JD 知识点拆解

你拿到一份心仪公司的 JD，上面写着「精通 Transformer」「熟悉 RAG」「有 Agent 落地经验」「了解 LoRA 微调」「懂推理优化」……每一条都看得懂，但每一条又都隔着一层雾：到底要会到什么程度？面试官会怎么考？

本文要做的，就是把 JD 里的"技能词"翻译成一张可逐项复习的知识点清单——不是泛泛的"要学好大模型"，而是精确到"能画出 self-attention 的计算流程""能讲清 RAG 里 chunk 怎么切、rerank 何时该上""能说出 LoRA 为什么参数少却有效"这样的具体考点。配合文末的五档自评表与补课清单生成方法，你可以用一下午完成"技能体检"，得到一张属于自己的学习路线图。

拿到 JD ──① 提取技能词──② 映射到考点──③ 五档自评──④ 生成补课清单──⑤ 每周复测
               │              │             │             │
           精通/熟悉/了解   本文第二~十一节   本文第十二节    本文第十三节

本文适合：投递RAG 应用工程师、Agent 工程师、大模型算法工程师、AI Infra 工程师等岗位的候选人，以及所有想把"我好像都会"变成"我能讲透"的学习者。

一、JD 技能词的真实考点

JD 不是课程大纲，它是公司对"你能独立产出什么"的最低期待。招聘方的潜台词是：

写"熟悉 RAG"，不是要求你把 RAG 的概念背下来，而是要求你面对一个企业知识库问答需求时，能独立完成方案选型、动手搭建、量化评估、排查失败。

所以拆解 JD 的第一步，是把技能词映射到"面试官实际会考的能力"。三个常见误区先排掉：

• 误区一：把 JD 当全表。JD 里 10 条要求，公司心里通常只有 3 条是硬性门槛（决定简历关过不过），其余是"理想候选人画像"。优先补门槛项。
• 误区二：把"熟悉"当成"了解"。面试官写"熟悉 X"，考查的是你能讲出原理、动手实现、说出权衡，而不是"听说过 X"。自评时请用"能讲透"作为"熟悉"的及格线。
• 误区三：只复习单点，不复习组合拳。面试几乎从来不是单点考：它常给你一个场景（"给企业做知识库问答，数据是 10 万份 PDF，你怎么设计？"），要求你同时动用 RAG（架构）+ 向量检索（召回）+ 评测（效果）+ 推理优化（成本）。所以下面十个板块必须连起来看。

二、十大知识点总表：关键词 → 概念 → 考点 → 本站页面

这是全站最核心的一张映射表。左边是 JD 高频关键词，右边是它对应到本站的深度页面。

JD 关键词	核心概念	面试会怎么考（典型问题）	本站深度页面
Transformer / 注意力 / 位置编码	Self-Attention、QKV、多头、位置编码	"Q/K/V 是什么？为什么按 √d_k 缩放？为什么需要位置编码？"	Transformer 与注意力机制
LLM 原理 / 预训练 / 涌现	Next-token 预测、Scaling Laws、涌现	"next token prediction 为什么能学到语言？涌现怎么理解？"	大语言模型（LLM）
提示词 / CoT / 结构化输出	Prompt 设计、思维链、输出约束	"Few-shot 和 CoT 各解决什么问题？结构化输出怎么保证？"	提示词工程
RAG / 向量检索 / 重排	索引、chunking、召回、rerank	"RAG 各环节失败怎么排查？什么时候必须上 rerank？"	检索增强生成（RAG） · 向量数据库与语义检索
Agent / 工具调用 / ReAct	任务规划、Function Calling、循环	"Agent 卡死怎么办？工具调用的 schema 怎么设计？"	AI 智能体（Agent）
LoRA / 微调 / 数据工程	PEFT、低秩适配、指令数据	"LoRA 为什么参数少却有效？微调数据从哪来？"	微调与 PEFT
RLHF / DPO / 对齐	奖励模型、PPO、偏好优化	"RLHF 的奖励模型怎么训？DPO 比 RLHF 简化了什么？"	对齐：RLHF 与 DPO
量化 / 推理优化 / 部署	INT8/INT4、KV Cache、服务化	"量化为什么能加速？精度损失从哪来？KV Cache 干嘛用？"	推理优化与量化 · 部署与推理优化实战
评测 / 基准	评测集、人工 vs 模型评估、指标	"怎么评估生成质量？幻觉怎么量化？指标怎么映射业务？"	LLM 评估与基准
多模态 / 扩散	视觉编码器对齐、扩散过程	"视觉编码器怎么和 LLM 对齐？扩散模型采样怎么加速？"	多模态模型 · 扩散模型与生成式 AI

下面十节逐个展开每个知识点的追问方向与推荐阅读页。总览与概念边界可先看什么是 AI 热门概念与概念边界。

三、Transformer / 注意力 / 位置编码

JD 词：「深入理解 Transformer 架构」。这是所有大模型相关岗位的地基题，几乎必考，且考得很细。

面试追问方向：

1. Q/K/V 三者的含义与来源："自己和自己做注意力，为什么叫 self-attention？"
2. 缩放因子：为什么点积要除以 √d_k？"点积方差随维度增大，softmax 会饱和"
3. 位置编码：为什么需要？旋转位置编码（RoPE）解决了什么？
4. 多头注意力的意义：多头是在"看不同子空间的关系"，与单头对比讲清。
5. 与 CNN/RNN 的对比：并行性、长距离依赖、二次复杂度。

一句话判断：把「注意力计算流程 + 为什么缩放 + 位置编码的必要性」讲成一个 5 分钟故事，是这一板块的及格线。进阶阅读看Transformer 与注意力机制，动手理解可参考ChatGPT 与对话式 AI。

推荐阅读页：Transformer 与注意力机制 · 大语言模型（LLM）

四、LLM 原理 / 预训练 / 涌现

JD 词：「熟悉大语言模型原理」「有大模型训练/应用经验」。核心是回答"大模型是怎么变强的"。

面试追问方向：

1. 预训练目标：next-token prediction 为什么能学出语法、知识与推理能力？
2. Scaling Laws：参数、数据、算力同步增长时能力如何变化？"更大即更强"的边界在哪？
3. 涌现：涌现能力是真能力还是评测产物？你怎么跟不懂的人解释它？
4. 上下文学习：少样本/零样本的机制解释有哪些（贝叶斯视角 vs 隐式梯度视角）？
5. 幻觉：参数化记忆的本质缺陷，如何缓解（这同时是 RAG 的动机）。

一句话判断：这一板块考的不是背结论，而是你是否建立了"模型 = 压缩的记忆 + 概率的生成"这个心智模型。完整讲解见大语言模型（LLM），演进脉络见演进简史。

推荐阅读页：大语言模型（LLM） · Transformer 与注意力机制 · DeepSeek-R1 与推理模型

五、提示词 / CoT / 结构化输出

JD 词：「熟悉提示词工程」「掌握 CoT」。这个板块看似简单，面试其实最爱"挖深度"。

面试追问方向：

1. 提示词的组件：系统提示词、Few-shot 示例、输出格式约束各自解决什么问题？
2. CoT：为什么"let's think step by step"有效？CoT 什么时候失效？
3. 结构化输出：JSON mode、Function Calling 的 schema 设计，怎么保证解析不失败？
4. 提示词 vs 微调：什么情况改提示词、什么情况必须微调？
5. 成本与延迟：提示词越长 token 越贵，怎么在效果与成本间取舍？

一句话判断：提示词没有"标准答案"，只有"可评测的迭代"——每次修改都要能用数据证明提升，这是区分"会调提示词"和"会做提示词工程"的分水岭。实战手册见提示词实战手册。

推荐阅读页：提示词工程 · 提示词实战手册 · LLM 评估与基准

六、RAG / 向量检索 / 重排

JD 词：「精通 RAG」「熟悉向量检索」。应用线岗位的核心命题，面试浓度最高。

面试追问方向：

1. 全链路：离线索引（解析 → 清洗 → chunk → embedding → 入库）与在线检索（query 向量化 → 召回 → rerank → 生成）每一环失败怎么排查？
2. Chunking：怎么切？按段落/标题/语义？切多大？为什么 chunk 大小直接影响回答质量？
3. 召回 vs 重排：向量召回是"宽进"，rerank 是"精排"，什么时候必须上 rerank？
4. 混合检索：为什么关键词（BM25）+ 向量往往好于纯向量？怎么融合？
5. 评测：RAG 评测的双维度——检索质量（命中率/NDCG）与生成质量（引用率/忠实度），怎么搭评测集？

一句话判断：RAG 面试的隐藏考点永远是**"你会不会排查"**——检索为空、召回不相关、生成不引用原文，每个失败模式都有对应解法。系统拆解见检索增强生成（RAG），动手路线见从零搭建 RAG 应用，实战案例见Perplexity 与 AI 搜索。

推荐阅读页：检索增强生成（RAG） · 向量数据库与语义检索 · 从零搭建 RAG 应用 · 知识图谱与知识注入

七、Agent / 工具调用 / ReAct

JD 词：「有 Agent 落地经验」「熟悉工具调用」。2024 年后新增的高频板块，且面试趋势从"懂概念"转向"做过真流程"。

面试追问方向：

1. ReAct 循环：推理 → 行动 → 观察，为什么比直接调工具稳定？什么时候失效？
2. 工具调用：Function Calling 的 schema 怎么设计？参数校验与错误处理怎么兜底？
3. 长任务：多步任务的规划策略（一次规划 vs 逐步决策）？上下文超限怎么办？
4. 稳定性：Agent 陷入循环、走偏、幻觉出工具参数，怎么识别与恢复？
5. 评估：怎么衡量一个 Agent 好不好（任务完成率、步数、失败率）？这和 RAG 评测有何不同？

一句话判断：Agent 面试最怕"纸上谈兵"——没亲手跑过一个会卡死、会反复重试的 Agent，就讲不出稳定性方案。动手路线见从零开发一个 Agent，产品形态参考Manus 与 Agent 应用。

推荐阅读页：AI 智能体（Agent） · 从零开发一个 Agent · 常见陷阱与反模式

八、LoRA / 微调 / 数据工程

JD 词：「熟悉 LoRA/微调」「有数据工程经验」。微调岗面试的三大支柱：方法、数据、评估。

面试追问方向：

1. LoRA 原理：为什么低秩假设成立？rank 怎么选？LoRA 与全参微调的权衡？
2. QLoRA：4-bit 量化 + LoRA 的组合，为什么能在一张消费级显卡上微调？
3. 微调 vs RAG：什么时候该微调、什么时候该 RAG？怎么组合？
4. 数据工程：指令数据从哪来（人工/合成/蒸馏）？怎么清洗、去重、配比、质检？
5. 过拟合与遗忘：微调后模型忘了通用能力怎么办？评测怎么覆盖？

一句话判断：微调岗 70% 的工作是数据工程，30% 是训练——面试官问"你微调过什么"，真正想知道的是"你如何造数据、如何证明微调有效"。完整路线见微调与 PEFT与微调你自己的 LLM。

推荐阅读页：微调与 PEFT · 微调你自己的 LLM · 数据集与工具档案

九、RLHF / DPO / 对齐

JD 词：「熟悉 RLHF」「了解对齐」。基础模型团队高频词，应用岗作为加分项出现。

面试追问方向：

1. RLHF 三段式：SFT → 奖励模型 → PPO。奖励模型怎么训（偏好对排序）？
2. PPO 为什么贵：需要加载四个模型（策略/参考/奖励/价值），KL 约束干嘛用？
3. DPO：把 RLHF 的"训练奖励模型 + 强化学习"压缩成直接偏好优化，简化了什么、牺牲了什么？
4. 对齐的陷阱：奖励黑客（reward hacking）、过度优化，怎么缓解？
5. 对齐 vs 安全：对齐是让模型"按人的意图做事"，AI 安全是"确保不造成伤害"，两者的关系？

一句话判断：对齐板块的考点全在**"为什么"**——理解了"RLHF 昂贵是因为在线采样 + 四个模型"，就理解了 DPO 存在的意义。原理详解见对齐：RLHF 与 DPO。

推荐阅读页：对齐：RLHF 与 DPO · AI 安全与治理 · 大语言模型（LLM）

十、量化 / 推理优化 / 部署

JD 词：「熟悉推理优化」「了解模型部署」。AI Infra 岗的主战场，也是应用岗的加分项。

面试追问方向：

1. 量化：INT8/INT4 为什么能加速？精度损失从哪来（分布压缩、异常值）？怎么校准？
2. KV Cache：生成阶段为什么比预填充慢？KV Cache 的显存开销怎么算？怎么管理？
3. 连续批处理：为什么比静态批处理吞吐高？PagedAttention 解决了什么？
4. 部署：服务化的延迟预算、QPS 估算、显存规划怎么做？灰度发布怎么保证效果不回退？
5. 蒸馏：怎么用小模型学大模型？什么时候蒸馏比量化更划算？

一句话判断：推理优化面试的三个关键词是延迟、吞吐、成本——每个方案都要能回答"它优化了哪个指标、代价是什么"。深度讲解见推理优化与量化，动手路线见部署与推理优化实战。

推荐阅读页：推理优化与量化 · 部署与推理优化实战 · Transformer 与注意力机制

十一、评测 / 基准 / 多模态与扩散

1. 评测 / 基准

JD 词：「熟悉 LLM 评测」「搭建过评测体系」。这是横跨所有岗位的能力，也是简历区分度最高的一项。

面试追问方向：

1. 评测类型：人工评估 vs 模型评估（LLM-as-judge）vs 自动化指标，各自成本与偏差？
2. 评测集设计：考什么（事实性/指令遵循/推理/安全）、样本怎么选、覆盖什么边界？
3. 指标映射：离线指标怎么对应业务目标（回答准确率 vs 用户留存）？
4. 幻觉量化：引用率、忠实度怎么算？检索失败和生成失败怎么分开归因？
5. 基准的局限：MMLU、HumanEval 考不出什么？

一句话判断："你如何证明你的改动有效"是面试里最值钱的一句话——评测能力就是把这句话变成方法论。完整拆解见LLM 评估与基准，动手见搭建一套 LLM 评估。

推荐阅读页：LLM 评估与基准 · 搭建一套 LLM 评估

2. 多模态与扩散

JD 词：「多模态经验」「熟悉扩散模型」。多模态理解与生成是独立赛道，也是传统 CV/NLP 岗的新叠加项。

面试追问方向（理解线）：

1. 视觉编码器与 LLM 怎么对齐（投影层、Q-Former、Adapter 各自的取舍）？
2. 多模态幻觉：模型"看见"了不存在的物体，成因与评测方法？
3. 跨模态检索：图文检索的对比学习怎么组织正负样本？

面试追问方向（生成线）：

4. 扩散过程：前向加噪 + 反向去噪，训练目标是什么？
5. 采样加速：DDIM、DPM-Solver 为什么能减少步数？质量与速度的权衡？
6. 条件控制：ControlNet、LoRA 在生成里怎么注入条件？

一句话判断：多模态岗位看对齐（理解线）或生成质量与可控性（生成线），选准一条线深挖，比两条都懂皮毛强。理解线见多模态模型，生成线见扩散模型与生成式 AI与图像生成案例、视频生成案例。

推荐阅读页：多模态模型 · 扩散模型与生成式 AI · 语音 AI 案例

十二、JD 里没写但面试会考：隐藏考点

以下考点很少出现在 JD 字面里，却是面试的隐性分水岭——它们决定你从"会背书"变成"能干活"。

隐藏考点	为什么 JD 不写但会考	备考入口
工程与部署全链路	面试官默认"懂概念"的人很多，"能把东西跑上线"的人很少	部署与推理优化实战 · 常见陷阱与反模式
评估设计能力	JD 写"熟悉评测"，实际考"你会不会为这个场景设计评测"	搭建一套 LLM 评估 · LLM 评估与基准
数据工程功底	几乎所有岗位入职第一个月都在处理数据，JD 却不直接写	数据集与工具档案
成本意识	token 成本、GPU 成本是业务决策的核心，JD 极少写透	推理优化与量化
安全与合规	生成式 AI 的内容安全、数据合规越来越是硬约束	AI 安全与治理
场景组合拳	面试常给综合场景题（知识库问答、Agent 工作流），考多板块联动	从零搭建 RAG 应用 · 从零开发一个 Agent
行业与产品理解	"这个方案落地给谁用、怎么算 ROI"是区分级别的考题	模块导读与岗位版图 · AI 产品经理

组合拳是隐藏考点的最大形态

2025 年的面试题几乎都是场景题："给企业做客服知识库，10 万份文档、要求可溯源、晚上高峰 500 QPS，你怎么设计？" 这道题同时考 RAG 架构（第六节）、评测（第十一节）、推理优化（第十节）、成本（隐藏考点）。逐板块复习完，一定要做一次"组合拳模拟"——把多节知识串成一个系统方案讲出来。

十三、五档自评表与补课清单生成

1. 五档自评标准

档位	含义	判定标准（对着镜子给自己打分）
1 没听过	完全陌生	这个词都没见过
2 听说过	有点印象	见过/听过，但讲不出定义
3 了解	知道概念	能给出定义和一个例子，但说不出原理与权衡
4 熟悉	能动手用	能独立实现 / 调参 / 排查，知道优缺点与适用场景
5 能讲透	能教别人	能在 5 分钟内讲清原理 + 推导 + 权衡 + 反例，经得起追问

2. 十大板块自评表（可打印）

考点	没听过	听说过	了解	熟悉	能讲透
Transformer：注意力 / QKV / 位置编码	□	□	□	□	□
LLM 原理：预训练 / Scaling Laws / 涌现	□	□	□	□	□
提示词：CoT / 结构化输出 / 与微调取舍	□	□	□	□	□
RAG：chunking / 召回 / rerank / 评测	□	□	□	□	□
向量数据库：相似度 / 索引 / 混合检索	□	□	□	□	□
Agent：ReAct / 工具调用 / 稳定性	□	□	□	□	□
微调：LoRA / QLoRA / 数据工程	□	□	□	□	□
对齐：RLHF / DPO / 奖励黑客	□	□	□	□	□
推理优化：量化 / KV Cache / 部署	□	□	□	□	□
评测：评测集 / 指标 / 业务映射	□	□	□	□	□
多模态 / 扩散：对齐 / 采样 / 可控性	□	□	□	□	□
隐藏考点：工程全链路 / 成本 / 安全	□	□	□	□	□

打印与勾选方法

按板块逐行打勾，勾选你当前真实水平对应的档位。诚实是前提——目标是把"能讲透"以下的行全部暴露出来，而不是让表看起来好看。拿不准时往低一档勾。

3. 生成个人补课清单

自评表打完之后，用四步把它变成一张可执行的周计划：

步骤	动作	要点
第一步	按档位归类	1~2 档 = A 类（先搞清"是什么"）；3 档 = B 类（补原理与权衡）；4 档 = C 类（写 5 分钟讲稿）
第二步	按板块排优先级	先补目标岗位的硬性要求板块（见JD 清单），再补加分项板块
第三步	套用周计划模板	每周 3 个 A 类 + 2 个 B 类 + 1 篇讲稿，A/B/C 随进度动态调整
第四步	三个执行原则	讲得出来才算会（录音回听卡壳处）；手推 > 看推（自己动笔推导）；每周复测（周日重新打分）

4. 四个执行原则

• 原则一：讲得出来才算会。每个考点复习完，用手机录一段 5 分钟自讲，回听找出"卡壳处"——卡壳处就是没懂的地方。
• 原则二：手推 > 看推。数学类考点（注意力缩放、LoRA 更新规则、量化误差）务必自己动笔推导，"看懂"和"会推"在面试里是两回事。
• 原则三：项目 > 概念。至少把一个项目完整跑完（推荐从零搭建 RAG 应用或从零开发一个 Agent），把概念落到工程上。
• 原则四：每周复测。周日晚上重新打分，把"升档"的考点划掉，把"原地踏步"的标注出来追问原因。

补充一句

补课清单的目标不是"把表涂满"，而是把目标岗位 JD 里的门槛项全部升到 4 档以上。岗位不需要的板块（比如投 RAG 应用岗不必强求预训练 5 档），卡在 4 档即可，把时间投到刀刃上。

十四、延伸阅读

站内联动

• 模块导读与岗位版图 · JD 清单 · 简历分析 · 面试题库 —— career 模块完整四件套
• 学习路径 —— 从 JD 和面试题倒推学习的完整主线
• 十大板块的深度正文：Transformer 与注意力机制 · 大语言模型（LLM） · 提示词工程 · 检索增强生成（RAG） · 向量数据库与语义检索 · AI 智能体（Agent） · 微调与 PEFT · 对齐：RLHF 与 DPO · 推理优化与量化 · LLM 评估与基准 · 多模态模型 · 扩散模型与生成式 AI
• 动手实践：从零搭建 RAG 应用 · 从零开发一个 Agent · 搭建一套 LLM 评估 · 微调你自己的 LLM · 部署与推理优化实战
• 随查随用：术语表 · 数据集与工具档案 · 模型与榜单速查

参考资料

• Vaswani et al. Attention Is All You Need (NeurIPS 2017) —— Transformer 原始论文，注意力机制的权威出处
• Kaplan et al. Scaling Laws for Neural Language Models (2020) —— 缩放定律原始论文
• Wei et al. Chain-of-Thought Prompting (NeurIPS 2022) —— 思维链原始论文
• Lewis et al. Retrieval-Augmented Generation (NeurIPS 2020) —— RAG 原始论文
• Yao et al. ReAct: Synergizing Reasoning and Acting (ICLR 2023) —— ReAct 原始论文
• Hu et al. LoRA: Low-Rank Adaptation (ICLR 2022) —— LoRA 原始论文
• Ouyang et al. Training language models to follow instructions with human feedback (2022) —— InstructGPT / RLHF 关键论文
• Rafailov et al. Direct Preference Optimization (NeurIPS 2023) —— DPO 原始论文
• Ho et al. Denoising Diffusion Probabilistic Models (NeurIPS 2020) —— 扩散模型奠基论文
• Radford et al. Learning Transferable Visual Models From Natural Language Supervision (CLIP) (2021) —— 图文对齐代表性论文
• Hugging Face LLM 课程 —— 大模型微调、RAG、评估的免费实战课程