1.大三下保研成功当时就pytorch熟练玩过一些小模型大模型调api都不会。海面了好几家公司靠以前的课题项目和pku一个研究院切合拿了大模型算法实习生offer实际上以rag清洗数据为主在这边学会的东西也不多就是rag。2.大四就是在之前基础上学会了调api还有一些rag操作海投面试。拿了美团ai产品实习还有某互联网小厂agent开发实习offer。选择了小厂继续做rag不过这边有agent开发内容学会了langchain那些框架有一说一感觉没啥用自己也能写纯应用层包装门槛特低。这里挺可惜的当时mentor给我一个人配了八卡4090没好好利用。3.后来读研一年多潜修内功学了vLLMpeft之类的训练框架做了几个横向课题对简单业务熟练了。研二拿了某互联网中厂核心ai业务算法实习offer和边缘大厂纯应用层的agent应用开发offer选择前者。体验是技术含量很高进步很大虽然业务核心代码没啥注释但用的都是比较先进的工程框架靠着GPT老师一个个接口学硬啃学会了分布式训练框架、推理框架各种类型的微调……然后自己从头到尾撸了很多自己的脚本靠着一堆调参trick还在一些小业务上用小参数模型超越了正直的大参数模型。总结互联网中厂大厂尤其是给你权限给你机器玩的去提升极大。小公司or普通研究院非常一般。一段实习通常需要满足一些前置的技术条件才能拿到offer。但offer只是开始还需要自己有意识地在完成任务的基础上提升自己而不是一直忙活榨干自己。2026年大模型已经无处不在但幻觉hallucination仍是企业落地的最大杀手金融风控、医疗问诊、客服机器人动辄编造事实直接导致合规风险和信任崩盘。知识图谱Knowledge Graph的核心价值正是结构化知识把碎片化数据变成实体-关系-属性的三元组网络让大模型先查图谱再回答。行业价值支持复杂多跳推理、知识溯源、实时更新广泛用于推荐系统、智能搜索、企业大脑。大模型痛点纯向量RAG召回率低、无法处理逻辑关系知识图谱大模型GraphRAG可将准确率提升40%以上。图谱赋能意义把大模型从概率生成器变成可信知识引擎真正实现企业级私有化落地。核心知识点知识图谱不是又一个数据库而是大模型的长期记忆和推理大脑。为方便大家学习 这里给大家整理了一份学习资料包 需要的同学 根据下图自取即可