写给大模型新人的经验，刷到少走三年弯路！

前言

这篇文章，我将结合自己在大模型领域的经验，给大家详细聊聊新人应该如何转行大模型赛道？

比如大模型都有哪些方向？各方向的能力要求和岗位匹配？新手转行大模型常踩的坑和常见的误区？以及入行大模型最顺滑的路径？

如果你是正打算入行大模型的校招/社招同学，请一定看完，可能会让你在入行大模型的路上，少走很多弯路。

1、大模型都有哪些方向？

如果你在求职网站搜索"大模型"关键词，看一下招聘 JD，基本可以了解现在业内对大模型工程师的需求方向和能力要求.。

总结一下，大致可以分为 4 类：

• 做数据的（大模型数据工程师，爬虫/清洗/ETL/Data Engine/Pipeline）

• 做平台的（大模型平台工程师，分布式训练/大模型集群/工程基建）

• 做应用的（大模型算法工程师，搜/广/推/对话机器人/AIGC）

• 做部署的（大模型部署工程师，推理加速/跨平台/端智能/嵌入式）

2、大部分新手的误区

如果是你，看到这几个方向，会怎么选？我估计很多人都直奔第三点去了，坚定的要做应用，走在所有工种的最前沿，做出让老板，用户都看得到的核心"产品"。

不过这里我不禁要给各位泼一点冷水，在 AI 算法这个行业，三是很吃业务经验的，如果你之前本身就是做算法的，比如是做 NLP，又或者是做语音助手，对话机器人这类的，再顺水推舟做相关方向的大模型算法工程师，这是比较合适的。

在自身业务里融入一些大模型的算法和技法，拿到实际的业务产出，去市面上也比较好找这类岗位。

但如果你是 CS 方向的实习生/应届毕业生，或者其他 IT 方向转行大模型，3 未必是一个最好的选择，大家不要带着一个误区：大模型算法工程师就是调模型，调超参，做一做预训练，做一做 finetune，SFT 之类的活。

实际上呢，这部分工作只有很少人做，基本一个 team 中只有个位数的人，或者只是算法工作的很小的一部分。

注意一点，新人进去 90% 以上都不可能直接让你干算法模型调优的活，大部分可能还是让你配环境，搭链路，清洗数据，分析数据，调研，写一写 function，tools。

这些体力活都干熟了以后，可能才会让你跑一些模型实验。其中比较出色的，脑子比较灵活的同学，才会慢慢让他们开始接触线上业务。

也有很多同学，干了好几年，还是在干一些边角料，脏活，杂活，根本接触不到核心业务。对于刚入行的新人，如果你学历背景好点，可以去大公司做 intern 然后转正，背景差一点，可以去中小公司，积累业务经验。

3、数据很重要！

然后很多人可能往往忽视了上面的 1，2，4，觉得我学了这么多算法知识，学了机器学习，深度学习，还了解大模型，再去做数据，有点屈才了。

但我想告诉你的是，1 是更多转行大模型同学更容易上岸的方式。条条大路通罗马，不是只有一条路走到黑。

首先，目前国外的大模型技术至少领先国内两年，虽然国内已经有几十上百个“大模型”了，但真正能打的并没有几个。探究原因，还是有很多技术没有突破。

算法本身来说，GPT 已经不是什么秘密了。那剩下还有什么呢，一是数据，二是工程技巧。

拿数据来说，先说通用的大模型训练，数据的来源，从哪里采，数据的质量怎么把控，如何过滤有毒信息，语言的筛选与比例，数据的去重，以及数据的规范化处理，评测集的构建。这些既是体力活，又是技术活。

对于垂直领域，比如金融，电商，法律，车企，这种领域数据的构建就更考验技术了，业务数据怎么来，数据不够怎么办，完全没有数据怎么办？如果构建高质量的微调数据？

能把这些问题解决好，模型也就成功了一大半。因此，就目前的现状，对于数据工程师，特别是有经验的数据工程师，是非常稀缺的。

4、大模型平台干些啥？

然后说下 2，大模型平台工程师。如果你之前是做工程的，或者对工程比较感兴趣，我比较建议你选 2。

这二者其实并没有本质的区别，都是为了大模型业务服务的，也叫大模型基础设施的建设，作用就是让大模型 train 得更好，大模型跑得更快。

这块主要是干些啥呢？

从计算层面来说，有分布式计算，并行计算，高性能计算，有些公司对这三者也不加区分。

从硬件层面来说，有搞大模型训练集群，GPU 集群，CPU/GPU 混部集群，池子里要管理几百上千张卡，还要负责他们的利用率，机器的健康状况，有没有挂的，中小公司这块基本都是开发和运维一体的，一个工作干两个工种的活。

从平台层面来说，有做 LLMOps 的，也就是 pipeline。集数据 IO，模型训练，预测，上线，监控于一体，这种就是跟着业务团队走，做适配，造很多高效的轮子，方面业务团队使用，减少他们额外重复开发的时间。

这块整体上来说，在大模型时代稳中有升，因为实际上很多公司这方面的人都是从之前搞深度学习平台，大规模机器学习平台的人招过来的，技术上的 gap 相对比较小。因此，对于 AI 工程感兴趣的，可以选这个方向。

5、大模型部署干些啥？

最后说一下 4，大模型部署工程师。这个岗位之前也有，不过在大模型这一两年尤其的火热。

什么原因呢？

因为部署大模型太费钱了。首先模型延迟本身就高，30B 以上的模型，对算力，显存要求很高。

老板关心什么？一方面是大模型产品，也就是业务指标要好看，方便 PR。另一方面也要求控制成本(大厂/独角兽除外)。

一般企业里面，一个 P8 级别的 leader，要在公司里面抢业务，拉资源，找人力，本身就是一个不容易的事。

“降本增效”是 23 年以来，几乎所有公司的一个主旋律。所以老板们很关心你节约了多少钱，比如你把推理效率提高一倍，那就实实在在降低了一倍的成本。

回到大模型部署工程师来，这个岗位总体有两个方向的工作：云端部署和端侧部署。

云端比较好理解，可以做推理加速平台，也可以随着业务走，做大模型定制化加速。

比如 Qwen-7b 的加速，还可以做大模型推理引擎，比如搜索/问答的推理引擎，一般是在高并发用户场景下，在保证用户 SLO 的前提下，最优化 latency 和 throughput。

另一个大方向是端侧的部署。也就是在消费级 GPU/NPU 以及边端设备下，部署大模型，同时让领域大模型小型化，让业务能实际工程落地。

总的来说，大模型部署工程师对工程能力，系统能力，以及硬件等方面都要有一定的了解，现在各种推理框架出来以后，降低了一点难度，但仍然是一个比较有竞争力的工种。

你得了解计算图和 OP 的优化，得了解各种推理框架，缓存/显存优化，还有 LLM 结构运行时的系统架构。这个岗位一般不推荐新人入场，因为太吃经验了。建议先从 2 进场，然后逐步转到 4。

全套且系统的学习资料

面对AI大模型开发领域的复杂与深入，精准学习显得尤为重要。一份系统的技术路线图，详尽的全套学习资料，不仅能够帮助开发者清晰地了解从入门到精通所需掌握的知识点，还能提供一条高效、有序的学习路径。

无论是初学者，还是希望在某一细分领域深入发展的资深开发者，这样的学习路线图都能够起到事半功倍的效果。它不仅能够节省大量时间，避免无效学习，更能帮助开发者建立系统的知识体系，为职业生涯的长远发展奠定坚实的基础。

这份完整版的AI大模型全套学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

大模型知识脑图

为了成为更好的 AI大模型 开发者，这里为大家提供了总的路线图。它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

经典书籍阅读

阅读AI大模型经典书籍可以帮助读者提高技术水平，开拓视野，掌握核心技术，提高解决问题的能力，同时也可以借鉴他人的经验。对于想要深入学习AI大模型开发的读者来说，阅读经典书籍是非常有必要的。

实战案例

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

面试资料

我们学习AI大模型必然是想找到高薪的工作，下面这些面试题都是总结当前最新、最热、最高频的面试题，并且每道题都有详细的答案，面试前刷完这套面试题资料，小小offer，不在话下

640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

这份完整版的AI大模型全套学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】