[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"learning-part-20-projects-career":3,"learning-all":13},{"id":4,"slug":5,"title":6,"description":7,"level":8,"topic":9,"url":10,"content":11,"sortOrder":12},18,"part-20-projects-career","Part 20 · 项目实战 + 求职备战","把 0→1 到 1→100 学到的全部收敛成**能展示、能讲、能面试**的项目。","ADVANCED","项目与求职",null,"# Part 18 · 项目实战 + 求职备战\n\n\n---\n\n## 你要做哪 4 个方向（按需挑，至少 2 个垂直 + 1 个综合）\n\n```\n① AI 聊天机器人     升级Part 3\u002F4 成果：流式+记忆+多轮+界面\n② RAG 知识库       升级Part 5\u002F6 成果：混合检索+重排+评估面板\n③ AI Agent 应用    Part 9\u002F8\u002F9 成果：能调工具的 Agent + 记忆\n④ 垂直领域应用      结合你背景：合同审阅 \u002F 前端知识库 \u002F 签名存证咨询\n```\n\n**建议组合（贴合你简历）**：\n- ② RAG 知识库 → 做成\"**合同\u002F文档审阅助手**\"（呼应你的数据流转确权平台背景）\n- ③ AI Agent → 做成\"**AI 面试官**\"（流式 + 记忆 + TTS，鱼皮经典案例）\n- ④ 垂直应用 → \"**前端知识库问答**\"（你前端强，最顺手）\n\n---\n\n## Section 1 · 定项目 + 起仓库\n\n**Subsection 1 · 选 1 个主打项目**\n- 选 ② 或 ③ 作为\"代表作\"（面试先讲它）。\n- 决定技术栈：FastAPI + DeepSeek + Chroma + 简单前端。\n\n**Subsection 2 · 建 GitHub 仓库**\n```\ngit init\necho \"# 项目名\" > README.md\ngit add . && git commit -m \"init\"\ngit remote add origin \u003C仓库地址>\ngit push -u origin main\n```\n- ✅ 预期看到：GitHub 上有仓库了。\n\n**过关**：仓库建好 = Section 1 完成。\n\n---\n\n## Section 2 · 把核心功能做成\"能用\"\n\n**Subsection 1 · 重写核心代码**\n- 主打项目把最核心功能写完整（如 RAG 的检索+生成、Agent 的工具调用）。\n- 原则：**先能跑通一条完整链路**，不追求完美。\n- ✅ 预期看到：核心功能在命令行能完整跑通。\n\n**过关**：核心链路跑通 = Section 2 完成。\n\n---\n\n## Section 3 · 加 Web 界面\n\n**Subsection 1 · 做前端**\n- 用 FastAPI 提供接口 + 一个简单 HTML 页面（聊天框\u002F上传框）。\n- 前端不好看没关系，**先把功能接起来**。\n- ✅ 预期看到：浏览器里能操作你的项目。\n\n**过关**：有界面能用 = Section 3 完成。\n\n---\n\n## Section 4 · 加流式 + 记忆\n\n**Subsection 1 · 体验升级**\n- 回答改流式（打字机）。\n- 多轮对话带记忆（Part 9 Section 13 的方案）。\n- ✅ 预期看到：界面像 ChatGPT 一样流式 + 记住上下文。\n\n**过关**：流式+记忆跑通 = Section 4 完成。\n\n---\n\n## Section 5 · 数据与测试\n\n**Subsection 1 · 造测试集 + 跑**\n- 20 个测试问题（覆盖正常\u002F边界\u002F资料外）。\n- 记录准确率、失败案例。\n- ✅ 预期看到：知道你的项目哪些场景会翻车。\n\n**过关**：测试集完成 = Section 5 完成。\n\n---\n\n## Section 6 · 修复已知问题\n\n**Subsection 1 · 修 bug + 优化**\n- 针对 Section 5 的失败案例逐个修。\n- 优化：TopK、chunk、Prompt 措辞。\n- ✅ 预期看到：测试通过率提升。\n\n**过关**：有明显改进 = Section 6 完成。\n\n---\n\n## Section 7 · 部署上线\n\n**Subsection 1 · 部署**\n- 部署到你的服务器（你有 Linux 经验，用 systemd + nginx 或 Docker）。\n- ✅ 预期看到：公网\u002F内网能访问。\n- ❌ 没服务器：先本地打包（可执行\u002F容器），README 写清部署步骤。\n\n**过关**：能访问 = Section 7 完成。\n\n---\n\n## Section 8 · 写 README（给面试官看的第一页）\n\n**Subsection 1 · 写完整 README**\n结构：\n```\n# 项目名\n一句话：这是什么\n## 功能截图（放2~3张图）\n## 架构图（文字版或 Mermaid）\n## 技术栈（一行列出）\n## 快速开始（clone + 装 + 跑）\n## 效果\u002F评估（测试通过率、RAGAS 分数）\n## 目录结构\n```\n- ✅ 预期看到：一个陌生开发者照着 README 能跑起来。\n\n**过关**：README 完成 = Section 8 完成。\n\n---\n\n## Section 9 · 做第二个项目（垂直应用）\n\n**Subsection 1 · 做垂直项目**\n- 结合你背景做一个（合同审阅助手 \u002F 前端知识库）。\n- 复用主打项目的代码骨架（RAG\u002FAgent 通用部分直接拿）。\n- ✅ 预期看到：第二个项目能跑。\n\n**过关**：垂直项目能用 = Section 9 完成。\n\n---\n\n## Section 10 · 第二个项目打磨\n\n**Subsection 1 · 打磨 + README**\n- 修问题、写 README、补截图。\n\n**过关**：第二个项目可展示 = Section 10 完成。\n\n---\n\n## Section 11 · 简历改写（把项目写进简历）\n\n**Subsection 1 · 写项目描述**\n每项目用\"四段式\"：\n```\n背景（为什么做）\n我做了什么（技术栈+关键功能）\n技术难点（检索优化\u002F流式\u002F记忆\u002F评估）\n量化结果（准确率、RAGAS 分数、并发、延迟）\n```\n- 示例：\n> **企业知识库问答系统（RAG + Agent）**：基于 DeepSeek + Chroma + FastAPI 自建知识库问答，支持混合检索（BM25+向量）与重排，RAGAS 忠实度 0.91；用 LangGraph 接入工具调用实现\"能查库、能算数\"的 Agent；通过 SSE 流式输出实现打字机体验，部署于 Linux + nginx。\n\n**Subsection 2 · 对照你的旧简历**\n- 把 AI 项目替换\u002F补充进\"项目经历\"区。\n\n**过关**：简历有 AI 项目 = Section 11 完成。\n\n---\n\n## Section 12 · GitHub 主页整理\n\n**Subsection 1 · 整理 GitHub**\n- 项目仓库：README 完整 + 封面图（可用项目截图）。\n- 个人主页（profile README）：一句话介绍 + 项目列表 + 联系方式。\n- ✅ 预期看到：点开你的 GitHub 主页，2 秒内知道你是谁、做过什么。\n\n**过关**：GitHub 像样 = Section 12 完成。\n\n---\n\n## Section 13 · 刷 AI 大模型面试题（核心 20 题）\n\n**Subsection 1 · 精练 20 题**\n覆盖：\n```\n原理：Transformer \u002F 注意力 \u002F Token \u002F 预训练 vs 微调 \u002F RLHF\nPrompt：CoT \u002F 少样本 \u002F 注入攻击\nRAG：流程 \u002F 优化 \u002F 评估 \u002F 与微调区别\nAgent：四要素 \u002F ReAct \u002F Function Calling \u002F 记忆\n工程：LangChain vs LlamaIndex \u002F 流式 \u002F 量化 \u002F LoRA \u002F vLLM\n```\n- 每题用\"结论 + 一句展开\"的方式准备，能 30 秒讲完。\n\n**过关**：20 题能答 = Section 13 完成。\n\n---\n\n## Section 14 · 刷第二波：实战场景题\n\n**Subsection 1 · 练场景题**\n```\n\"如果让你给公司做一个内部知识库助手，你会怎么设计？\"\n\"用户问的资料里没有，怎么让模型不乱说？\"\n\"模型回答慢，你怎么优化？\"\n\"怎么评估你的 RAG 好不好？\"\n\"怎么控制调用成本？\"\n```\n- 先自己答，再让 DeepSeek 模拟面试官追问。\n- ✅ 预期看到：能边讲边画架构，讲清\"为什么这么做\"。\n\n**过关**：场景题能答 = Section 14 完成。\n\n---\n\n## Section 15 · 写自我介绍\n\n**Subsection 1 · 写并背**\n```\n30秒版：我是谁 + 最硬的一个项目 + 求职意向\n3分钟版：背景 → 技术栈 → 项目（重点讲一个）→ 为什么转 AI\n```\n- 例子骨架：\n> 我叫林默，电子信息工程本科，做过一年前端开发（参与过数据确权平台建设），熟悉 Java\u002FPython\u002FVue。近半年系统自学 AI Agent 开发：自建了 RAG 知识库问答和可调工具的 Agent，部署过开源模型，能独立完成\"LLM 应用从 0 到上线\"。求职方向：AI 应用开发 \u002F Agent 开发。\n\n**过关**：两版都能脱稿 = Section 15 完成。\n\n---\n\n## Section 16 · 模拟面试（第一轮）\n\n**Subsection 1 · 全真模拟**\n- 让 DeepSeek 当面试官（用下面的 system prompt）：\n```\n你是一位资深AI应用开发面试官，会依次问：自我介绍→项目深挖→技术原理→场景题。\n每次我回答后，你追问一个更深入的问题，并点评我回答的不足。\n```\n- 走完一整轮，记录被问倒的地方。\n\n**过关**：跑完一轮模拟 = Section 16 完成。\n\n---\n\n## Section 17 · 针对薄弱点补强\n\n**Subsection 1 · 补短板**\n- 复盘 Section 16 被问倒的问题，回到对应站（原理\u002F微调\u002F部署\u002F评估）重看。\n- 把答不好的 5 个问题重新写答案。\n\n**过关**：薄弱点补上 = Section 17 完成。\n\n---\n\n## Section 18 · 模拟面试（第二轮）\n\n**Subsection 1 · 再模拟**\n- 换一个新系统 prompt（\"更刁钻，专挑边界条件\"）再来一轮。\n- 对比第一轮，看进步。\n\n**过关**：第二轮明显更顺 = Section 18 完成。\n\n---\n\n## Section 19 · 投递准备\n\n**Subsection 1 · 准备投递材料**\n- 简历 PDF（AI 项目版）\n- 求职平台档案（放项目链接 + GitHub + 优势描述）\n- 作品集说明文档（3 个项目的链接 + 一句话亮点）\n\n**过关**：材料齐 = Section 19 完成。\n\n---\n\n## Section 20 · 站 18 \u002F 整条路线总验收\n\n**勾选**\n- [ ] 至少 2 个垂直项目 + 1 个综合项目能访问\n- [ ] 每个项目有完整 README（架构\u002F启动\u002F评估）\n- [ ] GitHub 主页整理完成\n- [ ] 简历写入了 AI 项目（四段式）\n- [ ] 20 题 + 场景题能答\n- [ ] 30 秒 \u002F 3 分钟自我介绍脱稿\n- [ ] 两轮模拟面试跑完，薄弱点已补\n- [ ] 投递材料齐备\n\n**写 500 字总结：整个 0→100 的学习复盘**：\n- 你做出的 3+ 个产品\n- 你掌握的技术栈\n- 你最有说服力的一个项目\n- 下一步计划（投递节奏 \u002F 继续深入的方向）\n\n**🎉 到这里，你已经从\"转行者\"变成\"有作品、懂原理、能部署、会面试\"的 AI 应用开发候选人。**\n去投简历吧——带着这些作品，你不是来学习的，是来干活的。\n\n---\n\n\n\n\n",20,[14,21,27,33,40,46,52,58,63,69,75,81,87,93,99,105,111,117,122,128,129],{"id":15,"slug":16,"title":17,"description":18,"level":19,"topic":20,"url":10,"content":10,"sortOrder":15},1,"part-1-llm-basics","Part 1 · 大模型基础认知","小白零基础友好。这一站不写代码，只建立\"大模型到底是什么\"的骨架。","BEGINNER","大模型认知",{"id":22,"slug":23,"title":24,"description":25,"level":19,"topic":26,"url":10,"content":10,"sortOrder":22},2,"part-2-llm-principles","Part 2 · 大模型原理 · 入门实操","这一站不卷数学，只把\"理解模型所需的知识\"讲透。；站 2A 解决\"理解模型\"，站 2B 解决\"面试能答\"。；这一层是\"有余力再做\"，不做也不影响你进入站 3。","大模型原理",{"id":28,"slug":29,"title":30,"description":31,"level":19,"topic":26,"url":10,"content":10,"sortOrder":32},100,"part-3-llm-principles-deep","Part 3 · 大模型原理 · 面试深入","数学基础、机器学习、神经网络、词向量、思维链等面试必考原理",3,{"id":34,"slug":35,"title":36,"description":37,"level":38,"topic":26,"url":10,"content":10,"sortOrder":39},101,"part-4-llm-principles-advanced","Part 4 · 大模型原理 · 进阶可选","从零写迷你模型、RLHF、PPO、分布式训练实操等进阶内容","INTERMEDIATE",4,{"id":32,"slug":41,"title":42,"description":43,"level":19,"topic":44,"url":10,"content":10,"sortOrder":45},"part-5-prompt-engineering","Part 5 · Prompt 提示词工程","从这里开始，你每天都要真的调大模型 API。","提示工程",5,{"id":39,"slug":47,"title":48,"description":49,"level":19,"topic":50,"url":10,"content":10,"sortOrder":51},"part-6-llm-api","Part 6 · 大模型 API 调用","站 3 你已经调通了 API。这一站把\"调用\"做成专业水准：","API 工程",6,{"id":45,"slug":53,"title":54,"description":55,"level":38,"topic":56,"url":10,"content":10,"sortOrder":57},"part-7-rag","Part 7 · RAG 检索增强生成","这一站是\"能落地\"的关键：让模型回答**你的私有知识**。","RAG",7,{"id":51,"slug":59,"title":60,"description":61,"level":38,"topic":56,"url":10,"content":10,"sortOrder":62},"part-8-rag-optimization","Part 8 · RAG 优化与评估","站 5 你做出了\"能跑\"的 RAG。这一站把它做到\"能打\"：",8,{"id":57,"slug":64,"title":65,"description":66,"level":38,"topic":67,"url":10,"content":10,"sortOrder":68},"part-9-langchain","Part 9 · LangChain 框架","目标：用 LangChain 把\"模型、提示词、检索、记忆、工具\"串成可复用的链和 Agent。","LangChain",9,{"id":62,"slug":70,"title":71,"description":72,"level":38,"topic":73,"url":10,"content":10,"sortOrder":74},"part-10-agent","Part 10 · Agent 基础","让模型从\"会聊天\"变成\"能干活\"：自己拆任务、调工具、看结果、再行动。","Agent",10,{"id":68,"slug":76,"title":77,"description":78,"level":8,"topic":79,"url":10,"content":10,"sortOrder":80},"part-11-multi-agent","Part 11 · 多 Agent 与 Agent IDE","从\"单个 Agent\"升级到\"多 Agent 协作\"，并掌握 AutoGen \u002F LangGraph \u002F GPTs \u002F Coze \u002F Dify 五个工具。","多 Agent",11,{"id":74,"slug":82,"title":83,"description":84,"level":8,"topic":85,"url":10,"content":10,"sortOrder":86},"part-12-llamaindex","Part 12 · LlamaIndex","站 5~7 你用了 LangChain 做 RAG。LlamaIndex 是另一条专攻\"数据 + LLM\"的路线。","LlamaIndex",12,{"id":80,"slug":88,"title":89,"description":90,"level":8,"topic":91,"url":10,"content":10,"sortOrder":92},"part-13-transformer","Part 13 · Transformer 深入","站 2A 建立了直觉，这一站把手写代码跑通——从\"懂概念\"到\"写得出\"。","Transformer",13,{"id":86,"slug":94,"title":95,"description":96,"level":8,"topic":97,"url":10,"content":10,"sortOrder":98},"part-14-open-models","Part 14 · 开源模型与私有化部署","目标：把主流开源模型在本地\u002F服务器跑通，理解服务化工程（显存、量化、并发）。","模型部署",14,{"id":92,"slug":100,"title":101,"description":102,"level":8,"topic":103,"url":10,"content":10,"sortOrder":104},"part-15-finetuning","Part 15 · 模型微调 Fine-Tuning","目标：理解\"什么时候必须微调、怎么选基座、怎么备数据\"，并完整跑通一次业务微调。","微调",15,{"id":98,"slug":106,"title":107,"description":108,"level":8,"topic":109,"url":10,"content":10,"sortOrder":110},"part-16-peft-lora","Part 16 · PEFT 参数高效微调","重点吃透 **LoRA**：用极少量可训练参数微调大模型（消费级显卡就能跑）。","PEFT\u002FLoRA",16,{"id":104,"slug":112,"title":113,"description":114,"level":8,"topic":115,"url":10,"content":10,"sortOrder":116},"part-17-quantization","Part 17 · 模型量化","目标：理解\"为什么量化、主流算法各自思路\"，能动手量化并评估效果。","量化",17,{"id":110,"slug":118,"title":119,"description":120,"level":8,"topic":121,"url":10,"content":10,"sortOrder":4},"part-18-data-evaluation","Part 18 · 训练数据与模型评估","数据决定模型上限，评估决定你\"能不能交付\"。","数据与评估",{"id":116,"slug":123,"title":124,"description":125,"level":8,"topic":126,"url":10,"content":10,"sortOrder":127},"part-19-multimodal","Part 19 · 多模态应用","让 AI 同时\"看得懂图、听得了音、说得出话\"。","多模态",19,{"id":4,"slug":5,"title":6,"description":7,"level":8,"topic":9,"url":10,"content":10,"sortOrder":12},{"id":130,"slug":131,"title":132,"description":133,"level":8,"topic":134,"url":10,"content":10,"sortOrder":135},102,"extra-2026-ai-tech","额外篇 · 2026 年 AI 应用开发必学的 5 项成熟技术","从近半年爆发的技术里，挑出已经过了尝鲜期、能真正用在项目里的 5 项：推理模型、MCP、多模态、GraphRAG、AI 编程工具链，每项都给到能跑通的代码。","AI 工程实践",21]