AI 应用开发一周冲刺计划
目标：基于简历技术栈（TypeScript/NestJS/RAG/Agent/MCP），一周内掌握面试所需核心知识。
方法：快速入行 SOP 压缩版 — 50 个关键词 + AI 交叉质询 + 每日实战产出。
每日节奏
上午 9:00-12:00 → 理论学习（知识库素材 + 文档）
下午 14:00-17:00 → 动手实操（写代码 Demo）
晚上 20:00-22:00 → AI 交叉质询（用 Claude 模拟面试追问当天学的知识点）Day 1-2：关键词 + LLM/Agent 基础理论
目标：建立 AI 应用开发的"词汇表"，能听懂面试官的问题。
| 时间 | 内容 | 知识库素材 |
|---|---|---|
| Day 1 上午 | Transformer 原理、注意力机制、位置编码、Tokenization | hello-agents 第三章 |
| Day 1 下午 | LLM 基础：Prompt Engineering、CoT、Function Calling、Top-K/Top-P 解码 | hello-agents 第三章 + 面试题 §1 |
| Day 2 上午 | Agent 核心：ReAct、Plan-and-Solve、Reflection、工具调用、记忆系统 | hello-agents 第一/二章 + 第七章 |
| Day 2 下午 | RAG 全链路：文档解析 → 分块 → 嵌入 → 检索 → 上下文注入 → 生成 | hello-agents 第八章 + 面试题 §5 |
验收：能脱稿回答面试题 §1（1-5,7-8）、§4（1-3,5）、§5（1-3）。
Day 3：框架实操（Vercel AI SDK + LangChain.js）
目标：能写出一个可运行的 Agent，面试时能讲代码细节。
| 时间 | 内容 | 资源 |
|---|---|---|
| 上午 | Vercel AI SDK：streamText、generateText、Tool Calling、多轮对话 | Vercel AI SDK 官方文档 |
| 下午 | LangChain.js：Chain、Agent、Memory、Retriever | LangChain.js 官方文档 |
产出：写一个最小 Agent Demo（TS 项目），能用 Function Calling 查询外部数据。
Day 4：NestJS + RAG 实战
目标：能讲清毕设项目的后端架构和 RAG 模块。
| 时间 | 内容 | 资源 |
|---|---|---|
| 上午 | NestJS 核心：Module、Controller、Service、Guards、Pipe、Drizzle ORM | NestJS 官方文档 |
| 下午 | 搭建 RAG 管线：Chroma 向量库 + 文本分块 + 语义检索 + Prompt 注入 | Chroma 官方文档 + hello-agents 第八章 |
产出：用 NestJS 写一个 RAG 接口，接收问题 → 检索 Chroma → 返回 LLM 生成答案。
Day 5：MCP 协议 + 多 Agent 协作
目标：能讲清 MCP 项目和 LangGraph 工作流。
| 时间 | 内容 | 资源 |
|---|---|---|
| 上午 | MCP 协议：Tool/Resource/Prompt 三原语、Stdio 传输、Server 开发 | modelcontextprotocol.io 官方文档 |
| 下午 | LangGraph：StateGraph、节点/边、条件路由、多 Agent 编排 | LangGraph 官方文档 |
产出：给自己的项目写一个 MCP Tool Server（TS），实现 2-3 个 Tool。
Day 6：简历项目模拟深挖 + 查漏补缺
目标：对简历上每个技术点都能回答"为什么这么选"、"遇到了什么问题"、"怎么解决的"。
| 板块 | 模拟问题 |
|---|---|
| RAG 模块 | 为什么选 Chroma 不选 Milvus？分块策略怎么定的？检索精度怎么评估？Lost in the Middle 怎么处理？ |
| Agent 工作流 | Vercel AI SDK 和 LangChain.js 怎么选的？Function Calling 的具体流程？多轮对话记忆怎么管理？ |
| NestJS 架构 | 为什么用 NestJS？Module 怎么拆的？Zod 校验和 Pipe 的区别？Drizzle ORM 和 TypeORM 怎么选？ |
| MCP 服务 | MCP 协议解决了什么问题？Stdio 和 SSE 传输的区别？Tool 和 Resource 的区别？ |
用垂直领域深度学习 SOP 的 AI 左右互搏法：把面试题扔给 Claude，让它扮演面试官追问，你回答后再让它点评。
Day 7：面试八股集中突破
目标：覆盖面试题高频题。
| 板块 | 重点题目 |
|---|---|
| Agent §4 | 1-8 题（Agent 定义、ReAct、规划能力、Memory、Tool Use、多智能体、安全性） |
| RAG §5 | 1-7 题（RAG 原理、流水线、切块策略、嵌入模型、检索优化、评估） |
| LLM §1 | 1-5, 7-8, 11, 13 题（注意力、位置编码、ROPE、MHA/MQA/GQA、MoE、涌现） |
| 模型评估 §6 | 1-3, 5-6 题（BLEU/ROUGE 局限、LLM-as-a-Judge、Agent 评估维度） |
核心知识库资源索引
| 资源 | 路径 | 用途 |
|---|---|---|
| hello-agents 课程 | AI\hello-agents\docs\ | Agent 理论 + 框架设计 |
| 面试八股题集 | AI\hello-agents\Extra-Chapter\Extra01-面试问题总结.md | 面试题练习 |
| 面试参考答案 | AI\hello-agents\Extra-Chapter\Extra01-参考答案.md | 对照自查 |
| 快速入行 SOP | SOP\快速入行SOP.md | 学习方法论参考 |
| 垂直领域深度学习 SOP | SOP\垂直领域深度学习SOP.md | AI 交叉质询方法 |
| AI 领域全景地图 | AI\wiki\queries\AI领域全景地图-Agent应用开发求职视角.md | 技能树全景 |