大家好，我是吴师兄。
对于想求职大模型方向的同学来说，很长时间都在思考这个问题：
到底怎么才能拿到大模型offer？
在回答这个问题之前，我们首先要去了解一下什么大模，实际上不管是大模型的求职也好，我们现在的整个的这个求职也好，其实是一场
开卷考试
。
为什么很多的同学觉得求职就是现在这个环境这么差，找工作这么难，是因为大部分的同学我们都是摸着虾去求职的。
他们的信息基本上来自于身边的同学，你准备了什么项目，你投了哪一个，这个公司我也投一下，那么很多的同学都是这样去求职的。
我为了去得到这个项目，我应该去怎么准备，可能我在面试之前或者面试的前半年开始焦虑了，之后，我问各种各样的人，我怎么去准备，但是如果说我们从现在一开始就知道我到底应该学什么样的技能，准备什么样的项目，那么怎么去准备面试完了之后怎么复盘，然后面对不同场景的时候该说什么这个话，那大模型这个不管是大模型的面试也好，整个的求职面试，求职过程也好，对你来说就是一场开卷考试。
如果是聚焦到大模型的求职，这个方向其实就是两个点。
第一个点叫
把你自己变成一篇四平八稳的八股文
，第二个在这篇八股文的基础上
有一到两个亮点
。
对于绝大部分按部就班的按照大学课程规划来学习的同学来说，除了极个别就是非常拔尖的，大家的经历，大体都是相似的。
可能 24 年或 23 年的下半年到 24 年上半年就是看到既有 RAG 也有 agent，同时还有微调经验的同学相对来说不多，但是到了 24 年的秋招开始，大部分的求职的像大型方向求职的同学都是这样的简历。
见多了就见怪不怪了，就不会觉得这个同学有多么的优秀，就开始进入了一种，
卷学历也好，卷背景也好，卷论文也好，这样的这个死循环里面，那但是如果说你有一个这样的工业级的项目的实战
。
同时，有一到两个亮点，比如说能够体现出你在这个里面的思考。
比如说你在原来的做 SFT 做微调的基础上去做了一个 RUHF 去做了一个强化学习，那你为什么原来的 SFT 做微调到底是哪些情况下，没有满足我们这个工业场景的使用需求?那你怎么去做的，强化学习的数据怎么构造的，reward model 是怎么构建的，用的策略还是用的，比如说大模型的评估，还是我们训练了一个 reward model 到底是怎么训练，用什么样的数据训练的，那最后，加了 RHF 之后的这个效果评估是怎么做的，那如果说你有了这个思考量，
那你和面试官聊天的时候是完全不一样的
。
因为大家要知道一件事情，大厂面试官也都是打工人，就是从早到晚都是一直在工作，而且每天工作时间非常长。
很多时候。面试其实是一个放松聊天的过程
。
那如果说你把这个面试官聊了你的经历能让他产生非常强的共鸣，能让他产生极强的兴趣，如果说你取得更好的排序，你拿 offer 的概率是会大大提升。
这个叫四平八股文的八股文就是什么，就是别人有的我都有。
我们该有工业级的项目经验，该去掌握一些这个背一些八股去了解整个这个知识的框架，最后再在这个业务里面体现出我们对这个业务的思考，去解决问题的过程。
这个是核心的东西
。
就比如说现在你只是想去学习一下，我怎么去做个微调，我怎么去做一个强化学习，我怎么去，比如说做一个这个 RAGA 的项目，其实网上也有很多的课程。
比如说他们做微调很简单，就是我下 1 个公开数据集，我用这个 transformers 库，那些固定的这个代码，把这个数据集一传，甚至什么，lamafactory 一键训练。
你把这个数据集可能写个脚本构造成每一个模型需要的那个 template的模板就可以了，就一键训练。可能半个小时，你就把这个过程跑通了，然后我们看到loss 下降慢慢的下降到了一个比较低的水平，就感觉我会微调了，但不是这样的，你要去理解场景。知道这个场景里面怎么去构造数据集，遇到不同的问题该怎么去调餐，就是你正式的想要去决定，我们要去学这个方向之前你首先需要去想一想。
你不管是校招社招还是转行，我们到底想往哪一个方向去做，因为大模型的算法工程师的话，它有四个不同的方向就
。
大致的分可以分成四个不同的方向。
第一个是数据层，第二个是基础模型层，第三个是应用层，第四个是 infer 层，也就是底层的硬件优化。
这四个方向也都给出一些建议和策略，这里就不具体展开讲了。
说了这么久，最核心的内容还是需要有一个有亮点的项目。
通过项目体系化的掌握面试里会考察的方方面面的考点。
如果你打算从现在开始，准备半年，秋招冲一波算法岗，那么可以考虑下面的大模型实战课程。
