. 设计、开发和维护AI智能Agent系统，包含RAG、Prompt、记忆/规划模块等
  3. 大模型应用落地，涉及智能客服、知识库问答、专业报告生成等场景
  4. 模型相关优化，包括Prompt工程、性能调优、推理加速及微调方案设计
  5. 开发模型服务API接口，实现与其他系统或应用的对接调用
  6. 参与项目需求分析、技术方案设计及跨团队(产品、数据科学家等)协作
  7. 负责数据处理相关工作，包括数据采集、清洗、标注、特征工程等

任职要求

  1. 编程能力：熟练掌握至少一种后端编程语言(Python/Java/Go等)及对应开发框架
  2. 前端技能：熟悉前端技术栈(React/Vue/HTML/CSS等)，具备全栈开发能力者优先
  3. AI知识：了解大模型(LLM)基本原理，有AI Agent、RAG相关开发经验
  4. 框架使用：熟悉主流AI开发框架(LangChain/LangGraph/Dify等)的使用
  5. 数据库经验：具备关系型(MySQL/PostgreSQL)及NoSQL(MongoDB/Redis)数据库应用经验
  6. 向量数据库：掌握向量数据库原理及使用方法，有知识库构建经验
  7. 云服务与容器：熟悉云服务平台(AWS/阿里云等)及容器化技术(Docker/K8s)
  8. 项目经验：有完整AI应用项目开发经验，具备0-1项目落地能力者优先

二、面试考察点

1. 项目细节与实战能力

  • 详细询问简历中提到的项目细节和技术方案
  • 提出实际业务场景问题，考察解决实际问题的能力
  • 评估RAG流程实现细节：使用的知识库类型、解决的具体问题等
  • 考察模型微调、部署和优化的实际经验

2. 技术原理深度

  • Transformer架构及大模型发展脉络
  • 多模态模型相关知识
  • 强化学习(特别是用于智能体优化的场景)
  • 模型微调、量化、蒸馏等技术原理
  • 智能路由(意图决策)机制的理解

3. 工程实践能力

  • 模型服务部署和性能优化经验
  • 高并发推理服务设计能力
  • 向量检索/RAG增强大模型的实现经验
  • 知识图谱在特定场景(如金融、医疗)的应用

4. 基础知识

  • 数据结构与算法
  • 编程能力与代码质量
  • 系统设计能力

5. 业务理解与落地能力

  • 如何将AI技术与传统业务结合
  • 模型评估方法与指标
  • 持续迭代优化的思路和方法
  • 对AI技术边界的认识