神经网络是 AI 的算法基础。

前些天，我在美国科普网站《量子杂志》（Quanta Magazine），读到一篇

背景

如果我们去网上学习人工神经网络（ANN），会看到像这样的图表，以及关于我们大脑中神经元和突触的引用。

想入行人工智能，却被“数学门槛”吓退？其实不用盲目啃书，掌握这5门核心数学课，就能打通AI学习的“任督二脉”。

作为踩过不少坑的过来人，我把每门课的经典教材、优质网课都整理好了，有选择困难症也能直接学，帮你少走3年弯路。

一、线性代数：AI的“数据语言”，大模型都在靠它运算

说线性代数是AI的“基石”毫不夸张——大模型里的文字、图片数据，本质上都是矩阵和向量；模型训练中的特征提取、降维，靠的也是矩阵运算、特征值分解。

阿里妹导读

本文深入探讨了RAG（Retrieval Augmented Generation）技术的实现细节与优化策略，指出在AI应用开发中，RAG常被视为黑盒导致问题定位困难。文章从文档分块（Chunking）、索引增强（语义增强与反向HyDE）、编码（Embedding）、混合检索（Hybrid Search）到重排序（Re-Ranking）等关键环节进行了详细解析，强调需结合具体场景对各模块进行调优，以提升召回率与精确率的平衡，并倡导从快速使用走向深度优化的实践路径。

以下是综合多篇搜索结果整理的大模型（LLMs）面试高频考点及学习资料，涵盖技术、工程、商业等多个维度，助你高效备战2025年大厂面试：

一、核心面试模块与高频题目

PreSelect团队 投稿

量子位 | 公众号 QbitAI

vivo自研大模型用的数据筛选方法，公开了。

总结

检索增强生成改变了游戏规则，使 LLM 能够动态整合外部知识。这并不是说它没有带来任何挑战，它确实带来了挑战：检索延迟、系统复杂性和文档选择中的潜在错误。当前的研究重点是这些。CAG（缓存增强生成）不是按需获取信息，而是将所有相关文档预加载到LLM 的长上下文窗口中，并预先计算键值 (KV) 缓存。这消除了推理过程中检索的需要，使系统更快、更简单、更高效。让我们了解更多细节。

复旦大学团队 投稿

量子位 | 公众号 QbitAI

越来越多的人关注新型容器网络软件，来运行可扩展的云应用。就像我们看到的，网络可以通过很多方式连接到容器，尽管最终选择哪个容器还不确定，但是他们提供很多选项来满足不同的基础设施。

容器网络和传统的SDN有什么区别？

SDN系统还处于发展阶段。它经常被创建为物理网络的逻辑版本，通过抽象的端口、网络或子网，又连接到逻辑网络交换机，并且连接到虚拟机上。作为服务项目的OpenStack网络Neutron和其它SDN软件，都支持这一概念。这对那些使用虚拟机的人来说有很多优势，因为他们的工作负载可以镜像到物理服务器上。虽然虚拟机更容易和配置物理机来对比，但他们和现在基于容器的计算相比，相对来说更稳定。随着微服务系统的发展，很多容器都可以被动态配置并迅速删除，所以用户需要一种可以容纳这种情况的网络系统。