10 年大厂后端老兵的 AI 转岗经验分享，帮你建立 AI 学习认知框架。从 AI 工程师与算法工程师的区别出发，绘制 AI 技术全景架构图，逐层解读模型层、编排层、应用层、基础设施层，给出可执行的学习路线和项目实战建议。

全面深入解析 Transformer 架构，从诞生历史背景到整体架构概览，详解编码器与解码器核心组件、多头自注意力机制、位置编码、前馈网络、残差连接与层归一化，并延伸至 GPT/BERT 等现代大模型的架构演进。

RAG 生产落地技术面试题集，45 道核心题覆盖 10 大方向：基础架构、文档处理与知识库构建、Embedding 与向量化、向量数据库选型、检索策略优化、生成与后处理、生产级系统架构、评估与优化闭环、高级 RAG 技术、真实生产排障，含面试加分点与常见踩坑。

基于 QwenPaw v1.1.9 源码的 100 道面试题全解析，覆盖架构设计、Agent 系统与 ReAct 循环、记忆系统、技能系统、工具系统、频道系统、Cron 与 Heartbeat、多 Agent 与 ACP、安全体系、配置系统等 13 大模块。

Python 大厂面试题库 100 道详解版，涵盖 Python 基础、数据结构、并发编程、内存管理、设计模式等高频考点，每题含深入解析、面试官考察点、易错点与生产实践，助你不仅答得出更讲得透。

Milvus 向量数据库完整学习手册，从向量数据库基础概念讲起，详解 Milvus 2.x 存算分离架构、核心组件、索引类型（FLAT/IVF/HNSW/DISKANN）、数据模型、CRUD 操作、混合检索、性能调优与生产部署最佳实践。

MaxKB v2 全方位学习教程，从功能使用到源码深度剖析。详解企业级智能体平台的 RAG 检索增强、工作流引擎、模型中立、无缝嵌入四大核心能力，覆盖技术栈、架构设计、源码实现与生产部署。

LLM 应用开发面试 100 题全解析，涵盖 RAG 专题（分块策略/评估体系/多路召回）、Agent 编排（LangGraph/工具调用）、模型部署（vLLM/量化推理）、微调技术（LoRA/QLoRA）等核心领域，由浅入深，每题附标准回答与实战经验。

LLM 应用开发面试第二场，三阶段递进考察：基础知识（Self-Attention/QKV/Temperature采样/语义歧义检索）、工程实战（AI客服Agent架构/百万QPS缓存策略/P99延迟优化）、开放场景（数据泄露排查/答案一致性调试），每题附深度参考答案。

LlamaIndex 面试八股文 100 题全解析，面向大厂 AI/RAG 工程师岗位，覆盖基础概念、数据加载、索引构建、检索策略、查询引擎、Agent 工具化、评估优化、生产部署等核心模块，含 Python 代码示例与速记清单。