写在前面
欢迎大家关注Rocky的知乎：Rocky Ding
《三年面试五年模拟》AIGC/LLM/AI Agent算法工程师/开发工程师求职面试秘籍独家资源：【三年面试五年模拟】WeThinkIn/AIGC-Interview-Book，欢迎大家Star～
Rocky最新撰写的10万字AI Agent（AI智能体）深入浅出全维度解析文章： 深入浅出完整解析AI Agent（AI智能体）的核心基础知识
AIGC/LLM/AI Agent算法岗/开发岗求职面试内推学习社群 （涵盖AIGC、LLM大模型、AI Agent、传统深度学习、自动驾驶、机器学习、计算机视觉、自然语言处理、强化学习、大数据挖掘、具身智能、元宇宙、AGI等AI行业最新面试干货经验与核心知识）欢迎大家加入：https://t.zsxq.com/33pJ0
大家好，我是Rocky。
目录
- 一面
- [1. MQA 和 GQA 是如何优化多头注意力的](#1. MQA 和 GQA 是如何优化多头注意力的)
- [2. 什么是 token；如何节省 token](#2. 什么是 token；如何节省 token)
- [3. 微调过模型吗；LoRA 听过吗](#3. 微调过模型吗；LoRA 听过吗)
- [4. RAG 的运行过程；检索有哪些类型](#4. RAG 的运行过程；检索有哪些类型)
- [5. 如何优化 RAG 链路的性能](#5. 如何优化 RAG 链路的性能)
- [6. 如何理解 skill](#6. 如何理解 skill)
- [7. 如何设计知识库，包括知识的准确性和更新机制](#7. 如何设计知识库，包括知识的准确性和更新机制)
- [8. 介绍一个熟悉的 Java 垃圾回收器](#8. 介绍一个熟悉的 Java 垃圾回收器)
- [9. 从 Spring 的角度，如何缩短应用启动时间](#9. 从 Spring 的角度，如何缩短应用启动时间)
- [10. 常见的索引优化方式有哪些](#10. 常见的索引优化方式有哪些)
- [11. 数据库中的锁有了解过吗](#11. 数据库中的锁有了解过吗)
一面
1. MQA 和 GQA 是如何优化多头注意力的
回答：
核心思路是减少 Key、Value 头的数量，让多个 Query 头共享 K/V，从而降低自回归解码时的 KV Cache 容量和访存开销。 MHA 为每个 Query 头配置独立的 K/V 头；MQA 让所有 Query 头共享一组 K/V；GQA 将 Query 头分组，每组共享一组 K/V，在表达能力与推理效率之间折中。
设 Query 头数为 H，K/V 头数为 G，通常要求 H 能被 G 整除。MHA 对应 G=H，MQA 对应 G=1，GQA 一般取 1<G<H。Query 头仍分别计算注意力分布，因此减少 K/V 头不等于把所有头的输出变成相同。对第 i 个 Query 头，可以写成：
O i = s o f t m a x ( Q i K g ( i ) ⊤ d h + M ) V g ( i ) . O_i=\mathrm{softmax}\left(\frac{Q_iK_{g(i)}^\top}{\sqrt{d_h}}+M\right)V_{g(i)}. Oi=softmax(dh QiKg(i)⊤+M)Vg(i).
这里 g(i) 表示该 Query 头所属的 K/V 组，M 是因果或其他注意力掩码。在各层配置一致、K 与 V 头维度均为 d_h 的简化条件下，KV Cache 的数据容量约为：
S K V = 2 B L T G d h s . S_{\mathrm{KV}}=2B L T G d_h s. SKV=2BLTGdhs.
B 是批大小，L 是层数，T 是缓存序列长度，s 是每个元素的字节数，系数 2 对应 K 与 V；实际还存在块管理、对齐和元数据开销。在其他条件相同的情况下，GQA 的 KV Cache 约为 MHA 的 G/H。例如 32 个 Query 头配 8 个 K/V 头，理论缓存数据量是同配置 MHA 的四分之一，这不是端到端延迟必然降低四分之三的承诺。
收益在需要反复读取历史 K/V 的解码阶段尤其明显，也能支持更长序列或更高并发。注意力仍然需要让各 Query 头与历史位置交互，并没有消除长序列的注意力计算；实际加速取决于内核、带宽、批量、并行切分和模型其他算子。MQA 共享程度更高，可能损失质量；GQA 通常提供更温和的折中，仍需在目标模型与任务上验证。
工程上不要把 GQA、KV Cache 和 FlashAttention 混为一谈：GQA 改变 K/V 的共享结构，KV Cache 复用已计算的历史状态，FlashAttention 主要优化注意力算子的访存和中间结果处理。已有 MHA 模型也不能随意在推理配置里把头数改小；结构转换涉及权重处理和进一步训练或验证。
容量估算示例。 假设批大小 B=1、层数 L=32、缓存长度 T=8192、头维度 d_h=128，K/V 使用 BF16，每元素占 2 字节。32 个 K/V 头的 MHA 缓存为 4 GiB；8 个 K/V 头的 GQA 为 1 GiB；1 个 K/V 头的 MQA 为 128 MiB。这只是上述统一结构假设下 K 与 V 数据的容量，不包含模型权重、激活及分配开销，也不能直接当作任意模型的实测显存。批大小或实际缓存长度翻倍时，这部分容量线性增长。
2. 什么是 token；如何节省 token
回答：
Token 是分词器将文本或其他模态输入编码后的离散单元，对应词表中的 ID。它可能是一个字、一个词的一部分、标点或若干字节，不能固定理解为一个汉字或一个单词。相同文本使用不同分词器，token 数量可能不同；图片和音频的计数方式则取决于具体模型与服务接口。
回答"节省 token"前先区分目标：减少上下文占用、降低费用、缩短首 token 延迟，还是减少完整响应耗时。它们相关但不完全等价。前缀缓存可能减少重复预填充计算或缓存部分计费，却不会自动扩大上下文窗口，也不等于输入在逻辑上不存在。
输入侧可以去除重复提示与无关历史，保留用户目标、约束、关键事实和未完成操作；长历史采用结构化摘要与按需记忆检索，工具结果只返回必要字段，对长日志分页或保存为可读取的产物。RAG 中先重排、去重，再按证据完整性装配上下文，保留出处位置和例外条件，不能只按分数截断到预算就忽略答案所需的关键证据。
输出侧明确所需格式与详略，给出合理的输出上限，简单分类和字段抽取避免生成冗长解释。但设置过低的上限可能截断 JSON 或推理结果，造成重试后反而更贵。调用链上减少无效循环、合并可以确定性处理的步骤，往往比压缩几个提示词更有效。
验证时用实际 tokenizer 或服务返回的用量统计，同时记录输入、输出、缓存命中、重试次数、任务正确率和端到端耗时。以相同任务质量为前提比较优化效果；如果删掉约束后 token 变少但答案错误，就不是有效优化。
3. 微调过模型吗；LoRA 听过吗
回答：
先如实说明是否做过微调、使用的底座与规模、数据任务、训练方法和自己负责的环节。没有完成过微调实验，可以说明理解原理并给出实验设计，不能把看过教程或调用模型 API 表述成真实训练经验。
LoRA 是一种参数高效微调方法：冻结预训练权重 W，只训练低秩增量。对于线性层，可以写成：
W ′ = W + α r B A , W ∈ R d o u t × d i n , B ∈ R d o u t × r , A ∈ R r × d i n . W'=W+\frac{\alpha}{r}BA,\qquad W\in\mathbb{R}^{d_{\mathrm{out}}\times d_{\mathrm{in}}},\quad B\in\mathbb{R}^{d_{\mathrm{out}}\times r},\quad A\in\mathbb{R}^{r\times d_{\mathrm{in}}}. W′=W+rαBA,W∈Rdout×din,B∈Rdout×r,A∈Rr×din.
r 是秩，通常远小于输入和输出维度；标准缩放为 α/r，部分变体采用其他缩放规则。可训练参数从 d_out×d_in 降至 r×(d_in+d_out)。常见初始化让一个矩阵为零、另一个为随机值，使初始增量为零，同时允许梯度开始更新。目标模块可选注意力投影或其他线性层，具体配置应与任务和预算共同评估。
LoRA 显著减少可训练参数、梯度和优化器状态，但仍需加载底座并进行前向与必要的反向传播，激活显存并不会等比例消失。QLoRA 进一步结合量化底座和低秩适配，两者不能简单画等号。支持权重合并的部署可以将增量并入兼容精度的底座；量化、多个适配器和动态切换场景还需考虑额外转换或运行开销。
介绍实验时应说明数据清洗、训练测试隔离、学习率、rank、训练步数及验证集选择，而不是只报用了哪张显卡。比较基座、提示词优化、RAG 与微调的效果：经常更新的业务知识通常更适合外部检索，稳定的任务格式和行为模式可以考虑微调。验收包括目标任务收益、通用能力退化、过拟合、成本和推理延迟。
4. RAG 的运行过程；检索有哪些类型
回答：
RAG 将外部检索与生成结合：先找到与问题有关且有权访问的证据，再让模型基于证据回答。它通常分为离线数据准备和在线请求两条链路。
离线链路是文档接入、解析与清洗、结构化切分、元数据与权限绑定、Embedding 或其他索引构建、验证与发布。每个片段保留文档 ID、版本、标题路径和位置，便于更新、撤回和引用。上传完成不等于索引已经可用，查询应使用完整就绪的数据快照。
在线链路是身份与范围校验、问题理解或按需改写、检索候选、融合与重排、证据去重及上下文补全、模型生成、引用和结果校验。问题改写与多路召回是可选策略；简单精确问题不必经过过多模型步骤。未找到证据时应扩大授权范围内的搜索策略或明确无法确认，不能把没有召回解释为事实不存在。
常见检索方式包括：关键词与 BM25 等稀疏检索，适合专有名词、编号和精确匹配；向量稠密检索，适合语义相近但措辞不同的内容；混合检索，结合两者并通过排名融合或重排整合；结构化条件检索，按日期、版本和字段筛选；图检索，沿明确关系展开多跳证据。元数据过滤通常是检索范围控制，不必把它当成独立的语义匹配算法。
缓存应区分问题向量、候选、重排和最终答案，键与失效策略包含权限范围、知识版本及必要模型配置。召回截断也要分层：候选 Top-K 服务于重排，最终证据集服务于生成；两者不能用同一个很小的 K 代替。相关片段可能分散在多个章节，完整比较任务更不能只依赖 Top-K 来保证穷尽覆盖。
5. 如何优化 RAG 链路的性能
回答：
先测量再优化，把链路拆成检索前处理、Embedding、检索、重排、上下文组装、预填充和解码，记录各阶段耗时、P50/P95、吞吐、费用与质量指标。首 token 延迟和完整回答耗时要分别看，流式输出改善等待体验，并不必然减少后端总耗时。
检索侧可以复用已就绪索引、批量构建向量、优化权限与元数据过滤、调节近似检索的搜索预算，并在延迟允许时并行执行关键词和向量召回。不同引擎对过滤与近似检索的组合实现不同，不能假设扩大 Top-K 就一定解决过滤后候选不足。候选数、重排规模和最终上下文长度需要分别调优。
模型侧优先减少没有实际收益的改写与规划调用，选择足够胜任的模型，裁剪重复证据和冗长工具返回值，利用可用的批处理与前缀缓存。重排可以只用于困难问题或较大候选集，但路由策略应经过验证；简单问题不能为了固定流程无条件经过所有模型节点。
缓存提升重复请求效率，也可能返回过期或越权内容。缓存键应绑定 Workspace、访问范围、文档或索引版本和查询规范化方式；权限撤销与文档更新需要有失效机制。语义答案缓存尤其要防止相似问题实际包含不同日期、实体或限定条件。
最终用固定评测集做消融，观察 Recall@K、答案正确性、证据支持、失败率、延迟和成本的共同变化。把 K 从 50 降到 5 可能加快重排，却漏掉唯一证据；把上下文缩短可能降低预填充，却丢失例外条款。优化目标应是达到业务质量门槛下的资源效率，并通过并发与长尾样本验证。
延迟分析示例。 假设一个请求的两路检索分别耗时 40 ms 和 70 ms，融合与重排 90 ms，上下文组装 10 ms，模型从收到请求到首 token 需要 300 ms。忽略排队、网络传输及调度开销，两路检索串行时约为 510 ms，并行时约为 470 ms；并行阶段取较慢分支的耗时。即使检索完全免费，其余阶段仍需约 400 ms。这组假设数据说明，应沿关键路径定位瓶颈。各阶段的 P95 不能简单相加就当作端到端 P95，真实高分位延迟需要保留同一次请求的 trace，在目标并发下统计。
6. 如何理解 skill
回答：
在 Agent 场景中，skill 通常指可按需加载的任务能力包，包含适用条件、执行指导、必要资源以及可选脚本。它把完成一类任务的方法组织成可复用单元，例如"核验文档版本并生成差异报告"，而不仅是一个底层函数。
工具暴露具体操作及参数契约，例如搜索文档、读取文件或提交查询；skill 则描述什么时候使用哪些工具、输入如何准备、结果怎样验收。工作流规定步骤与状态转换，skill 可以指导 Agent 选择或执行工作流。MCP 提供工具和资源接入的协议能力，与 skill 的任务组织方式处于不同层次。
在 Agent Skills 这类文件化约定中，一个能力目录以 SKILL.md 描述技能，前置元数据提供名称与适用描述，正文提供任务指导，并可附带脚本、参考文件和资产。支持渐进加载的宿主可以先展示概要，命中任务后再读正文和所需资源；实际加载时机与执行方式由宿主实现，不能假设所有 Agent 框架都有相同机制。
设计一个可维护 skill，需要明确触发条件、输入输出、步骤、失败处理和验收标准，并给依赖资源设置版本。重复执行应尽量幂等；脚本和文件内容要按其信任程度处理，执行权限由运行环境控制。把"具有一个 skill"直接等同于"获得新的模型参数能力"或"自动拥有工具权限"都不准确。
可以用覆盖任务与不应触发的任务测试选择准确率，再评估成功率、额外 token、工具调用次数和错误恢复。skill 的价值在于把稳定经验转成可检验、可复用的执行指导，而不是单纯增加提示词长度。
7. 如何设计知识库，包括知识的准确性和更新机制
回答：
知识库应同时管理内容、身份、版本、权限和质量。原始文件保存为可追溯快照，业务记录维护文档 ID、版本、生效时间、适用范围、负责人和状态；解析产物、chunk、向量与全文索引记录各自配置版本。内容哈希帮助检测变化，但不能代替文档业务身份和访问权限。
准确性要分层控制：接入前检查资料是否可信和适用，解析后检查缺页、错表、乱码及 OCR 风险，入库前校验元数据，查询时限定有效版本与权限，输出时验证引用及关键事实。存在相互冲突的制度时，需要明确权威层级、生效时间和适用对象，不能单纯选择向量距离最近的一段。
更新可采用事件通知、增量扫描或变更日志驱动。识别新增、修改、删除和权限变更后，生成新版本产物并验证，再原子切换查询指针；向量与全文索引即使不能跨系统事务提交，也可以通过版本化查询路由防止读取半更新状态。失败时保留可用旧快照并展示数据新鲜度边界。
删除和撤权必须覆盖索引、原文件读取、证据扩展以及缓存，不只是删一条数据库记录。对于历史报告，需按保留政策处理快照和引用；不能为了历史可复现继续向已撤权用户暴露内容。模型或切分策略改变时也可能需要重建索引，并维持灰度与回滚能力。
评测既包含问题---证据---答案集，也包含更新生效时间、旧版误召回、权限隔离和撤回后缓存行为。为重要内容建立责任人和复核机制，线上反馈进入待审核队列，避免未经确认的用户纠错直接覆盖可信知识。
8. 介绍一个熟悉的 Java 垃圾回收器
回答：
可以介绍 JDK 21 HotSpot 中的 G1。G1 将堆划分为多个大小相同的 Region，逻辑上区分 Eden、Survivor、Old 等角色，通过选择回收收益较高的区域控制停顿。Region 化并不意味着完全取消分代，也不意味着每次回收都遍历整个老年代。
年轻代回收会在 Stop-The-World 阶段将存活对象从回收集复制到其他 Region，更新引用并释放原区域。G1 通过 Remembered Set 和写屏障等机制追踪跨区域引用，减少局部回收时需要扫描的范围。并发标记与应用线程交错执行，仍包含需要停顿的阶段；标记结果帮助后续 Mixed GC 选择部分老年代区域与年轻代一起回收。
G1 使用 SATB 思路支持并发标记，记录标记期间可能影响快照可达性的信息；它不是保证程序执行期间所有垃圾立即被清理。大对象可能成为 Humongous 对象并占用连续 Region，增加分配和空间管理压力。若可用空间不足或复制失败，可能出现更重的回收甚至 Full GC，不能把 G1 描述成"没有长停顿"。
调优先看 GC 日志、分配速率、晋升情况、存活集、停顿分位数、Humongous 分配和应用吞吐。MaxGCPauseMillis 是尽力满足的目标，不是硬实时保证；缩小停顿目标可能增加回收频率、降低吞吐。堆大小、并发标记启动时机和区域选择应结合负载验证，不能只套一组参数。
面试时可以联系 AI 应用的实际对象分配：大量 JSON、文档解析中间对象、日志拼接和长生命周期缓存可能造成不同 GC 压力。先判断是否存在内存泄漏、无限缓存或异常分配，再考虑收集器参数。若比较 ZGC 等方案，须明确 JDK 版本和延迟目标，不能混用不同版本的实现与默认值。
9. 从 Spring 的角度，如何缩短应用启动时间
回答：
先定义启动完成的时刻：进程创建、Spring ApplicationContext 刷新完成、端口开始监听和真正能够处理业务请求是不同指标。应记录总启动耗时、CPU 与内存、类加载、Bean 创建、自动配置以及数据库和远端依赖初始化的时间。
可以借助 ApplicationStartup 及 BufferingApplicationStartup 等启动步骤记录能力，并结合可用的启动端点、日志或 JFR 定位瓶颈。随后缩小组件扫描范围，清理不需要的 starter 和自动配置，避免重复初始化，检查 Bean 构造器、初始化方法和应用启动监听器中是否执行了耗时网络访问或全量数据加载。
对非关键 Bean 可以采用懒加载，使初始化推迟到首次使用；代价是错误发现更晚、首次请求变慢，内存峰值也不一定在启动时暴露。认证、路由、必要配置及业务关键依赖不能为了"启动快"而在就绪信号之后仍不可用。可选缓存预热可以异步进行，但需要降级策略、并发控制和明确完成状态。
外部数据库迁移、连接建立和远程配置读取也要单独分析。合理设置超时和重试，避免无界等待；必要迁移应纳入发布流程与就绪条件，不能简单删除。并行初始化只有在依赖关系清楚、框架和组件支持时才考虑，不应任意并发执行全部 Bean 生命周期。
进一步可以评估 Spring AOT 与原生镜像等方案，但要结合版本支持、反射与动态代理配置、构建成本和运行时限制。优化后不仅比较冷启动，还要验证首次请求、完整功能、资源峰值和失败时的就绪行为，防止把启动成本转移给用户。
10. 常见的索引优化方式有哪些
回答：
先确认数据库类型、版本和真实查询模式。以 MySQL InnoDB 的 B+Tree 索引为例，优化依据应包括慢查询、执行计划、扫描行数、过滤率、回表次数、排序开销和写入负载。索引越多不等于越快，每个索引都增加存储和写维护成本。
联合索引需要与常见的等值过滤、范围条件、排序和分组共同设计。例如查询固定租户下某状态的近期订单，可评估 tenant_id、status、created_at 的联合索引，并通过执行计划确认范围与排序能否利用它。不能机械地把"选择性最高的列总放最前"当成唯一规则；查询前缀复用、排序和数据分布同样重要。
满足左侧前缀的条件通常更容易用于定位。遇到范围条件后，后续列仍可能参与索引条件下推或覆盖读取，不能笼统说"范围右侧所有列都失效"。覆盖索引可减少回表，但不宜为了覆盖任意 SELECT * 把大量大字段都放进索引。索引条件下推也不等同于完全避免回表。
保持谓词可利用索引：注意对索引列施加函数、表达式、隐式类型转换以及前导通配符的影响；具体能否使用函数索引或生成列取决于版本和定义。深分页可在排序稳定且业务允许时采用基于上次排序键的游标分页，配合唯一键打破排序并列。
最后维护统计信息，检查重复与低收益索引，并评估冷热数据与事务写入压力。EXPLAIN ANALYZE 等命令是否真正执行语句应先确认，避免把诊断当作零成本操作。对大量数据进行索引变更时，需要考虑锁、磁盘、复制延迟和回滚方案，效果以代表性数据上的实际执行结果为准。
11. 数据库中的锁有了解过吗
回答：
以 MySQL InnoDB 为例，锁用于协调并发访问与修改；事务隔离还依赖 MVCC，因此普通快照读不一定需要对读到的每行加共享锁。需要区分一致性读、锁定读、写操作及它们在具体隔离级别下的行为。
行级锁主要作用于索引记录，包括记录锁、间隙锁和 Next-Key Lock。Next-Key Lock 结合记录及其前方间隙，在一定的范围锁定读和写场景下帮助防止幻读；间隙锁主要阻止向间隙插入，并非所有类型的间隙锁之间都互斥。意向锁是表级协调机制，用于声明事务计划在表内取得某类行锁，不能把它理解为自动锁住全表数据。
在常见的 Repeatable Read 配置下，范围锁定可能使用 Next-Key Lock；唯一索引的完整等值查找等场景可以更精确地锁定记录。Read Committed 对普通搜索和索引扫描的间隙锁使用更少，但外键检查、重复键检查等仍有例外。锁范围由执行路径、条件和隔离级别共同决定，缺少合适索引可能扩大扫描与锁定范围。
死锁是多个事务互相等待形成环；等待超时则不一定存在环。应统一访问顺序、缩短事务、确保更新条件有合适索引，并通过锁等待与死锁诊断定位。数据库选择事务回滚后，应用按业务语义重试整个事务，配合幂等与重试上限；不能只重新执行最后一条 SQL 就假定一致性仍然成立。
还可以补充乐观锁：通过版本号条件更新检查并发冲突，检查受影响行数并决定重试或提示冲突；它不意味着底层执行更新时完全不使用数据库锁。DDL 还涉及元数据锁，长事务可能阻塞结构变更。回答时始终限定数据库实现，不把 MySQL 的间隙锁规则推广到所有数据库。
推荐阅读
1. 深入浅出完整解析AI Agent（AI智能体）的核心基础知识
2025年可以说是AI Agent全面落地应用的元年，因此Rocky在持续撰写对AI Agent的全维度解析文章：
深入浅出完整解析AI Agent（AI智能体）的核心基础知识
2. 深入浅出完整解析扩散模型DDPM、DDIM、Score-Based、SDE、LDM、Classifier/Classifier-Free Guidance、Rectified Flow核心基础知识
Rocky对扩散模型的本质原理与和核心基础知识进行了全面系统的深入浅出分析讲解，同时不断跟进补充扩散模型的最新技术发展，希望能给大家带来帮助：
深入浅出完整解析扩散模型DDPM、DDIM、Score-Based、SDE、LDM、Classifier/Classifier-Free Guidance、Rectified Flow核心基础知识
3. 入浅出完整解析FLUX.2、Seedream（即梦）、Z-image、GLM-Image核心基础知识
Rocky对AIGC时代"中场时刻"之后的主流AIGC创作大模型的核心基础知识进行了全面系统的深入浅出分析讲解，力求让大家通俗易懂理解AIGC时代的技术浪潮的本质价值：
入浅出完整解析FLUX.2、Seedream（即梦）、Z-image、GLM-Image核心基础知识
4. 深入浅出完整解析FLUX.1 Kontext和FLUX.1 Krea核心基础知识
Rocky对FLUX.1 Kontext和FLUX.1 Krea的核心基础知识作了全面系统的梳理与解析：
深入浅出完整解析FLUX.1 Kontext和FLUX.1 Krea核心基础知识
5. 深入浅出完整解析DeepSeek系列核心基础知识
Rocky对DeepSeek系列模型的核心基础知识作了全面系统的梳理与解析：
6. 深入浅出完整解析Stable Diffusion 3（SD 3）和FLUX.1系列核心基础知识
Rocky对Stable Diffusion 3和FLUX.1的核心基础知识作了全面系统的梳理与解析：
深入浅出完整解析Stable Diffusion 3（SD 3）和FLUX.1系列核心基础知识
7. 深入浅出完整解析Stable Diffusion XL（SDXL）核心基础知识
Rocky对Stable Diffusion XL的核心基础知识作了全面系统的梳理与解析：
深入浅出完整解析Stable Diffusion XL（SDXL）核心基础知识
8. 深入浅出完整解析Stable Diffusion（SD）核心基础知识
Rocky对Stable Diffusion 1.x-2.x系列模型的核心基础知识做了全面系统的梳理与解析：
深入浅出完整解析Stable Diffusion（SD）核心基础知识
9. 深入浅出完整解析Stable Diffusion中U-Net的前世今生与核心知识
Rocky对Stable Diffusion中最为关键的U-Net结构进行了深入浅出的全面解析，包括其在传统深度学习中的价值和在AIGC中的价值：
深入浅出完整解析Stable Diffusion中U-Net的前世今生与核心知识
10. 深入浅出完整解析LoRA（Low-Rank Adaptation）模型核心基础知识
对于AIGC时代中的"ResNet"------LoRA模型，Rocky进行了深入浅出的全面讲解：
深入浅出完整解析LoRA（Low-Rank Adaptation）模型核心基础知识
11. 深入浅出完整解析ControlNet核心基础知识
AIGC图像创作开源社区已经形成以Stable Difffusion/FLUX为核心，ConrtolNet和LoRA作为首要AI辅助工具的变化万千的AIGC图像创作工作流。
ControlNet正是让AI图像创作社区无比繁荣的关键一环，它让AIGC图像创作过程更加的可控，更有助于广泛地将AIGC算法解决方案应用到各行各业中：
12. 深入浅出完整解析Sora、Seedance、keling等AI视频大模型核心基础知识
AI绘画和AI视频是两个互相促进、相互交融的领域，2024年无疑是AI视频领域的爆发之年，Rocky对AI视频领域核心的Sora、Seedance、Keling等大模型进行了全面系统的梳理与解析：
深入浅出完整解析Sora、Seedance、keling等AI视频大模型核心基础知识
13. 深入浅出完整解析AIGC时代Transformer核心基础知识
在AIGC时代中，Transformer为AI行业带来了深刻的变革。Transformer架构正在一步一步重构所有的AI技术方向，成为AI技术架构大一统与多模态整合的关键核心基座，大有一统"AI江湖"之势。Rocky也对Transformer模型进行持续的深入浅出梳理与解析：
深入浅出完整解析AIGC时代Transformer核心基础知识
14. 深入浅出完整解析ComfyUI、Diffusers、Stable Diffusion WebUI等主流AIGC创作框架核心基础知识
AIGC创作框架正是AIGC算法工作流的运行载体，目前主流的AIGC创作框架有ComfyUI、Diffusers、Stable Diffusion WebUI等 。在传统深度学习时代，PyTorch、TensorFlow以及Caffe是传统深度学习模型的基础运行框架，到了AIGC时代，Rocky相信ComfyUI就是AIGC时代的"PyTorch"、Stable Diffusion WebUI就是AIGC时代的"TensorFlow"、Diffusers就是AIGC时代的"Caffe"：
深入浅出完整解析ComfyUI、Diffusers、Stable Diffusion WebUI等主流AIGC创作框架核心基础知识
15. 深入浅出完整解析ComfyUI、Diffusers、Stable Diffusion WebUI等主流AIGC创作框架核心基础知识
在AIGC时代中，如何快速转身，入局AIGC产业？如何成为AIGC/LLM/AI Agent算法/开发工程师？如何在学校中系统性学习AIGC/LLM/AI Agent知识，斩获心仪的AIGC/LLM/AI Agent算法/开发offer？
Don't worry，Rocky为大家总结整理了全面的AIGC/LLM/AI Agent算法/开发工程师成长秘籍，为大家答疑解惑，希望能给大家带来帮助：
手把手教你成为AIGC/LLM/AI Agent算法/开发工程师，斩获AIGC/LLM/AI Agent算法/开发offer！
16. AIGC产业的深度思考与分析
2023年3月21日，微软创始人比尔·盖茨在其博客文章《The Age of AI has begun》中表示，自从1980年首次看到图形用户界面（graphical user interface）以来，以OpenAI为代表的科技公司发布的AIGC模型是他所见过的最具革命性的技术进步。
Rocky也认为，AIGC及其生态，会成为AI行业重大变革的主导力量。AIGC会带来一个全新的红利期，未来随着AIGC的全面落地和深度商用，会深刻改变我们的工作、生活、学习以及交流方式，各行各业都将被重新定义，过程会非常有趣。
那么，在此基础上，我们该如何更好的审视AIGC的未来？我们该如何更好地拥抱AIGC引领的革新？Rocky准备从技术、产品、商业模式、长期主义等维度持续分享一些个人的核心思考与观点，希望能帮助各位读者对AIGC有一个全面的了解：
深入浅出全面解析AIGC时代核心价值与发展趋势（2025年版）
17. AI算法工程师的独孤九剑秘籍
为了方便大家实习、校招以及社招的面试准备，同时帮助大家提升扩展技术基本面，Rocky将符合大厂和AI独角兽价值的算法高频面试知识点撰写总结成《三年面试五年模拟》之独孤九剑秘籍:
【三年面试五年模拟】AIGC时代的算法工程师的求职面试秘籍（持续更新中）
18. 深入浅出完整解析AIGC时代中GAN（Generative Adversarial Network）系列模型核心基础知识
GAN系列模型作为传统深度学习时代的最热门生成式Al模型，在AIGC时代继续繁荣，作为Stable Diffusion/FLUX系列大模型的"得力助手"，广泛活跃于AlGC图像创作的产品与工作流中：
深入浅出完整解析AIGC时代中GAN（Generative Adversarial Network）系列模型核心基础知识