某次线下交流有位朋友问我“零基础想学大模型技术考点应该怎么复习”我反问他“你知道大模型相关的考点其实可以拆成几块吗”他想了想只说出“Transformer、提示词”两个词。这个问题其实很典型。大模型技术这几年已经大量进入各类认证考试、岗位技能评估和面试考察资料虽然多但要么是算法推导劝退小白要么是谈商业、谈热点的大词文章真正按“零基础考点”整理出来的复习路径少之又少。很多人花了两三周刷视频、看文章最后发现自己只是记住了零散名词遇到考试题仍然无从下手。这篇文章我按多年解读和辅导经验来写。不推公式不要求读懂源码只讲零基础考生复习时最需要掌握的技术主线、底层原理、应用套路和备考节奏。适合两类人一类是真要参加大模型相关认证或笔试希望短期内建立知识体系、拿下考点另一类是想快速了解大模型技术是什么、能做什么希望别人聊到这个话题时有框架能应对。全文会把考点掰开揉碎讲得比常规资料更口语化让你听完之后不只是“好像懂了”而是能讲、能做题、能动手。1. 零基础备考大模型考点先搞清“考什么”再发力1.1 大模型考点其实是三块知识地图所有和大模型技术相关的考题基本可以归纳为三块。第一块是“基础层”。包括神经网络的核心概念、损失函数、梯度下降以及 Transformer 这种底层架构。基础层题目以选择题、填空题、名词解释为主重点考察“知不知道这个概念、能不能一句话说清它的作用”。比如“注意力机制解决了什么问题”“位置编码为什么需要”就是典型的基础层考题。第二块是“训练与原理层”。包括预训练、微调SFT、对齐RLHF、数据工程等。这一层考察的是流程理解和阶段辨析题目常以判断题、简答题出现要求你把“先预训练再微调最后对齐”这条完整链条理解清楚。第三块是“应用层”。包括提示工程、检索增强生成RAG、智能体Agent、模型评估、部署选型。应用层的分值是三类里最高的往往出现在案例分析、方案设计题里。好消息是这一层对数学基础要求极低靠理解和记忆就能快速提升是零基础考生最应该优先发力的板块。我画过太多这样的知识地图建议你也照着画一张中心线是“模型怎么来训练→模型怎么用推理→业务怎么接应用”左右分支写上高频名词。考试无论怎么出题基本都在这个链路里。你只要定位到“哪个环节”答案方向就不会错。下面这张表是我反复调整后的考点分布速查可以直接拿去做复习计划知识板块核心考点常见题型复习优先级基础层神经网络、注意力、位置编码选择题、名词解释中训练原理层预训练、微调、对齐、数据工程判断题、简答题高应用层提示工程、RAG、Agent案例分析、设计题最高1.2 优先级策略先“送分”再“拿分”最后“攻坚”我接触过不少零基础备考者发现大多数失败案例都败在同一个问题学习顺序完全反了。他们一上来就死磕 Transformer 自注意力公式结果第二周就放弃了也有些人一上来就背各种模型的参数规模对应用场景完全没有概念碰上一道“如何设计一个知识库问答系统”的大题就彻底崩盘。零基础备考的最优顺序不是“从原理到应用”硬推而是“先从应用建立信心再回头补原理”。原因很简单应用层的门槛低。设计一个提示词、解释什么是 RAG不需要任何数学基础一两天就能学到可以答题的程度而原理层的硬骨头如果放在最开始啃很容易因为抽象度太高而半途而废。按这个逻辑我的优先级策略如下第一优先级应用层提示工程、RAG、Agent 的基本概念与设计套路。目标会举例、会辨析、会设计简单方案。这一层属于“送分题”花三天就能提升不少得分率。第二优先级训练原理层预训练和微调的区别、对齐的意义、采样参数的作用。目标会解释、能简答。这层属于“拿分题”需要理解而不只背诵。第三优先级基础层注意力机制、位置编码、前馈网络的作用。目标能名词解释、能判断正误。这层属于“攻坚题”不必强求数学推导能说出逻辑即可。这套顺序就是用最低的学习成本拿下最大比例的分值。零基础本身就意味着时间有限要先把最容易得分的阵地拿下来再逐步向外扩。2. Transformer零基础第一个必须攻下的核心考点2.1 注意力机制从“查字典”到“聚光灯”Transformer 几乎是所有主流大模型共用的底层架构。考试中反复出现的追问是“为什么有了循环神经网络还需要注意力机制”要回答这个问题得先把循环神经网络的问题说清楚。循环神经网络处理文本时信息要按照词的顺序一步一步向后传递这就像一条只能单行的巷子第一个人要走到第十个人的位置必须穿过中间所有人。如果文本很长最前面的信息传到后面时已经损耗得非常严重模型就“忘了”开头说了什么。注意力机制提供了一条捷径处理某个词时模型可以直接回头看输入序列里的所有词计算每个词与当前词的相关性并把注意力集中在最相关的位置。我常把这比喻成“在房间里打开一束聚光灯”想照亮谁就照亮谁不再依赖一条窄路接力传话。考试评分时通常看三点第一能不能点明注意力机制解决的是“长距离依赖”问题第二能不能说出“权重来自相关度计算”第三能不能提到它让并行计算成为可能。只要这三点到位名词解释题基本能拿满。还有一个容易被忽视的考点注意力机制里通常包含“查询向量、键向量、值向量”。查询和键计算相关度结果再对值做加权求和。零基础阶段不需要会手算公式但最好知道“相关性权重”这个大方向因为后续考察微调、RAG 时这个词还会反复出现。2.2 多头注意力与位置编码两个固定送分点多头注意力在白话层面并不难理解。单个注意力机制相当于一个“总负责人”每次只能聚焦一种关系多头机制则把计算空间拆成多个子空间每个头负责关注不同的关系模式最后再把结果拼接起来。我常把它类比成“不同专业的小组同时开会”一个小组关注语法关系另一个小组关注指代关系还有一个小组关注语义相似性所有小组汇总意见最终给出整体判断。考题通常不会让你描述具体数学形式主要问“多头注意力的作用是什么”标准答法是它在不同子空间里学习多种表达模式提升模型表达能力。位置编码是另一个高频考点。注意力机制本身不区分词的顺序如果你把一句话倒过来不额外加信息模型看到的“注意力分布”几乎一样。位置编码的作用就是给每个词注入一个“我在第几个位置”的数值信号。我总让学员把它想象成电影院的座位号没有座位号观众随便坐也能看电影但电影剧情有先后顺序坐错位置并不会影响你看懂画面但模型没有位置信息就看不懂“张三把苹果给了李四”和“李四把苹果给了张三”的区别。进阶一点的考题会提到相对位置编码和旋转位置编码。零基础复习阶段能理解“位置编码是为了弥补注意力机制缺失顺序信息”这一点已经足以应对绝大多数题目。不要试图去推导旋转位置编码的公式备考的性价比太低。3. 训练主线预训练、微调与对齐的高频考点3.1 自监督预训练最容易丢分的一句话考点预训练是大模型“变聪明”的阶段。这个阶段要解决的核心问题是模型如何从海量文本学会语言规律。考试里最经典的判断题是“预训练属于监督学习还是无监督学习”很多考生会直接选“无监督”结果被扣分。准确的说法是“自监督学习”。这个词的意思是模型并不依赖人工标注好的标签而是从文本数据本身构造“题目”和“答案”。比如最常用的训练任务是让模型根据前文预测下一个词或者在文本中遮挡一部分内容让模型还原被遮住的词。因为答案就在数据本身不需要人来标注所以叫自监督。另一个常考点是预训练数据工程。题目可能问“为什么要对预训练语料进行清洗、去重和过滤”回答要点有三第一低质量文本会让模型学到不合适的表达方式第二高度重复的数据会导致训练不稳定模型会过度拟合某些样本第三数据来源多样性能明显影响模型能力百科数据适合学通识代码数据适合学逻辑。有些考试还会扩展到数据配比即不同来源语料的比例问题这类题在你的知识地图上属于“数据工程”分支。我还想提醒一个概念上下文窗口。预训练阶段通常会用固定长度的文本来训练模型这个长度上限就是模型的上下文窗口。考题如果问你“为什么大模型只能处理有限长度的输入”答案中应该提到上下文窗口和计算资源的限制而不是简单说模型“没有记忆能力”。3.2 微调SFT与对齐RLHF怎么区分零基础最容易混淆的三个概念是预训练、微调、对齐。我用“大学生→实习生→合格员工”来类比。预训练阶段培养的是通用语言能力相当于完成大学通识教育能够看懂各种文本、续写各种内容但还不会好好“干活”。微调阶段我们用带有任务指令的数据对模型做监督训练让模型学会“回答问题”的标准格式相当于进入实习岗位后针对岗位需求补专业技能。对齐阶段则是要让模型符合人类的偏好和价值观比如拒绝输出有害内容、回答要诚实、语气要友善相当于一个员工不仅业务能力合格还要有职业素养。考试里常考“指令微调SFT和预训练有什么区别”。标准答法要抓住三个层面训练数据的来源不同预训练用的是大规模无标注文本微调用的是人工整理的指令数据目标任务不同预训练是语言建模微调是“学习遵循指令”训练方式也有差异微调通常是有监督训练。能把这三点说清楚简答题的得分就稳了。关于“RLHF”的题目也很常见。零基础不需要掌握强化学习的数学细节只需要记住它的作用RLHF 通过对人类偏好进行建模引导模型生成更符合人类期望的内容提升有用性和安全性。考试里经常出现的选择题选项是“RLHF 的目的是什么”选“提升生成内容与人类期望的一致性”即可。4. 推理与应用生成从原理到落地的考点解析4.1 生成式推理与采样参数一道必考的应用题大模型的“推理”和逻辑推理不完全是一回事。在日常使用阶段模型执行的是“自回归生成”根据前面已经生成的词一步步预测下一个词每生成一个词就把它加回输入再继续生成下一个。这个过程考场上可以理解为“滚雪球”——后面的内容永远基于前面已经生成的内容。与推理密切相关的考点是采样参数。实操和考试中以下参数是必考的。温度temperature控制模型输出的随机程度。温度越低模型越倾向于选择概率最高的词输出更确定、更保守温度越高词的概率分布会被拉平模型会更大胆地选择低概率词输出更多样但也更容易跑偏。考试常问“写代码或做数学题时温度应该调高还是调低”标准答案调低最好接近 0因为代码和数学题要求确定性和准确性。top-p 和 top-k 决定候选词的范围。top-k 是只看概率排前 k 个的词top-p 是从概率最高的词开始逐个累加直到累计概率超过阈值把这批词作为候选集。二者本质上都是给模型输出加一个“候选池上限”控制生成内容的意外程度。这些参数在实际请求里通常长这样示意代码如下不代表任何特定接口# 伪代码示例一次带参数控制的问答请求 messages [ {role: system, content: 你是严谨的编程助手只输出代码和必要解释。}, {role: user, content: 用python写一个函数判断某个字符串是否为回文。}, ] result model_api.chat( messagesmessages, temperature0.1, # 低温度保证确定性 top_p0.6, # 限制候选范围 max_tokens256 # 控制生成长度 )对照一下各参数的典型取值参数作用数值调低数值调高典型场景温度输出随机性更确定更多样代码/数学题设为低值top-k候选词数量更保守更有创意创意写作可适当提高top-p候选词累积概率更稳妥更发散需要稳定回答时设为低值有的考题还会提到“KV缓存”。这里的“KV”指的是注意力计算里的键和值缓存起来可以避免每生成一个词都重新计算历史词的注意力。零基础只要记住结论KV 缓存能显著提升生成速度让推理过程更快是实际部署中的常用优化手段。4.2 量化、蒸馏与部署选型资源有限时怎么“跑起来”应用层另一类常考题目是“如何用有限资源把模型跑起来”。这类答案通常会落到两种主流压缩技术量化与知识蒸馏。量化是把模型权重的数值精度降低以减小体积、加快速度。可以把它想象成高清照片转成压缩图片图片能看但细节损失了一些。大模型的权重通常用较高精度浮点数存储如果把这些数字的位宽降低模型文件会明显变小推理时需要的显存也大幅减少。考题的标准问法“量化会造成什么影响”回答体积变小、推理速度变快可能带来轻微的精度损失。知识蒸馏是把一个大模型的知识“压缩”到一个小模型里。典型做法是让一个参数量少的“学生”模型去学习参数量大的“老师”模型的输出分布。蒸馏的核心优势是小模型在保留多数能力的同时推理速度更快部署成本更低很适合跑在边缘设备上。考试若问你“为什么现在很多场景不直接部署大模型”可以把“速度、成本、显存限制”三个词放进去。部署选型题通常以场景为背景出案例分析。比如内部数据不能出公司、需要秒级响应的场景应优先考虑本地部署预算有限、响应要求不高、数据不敏感的场景可以调用云端接口。这里的核心权衡是计算资源、数据隐私、单次调用成本。答题时把三点都摆出来再给出倾向性判断分数不会低。还有一种常被忽略的部署考点输入输出格式限制。实际业务里我们经常要求模型输出一个 JSON 结构而不是自由文本。考题如果让你设计一个“信息抽取助手”你需要在提示词里明确“只输出 JSON字段包括标题、时间、作者、摘要”这既是一个工程实践也是考试的得分点。5. 应用层考点提示工程、RAG 与 Agent 三板斧5.1 提示工程零基础最值得投入的得分区提示工程是大模型考试里性价比最高的考点。它不需要数学基础也不需要理解模型内部结构考验的是“你有没有能力用自然语言引导模型给出预期结果”。核心考点包括四个要素角色设定、任务描述、上下文信息和输出格式。我平时用的模板一般长这样你是一名资深的中文技术编辑。 任务把下面这段文字改写成通顺、简洁、无病句的版本。 背景这段文字会发布在面向新手的科普频道。 要求只输出修改后的文字不要解释修改原因不要添加新的信息。 原文xxx这短短几行里其实包含了一套完整的答题公式。考试如果给了一个低质量提示词让你指出问题常见毛病有目标任务模糊、没有背景信息、没有输出格式限制、缺少正反示例。你能按这四个方向作答基本就把题干踩点踩全了。另一个高频考点是少样本示例。模型不擅长听抽象的指令但很擅长模仿。你给一个示例它就会照着你的风格输出。考场遇到“让模型生成某种风格文案”的题最稳的套路是先构造一组输入输出范例再把目标内容放进去让模型模仿。这比反复用形容词描述“要幽默一点、要有网感”有效得多。5.2 RAG 与微调的选择题逻辑检索增强生成RAG是现在大模型应用落地最重要的考点之一。它的流程可以概括为三步先把外部文档分割成片段并建立索引用户提问时从中检索出几个最相关的片段最后把检索结果和用户问题一起组装成提示词让模型基于检索到的内容生成回答。RAG 解决的核心问题是“知识老化”和“私有知识获取”。大模型在预训练后就固定了对世界的认知训练截止之后的事件、企业内部文档它都不知道。与其频繁重训模型不如在问答时把最新资料或私域资料“喂”进上下文让模型边查边答。同时因为回答需要参照检索内容RAG 还能明显降低模型“编造内容”的概率。考试里高频出现的是一道选择题或简答题“什么时候用 RAG什么时候用微调”我的判断口诀是需要更新知识、引用来源、查私有文档优先考虑 RAG需要改变模型的写作风格、输出格式、专门能力考虑微调。一句话概括RAG 让模型“知道更多”微调让模型“更擅长某件事”。场景推荐方案理由查询最新新闻RAG无需重新训练实时更新知识公司内部制度问答RAG私有文档不可泄露答案可溯源让模型风格像某个人微调改变的是输出习惯不是事实知识开发特定行业术语助手微调让模型熟悉狭窄领域的表达5.3 Agent 基础考点让大模型学会“调用工具”Agent智能体是当前大模型应用领域最热的方向之一也正在成为考试进阶题。零基础复习时不需要掌握工程实现细节先理解它是怎么运作的。Agent 的基本框架是大模型不再只是“生成文字”而是扮演一个“决策者”。它接收任务后先将任务拆解成多个步骤再为每个步骤选择合适的工具然后执行工具调用并根据工具返回的结果决定下一步动作。我给零基础学员画过一个简化流程定义任务目标例如“帮我查询某地明天天气并决定要不要提醒我带伞”。模型拆解计划第一步查询天气第二步根据结果生成提醒。调用工具调用天气查询接口传入城市名和日期参数。汇总反馈把接口返回的数据放入上下文生成最终回答。这里的关键词是“函数调用”。工程师会预先定义好一批工具函数每个函数都带一个描述和参数说明模型根据用户意图选择最适合的函数并传参。本质上就是给模型一本“通讯录”让它自己决定给谁打电话、说什么内容。一个简化的函数调用示意可以帮你理解考点{ function: query_weather, arguments: { city: beijing, date: 2025-07-20 } }考试题最常见的问法是“智能体和普通对话系统有什么区别”答法是普通对话系统只输出文本智能体能自主规划、调用外部工具、根据执行结果动态调整策略并最终给出一个“做了事”的答复。能说出“规划、工具调用、反馈”三个词基本就能拿到大部分分值。6. 备考实操一条能落地的复习路线和避坑清单6.1 一条零基础可照做的三四周复习路线我没办法在文章里替你安排所有时间但我可以给出一条经过验证的复习路线分为四周。第一周主攻应用层。前三天浏览提示工程的常见写法练习“系统身份任务描述格式要求”三段式提示词花两天理解 RAG 的检索、拼接、生成流程用自己的话把流程讲一遍最后两天了解 Agent 的概念、函数调用和几个经典案例。这一周完全不接触公式目标是能说、能举例子。第二周主攻原理层。先看 Transformer 的通俗解释理解注意力机制、多头、位置编码然后重点掌握预训练、微调、对齐三阶段的差异配合思维导图把“训练链路”默写三遍。这一周的目标是能在一分钟内把“模型是怎么训练出来的”清晰讲给别人听。第三周动手验证一次。尝试部署一个开源权重模型跑通一个最简单的对话流程再用一个本地文档集做一个最小化的问答 Demo。不追求规模大只求“手上有真实项目过一遍”。这个过程中你会非常自然地理解前面背过的所有概念。第四周整理真题与错题。找一些模拟题按章节定时练习记录错题。重点记录混淆项预训练是自监督微调是监督对齐要考虑人类偏好代码和数学题温度调低RAG 更适合解决知识更新问题。6.2 零基础备考最容易踩的坑最后整理几个我反复见到的备考误区帮你提前避开。死磕数学公式是最常见的问题。大模型零基础考试很少要求手推公式你的目标是看到公式能识别它对应的场景而不是复现推导。时间要用在建立概念和训练应用理解上。把预训练和微调混为一谈。简答题里如果你说“微调就是继续训练模型”会被判为不准确。微调是使用指令数据做监督学习目标是提升模型遵循指令和完成任务的能力继续预训练只增加知识。这两件事在考试里不能混。答设计题时忽略输出格式。很多考生在方案设计题中能写出功能模块却忘了写“最后输出必须为 JSON”之类的约束。这是典型扣分点。答题时主动提输出格式既是得分点也是实际工程中的常见需求。只背概念不上手。即使完全零基础也应该抽时间跑通一个最小案例。几十行调用代码、一个本地问答 Demo能把抽象知识变成具象体验记忆成本比背诵低得多。看到“开源权重模型”就焦虑版本。零基础阶段不需要追最新模型挑一个文档完善、社区活跃的开源模型跑通流程即可。重点是理解训练、推理、应用的整体链路而不是堆模型名和参数数字。这几条坑如果提前规避复习效率至少能翻一倍。考试不是为了背诵名词而是考察你在真实业务中能否选对方案、说清原理、搭好流程。带着“我是在设计一个解决方案”的心态去复习很多概念会变得更容易记住。我在实际辅导中的体会是零基础学大模型技术最大的敌人不是技术难度而是信息密度过载。今天这个课程提一个新词明天那篇文章又引入一个概念没有骨架的知识很快就被遗忘。先把“训练—推理—应用”这条主线架起来再往框架里填细节你会发现那些看似复杂的名词其实只是链条里的螺丝钉。如果你也正在备考相关考试不妨从今天开始先拿一张纸画出自己的知识地图再一步步把每个考点填充进去。按这个节奏走比漫无目的地刷两个星期视频要稳得多。最后再分享一个小技巧复习到任何时候觉得混乱了就回去默写一遍那条训练到应用的主线只要脉络还在你丢不掉全局。