# AI 藏经阁

**Repository Path**: fasterai/ai-e-book

## Basic Information

- **Project Name**: AI 藏经阁
- **Description**: 分享人工智能领域高质量电子书资源，致力于促进知识共享和技术交流
- **Primary Language**: Python
- **License**: Apache-2.0
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 7
- **Forks**: 3
- **Created**: 2024-11-17
- **Last Updated**: 2025-10-10

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# AI藏经阁

#### 介绍
分享人工智能领域高质量电子书资源，致力于促进知识共享和技术交流

#### 链接
由于git空间限制，暂时无法直接上传更多电子书，请通过飞书链接下载：[飞书AI知识库](https://cw7cwz05ua6.feishu.cn/wiki/ANJSwFlYrieuMbk2cdicIGXAnpd?from=from_copylink)


#### 一、PDF 电子书˚目录（部分）
![img_1.png](img_1.png)
![img_2.png](img_2.png)
---
#### 二、Epub 电子书目录（部分）
![img_3.png](img_3.png)
![img_4.png](img_4.png)

---

# 优质 NLP 大模型学习资源推荐

## 一、大模型面试指南

### 1.1 重点面题精讲

#### 【面题精讲 - RAG系统】

- [讲一下RAG的总体流程？](https://dwz.cn/6ZVCnBOr)
- [用户理解阶段一般会做哪些处理？有何作用？](https://dwz.cn/6ZVCnBOr)
- [用户问题总是召回不准确，在用户理解阶段可以做哪些优化？](https://dwz.cn/6ZVCnBOr)
- [问答对问答中，如何构建索引，提升对用户问题的泛化能力？](https://dwz.cn/6ZVCnBOr)
- [文档问答中，如何构建索引，提升对用户问题的泛化能力？](https://dwz.cn/6ZVCnBOr)
- [问题经常命中不到文本块，如何在索引阶段做优化？](https://dwz.cn/6ZVCnBOr)
- [多路检索如何实现？](https://dwz.cn/6ZVCnBOr)
- [如何合并多路检索的结果，对它们做排序？](https://dwz.cn/6ZVCnBOr)
- [BM25检索器总是召回无关的知识，最可能的原因是什么？](https://dwz.cn/6ZVCnBOr)
- [如何借助其他用户的使用情况，提升总体的检索性能？](https://dwz.cn/6ZVCnBOr)
- [为何要对检索的结果做精排（重排）？](https://dwz.cn/6ZVCnBOr)
- [如何构建重排序模型的微调数据？](https://dwz.cn/6ZVCnBOr)


#### 【面题精讲 - 实体识别】

- [什么是实体识别？](https://dwz.cn/6ZVCnBOr)
- [实体识别中有哪些难点？](https://dwz.cn/6ZVCnBOr)
- [实体识别有哪些常用的解码方式？](https://dwz.cn/6ZVCnBOr)
- [如何解决实体嵌套问题？](https://dwz.cn/6ZVCnBOr)
- [实体识别的数据是如何进行标注的？](https://dwz.cn/6ZVCnBOr)
- [如何解决超长实体识别问题？](https://dwz.cn/6ZVCnBOr)

#### 【面题精讲 - 文本分类】

- [如何用检索的方式做文本分类？](https://dwz.cn/6ZVCnBOr)
- [如何用Prompt的方式做文本分类？](https://dwz.cn/6ZVCnBOr)
- [文本分类任务中有哪些难点？](https://dwz.cn/6ZVCnBOr)
- [如何解决样本不均衡的问题？](https://dwz.cn/6ZVCnBOr)
- [如何冷启动文本分类项目？](https://dwz.cn/6ZVCnBOr)
- [如果类别会变化如何设计文本分类架构？](https://dwz.cn/6ZVCnBOr)

#### 【面题精讲 - 分布式训练】

- [【分布式训练】分布式训练主要解决大模型训练中的哪些问题？](https://dwz.cn/6ZVCnBOr)
- [【分布式训练】数据并行主要为了解决什么问题？](https://dwz.cn/6ZVCnBOr)
- [【分布式训练】PS架构是如何进行梯度同步和更新的？](https://dwz.cn/6ZVCnBOr)
- [【分布式训练】Ring-AllReduce是如何进行梯度同步和更新的？](https://dwz.cn/6ZVCnBOr)
- [【分布式训练】PS架构和Ring-AllReduce架构有何不同？](https://dwz.cn/6ZVCnBOr)
- [【分布式训练】模型并行主要为了解决什么问题？](https://dwz.cn/6ZVCnBOr)
- [【分布式训练】基础的流水线并行存在什么问题？](https://dwz.cn/6ZVCnBOr)
- [【分布式训练】讲一讲谷歌的GPipe算法？](https://dwz.cn/6ZVCnBOr)
- [【分布式训练】讲一讲微软的PipeDream算法？](https://dwz.cn/6ZVCnBOr)
- [【分布式训练】如何计算大模型占用的显存？](https://dwz.cn/6ZVCnBOr)
- [【分布式训练】ZeRO主要为了解决什么问题？](https://dwz.cn/6ZVCnBOr)
- [【分布式训练】ZeRO1、ZeRO2、ZeRO3分别做了哪些优化？](https://dwz.cn/6ZVCnBOr)
- [【分布式训练】用DeepSpeed进行训练时主要配置哪些参数？](https://dwz.cn/6ZVCnBOr)


#### 【面题精讲 - 大模型训练和微调】

- [【LLM训练】从零训练一个大模型有哪几个核心步骤？](https://dwz.cn/6ZVCnBOr)
- [【LLM训练】如何将一个通用大模型训练成行业大模型？](https://dwz.cn/6ZVCnBOr)
- [【LLM训练】为什么要对LLM做有监督微调（SFT）？](https://dwz.cn/6ZVCnBOr)
- [【LLM训练】如何准备SFT阶段的训练数据？](https://dwz.cn/6ZVCnBOr)
- [【高效微调】对大模型微调有哪些常用方法？](https://dwz.cn/6ZVCnBOr)
- [【高效微调】什么是BitFit微调？](https://dwz.cn/6ZVCnBOr)
- [【高效微调】如果想微调大模型本体参数，有哪些训练技巧？](https://dwz.cn/6ZVCnBOr)
- [【高效微调】什么是提示微调？](https://dwz.cn/6ZVCnBOr)
- [【高效微调】什么是前缀微调？](https://dwz.cn/6ZVCnBOr)
- [【高效微调】什么是适配器微调？](https://dwz.cn/6ZVCnBOr)
- [【高效微调】讲一讲IA3微调？](https://dwz.cn/6ZVCnBOr)
- [【高效微调】什么是LoRA微调？](https://dwz.cn/6ZVCnBOr)
- [【高效微调】LoRA微调时有哪些可配置的参数？](https://dwz.cn/6ZVCnBOr)


#### 【面题精讲 - 大模型架构】

- [LLM架构对Transformer都有哪些优化？](https://dwz.cn/6ZVCnBOr)
- [什么是旋转位置编码（RoPE）？](https://dwz.cn/6ZVCnBOr)
- [RoPE相对正弦位置编码有哪些优势？](https://dwz.cn/6ZVCnBOr)
- [RoPE如何进行外推？](https://dwz.cn/6ZVCnBOr)
- [LLM为何使用GQA代替MHA？](https://dwz.cn/6ZVCnBOr)
- [PreNorm和PostNorm有何不同？](https://dwz.cn/6ZVCnBOr)
- [为何使用RMSNorm代替LayerNorm？](https://dwz.cn/6ZVCnBOr)
- [LLM使用SwiGLU相对于ReLU有什么好处？](https://dwz.cn/6ZVCnBOr)


#### 【面题精讲 - Transformer】

- [Transformer编码器有哪些子层？](https://dwz.cn/6ZVCnBOr)
- [Transformer解码器有哪些子层？](https://dwz.cn/6ZVCnBOr)
- [Transformer的输入中为什么要添加位置编码？](https://dwz.cn/6ZVCnBOr)
- [Transformer的位置编码是如何计算的？](https://dwz.cn/6ZVCnBOr)
- [Position encoding为什么选择相加而不是拼接呢？](https://dwz.cn/6ZVCnBOr)
- [自注意力层和全连接层有什么区别？](https://dwz.cn/6ZVCnBOr)
- [多头注意力相对于多头注意力有什么优势?](https://dwz.cn/6ZVCnBOr)
- [Transformer中自注意力模块的计算过程？](https://dwz.cn/6ZVCnBOr)
- [什么是缩放点积注意力，为什么要除以根号d？](https://dwz.cn/6ZVCnBOr)
- [BatchNorm和LayerNorm的区别？](https://dwz.cn/6ZVCnBOr)
- [解码器为什么要使用Mask？是如何实现的？](https://dwz.cn/6ZVCnBOr)

#### 【面题精讲 - LSTM】

- [LSTM 如何缓解 RNN 梯度消失的问题?](https://dwz.cn/6ZVCnBOr)
- [LSTM的网络结构是什么样的？](https://dwz.cn/6ZVCnBOr)
- [LSTM中记忆单元的作用是什么？](https://dwz.cn/6ZVCnBOr)
- [LSTM有几个门，分别起什么作用？](https://dwz.cn/6ZVCnBOr)
- [LSTM的前向计算如何进行加速？](https://dwz.cn/6ZVCnBOr)
- [LSTM中的tanh和sigmoid分别用在什么地方？为什么？](https://dwz.cn/6ZVCnBOr)
- [LSTM在实际应用中的提升技巧有哪些？](https://dwz.cn/6ZVCnBOr)

#### 【面题精讲 - RNN】

- [RNN的作用是什么？](https://dwz.cn/6ZVCnBOr)
- [RNN的输入输出分别是什么？](https://dwz.cn/6ZVCnBOr)
- [RNN是如何进行参数学习（反向传播）的？](https://dwz.cn/6ZVCnBOr)
- [用RNN训练语言模型时如何计算损失？](https://dwz.cn/6ZVCnBOr)
- [RNN不能很好学习长期依赖的原因是什么？](https://dwz.cn/6ZVCnBOr)
- [怎么解决RNN的梯度爆炸问题？](https://dwz.cn/6ZVCnBOr)


#### 【面题精讲 - Word2Vec】

- [什么是词向量化技术？](https://dwz.cn/6ZVCnBOr)
- [如何让向量具有语义信息？](https://dwz.cn/6ZVCnBOr)
- [如何基于计数的方法表示文本？](https://dwz.cn/6ZVCnBOr)
- [基于计数的表示方法存在哪些问题？](https://dwz.cn/6ZVCnBOr)
- [Word2Vec的两种模型分别是什么？](https://dwz.cn/6ZVCnBOr)
- [Word2Vec 中 CBOW 指什么？](https://dwz.cn/6ZVCnBOr)
- [Word2Vec 中 Skip-gram 指什么？](https://dwz.cn/6ZVCnBOr)
- [CBOW 和 Skip-gram 哪个模型的词嵌入更好？](https://dwz.cn/6ZVCnBOr)
- [Word2vec的词向量存在哪些问题？](https://dwz.cn/6ZVCnBOr)
- [为什么说Word2vec的词向量是静态的？](https://dwz.cn/6ZVCnBOr)
- [Word2vec训练中存在什么问题？](https://dwz.cn/6ZVCnBOr)
- [Word2Vec如何优化从中间层到输出层的计算？](https://dwz.cn/6ZVCnBOr)

#### 【面题精讲 - 分词】
- [如何处理超出词表的单词（OVV）？](https://dwz.cn/6ZVCnBOr)
- [BPE 分词器是如何训练的？](https://dwz.cn/6ZVCnBOr)
- [WordPiece 分词器是如何训练的？](https://dwz.cn/6ZVCnBOr)
- [Unigram 分词器是如何训练的？](https://dwz.cn/6ZVCnBOr)

### 1.2 高频面题汇总

#### NLP基础篇
- ##### [【NLP 面试宝典 之 模型分类】 必须要会的高频面题](https://dwz.cn/6ZVCnBOr)
- ##### [【NLP 面试宝典 之 神经网络】 必须要会的高频面题](https://dwz.cn/6ZVCnBOr)
- ##### [【NLP 面试宝典 之 主动学习】 必须要会的高频面题](https://dwz.cn/6ZVCnBOr)
- ##### [【NLP 面试宝典 之 超参数优化】 必须要会的高频面题](https://dwz.cn/6ZVCnBOr)
- ##### [【NLP 面试宝典 之 正则化】 必须要会的高频面题](https://dwz.cn/6ZVCnBOr)
- ##### [【NLP 面试宝典 之 过拟合】 必须要会的高频面题](https://dwz.cn/6ZVCnBOr)
- ##### [【NLP 面试宝典 之 Dropout】 必须要会的高频面题](https://dwz.cn/6ZVCnBOr)
- ##### [【NLP 面试宝典 之 EarlyStopping】 必须要会的高频面题](https://dwz.cn/6ZVCnBOr)
- ##### [【NLP 面试宝典 之 标签平滑】 必须要会的高频面题](https://dwz.cn/6ZVCnBOr)
- ##### [【NLP 面试宝典 之 Warm up 】 必须要会的高频面题](https://dwz.cn/6ZVCnBOr)
- ##### [【NLP 面试宝典 之 置信学习】 必须要会的高频面题](https://dwz.cn/6ZVCnBOr)
- ##### [【NLP 面试宝典 之 伪标签】 必须要会的高频面题](https://dwz.cn/6ZVCnBOr)
- ##### [【NLP 面试宝典 之 类别不均衡问题】 必须要会的高频面题](https://dwz.cn/6ZVCnBOr)
- ##### [【NLP 面试宝典 之 交叉验证】 必须要会的高频面题](https://dwz.cn/6ZVCnBOr)
- ##### [【NLP 面试宝典 之 词嵌入】 必须要会的高频面题](https://dwz.cn/6ZVCnBOr)
- ##### [【NLP 面试宝典 之 One-Hot】 必须要会的高频面题](https://dwz.cn/6ZVCnBOr)


#### BERT 模型面
- ##### [【NLP 面试宝典 之 BERT模型】 必须要会的高频面题](https://dwz.cn/6ZVCnBOr)
- ##### [【NLP 面试宝典 之 BERT变体】 必须要会的高频面题](https://dwz.cn/6ZVCnBOr)
- ##### [【NLP 面试宝典 之 BERT应用】 必须要会的高频面题](https://dwz.cn/6ZVCnBOr)


#### LLMs 微调面
- ##### [【NLP 面试宝典 之 LoRA微调】 必须要会的高频面题](https://dwz.cn/6ZVCnBOr)
- ##### [【NLP 面试宝典 之 Prompt】 必须要会的高频面题](https://dwz.cn/6ZVCnBOr)
- ##### [【NLP 面试宝典 之 提示学习微调】 必须要会的高频面题](https://dwz.cn/6ZVCnBOr)
- ##### [【NLP 面试宝典 之 PEFT微调】 必须要会的高频面题](https://dwz.cn/6ZVCnBOr)
- ##### [【NLP 面试宝典 之 Chain-of-Thought微调】 必须要会的高频面题](https://dwz.cn/6ZVCnBOr)


## 二、项目实践

#### 2.1 预训练模型
- [【预训练模型实战（一）】文本分类任务](https://dwz.cn/6ZVCnBOr)
- [【预训练模型实战（二）】序列标注任务](https://dwz.cn/6ZVCnBOr)
- [【预训练模型实战（三）】文本摘要任务](https://dwz.cn/6ZVCnBOr)
- [【预训练模型实战（四）】阅读理解任务](https://dwz.cn/6ZVCnBOr)

#### 2.2 文本分类
##### 【文本分类理论篇】
- [【文本分类 理论（一）】如何使用DL做文本分类任务？](https://dwz.cn/6ZVCnBOr)
- [【文本分类 理论（二）】多标签分类和长文本分类如何做?](https://dwz.cn/6ZVCnBOr)
- [【文本分类 理论（三）】层次化多标签文本分类如何做？](https://dwz.cn/6ZVCnBOr)
##### 【文本分类实战篇】
- [【文本分类 实战（一）】使用LSTM完成情感分析任务 ](https://dwz.cn/6ZVCnBOr)
- [【文本分类 实战（二）】基于检索的多层次文本分类](https://dwz.cn/6ZVCnBOr)
- [【文本分类 实战（三）】基于 Prompt 的小样本文本分类实践](https://dwz.cn/6ZVCnBOr)

#### 2.3 LangChain
- [【LangChain 实战（一）】LangChain 初见](https://dwz.cn/6ZVCnBOr)
- [【LangChain 实战（二）】PDF 文档问答](https://dwz.cn/6ZVCnBOr)
- [【LangChain 实战（三）】源码简读](https://dwz.cn/6ZVCnBOr)
- [【LangChain 实战（四）】实用建议](https://dwz.cn/6ZVCnBOr)
- [【LangChain 实战（五）】中文 Embeddings](https://dwz.cn/6ZVCnBOr)

#### 2.4动手学 RAG

- [【RAG 项目实战 01】在 LangChain 中集成 Chainlit](https://dwz.cn/6ZVCnBOr)
- [【RAG 项目实战 02】Chainlit 持久化对话历史](https://dwz.cn/6ZVCnBOr)
- [【RAG 项目实战 03】优雅的管理环境变量](https://dwz.cn/6ZVCnBOr)
- [【RAG 项目实战 04】添加多轮对话能力](https://dwz.cn/6ZVCnBOr)
- [【RAG 项目实战 05】重构：封装代码](https://dwz.cn/6ZVCnBOr)
- [【RAG 项目实战 06】使用 LangChain 结合 Chainlit 实现文档问答](https://dwz.cn/6ZVCnBOr)
- [【RAG 项目实战 07】替换 ConversationalRetrievalChain（单轮问答）](https://dwz.cn/6ZVCnBOr)
- [【RAG 项目实战 08】为 RAG 添加历史对话能力](https://dwz.cn/6ZVCnBOr)


## 三、算法理论

### 3.1 LLMs篇
- [【分布式训练 学习笔记（一）】 流水线并行](https://dwz.cn/6ZVCnBOr)
- [【分布式训练 学习笔记（二）】 DP和DDP](https://dwz.cn/6ZVCnBOr)
- [【分布式训练 学习笔记（三）】 零冗余优化（ZeRO）](https://dwz.cn/6ZVCnBOr)
- [【分布式训练 学习笔记（四）】 张量并行（TP）](https://dwz.cn/6ZVCnBOr)
- [【分布式训练 学习笔记（五）】 Megatron 源码解读（上）](https://dwz.cn/6ZVCnBOr)
- [【分布式训练 学习笔记（六）】 Megatron 源码解读（下）](https://dwz.cn/6ZVCnBOr)

- [【PEFT 学习笔记（一）】PEFT技术综述](https://dwz.cn/6ZVCnBOr)
- [【PEFT 学习笔记（二）】技术原理 - BitFit、Prefix Tuning、Prompt Tuning](https://dwz.cn/6ZVCnBOr)
- [【PEFT 学习笔记（三）】技术原理 - P-Tuning、P-Tuning v2](https://dwz.cn/6ZVCnBOr)
- [【PEFT 学习笔记（四）】技术原理 - Adapter Tuning及其变体](https://dwz.cn/6ZVCnBOr)

- [【LoRA 学习笔记（一）】LoRA 原理篇](https://dwz.cn/6ZVCnBOr)
- [【LoRA 学习笔记（二）】LoRA 源码篇](https://dwz.cn/6ZVCnBOr)

- [【LLM之幻觉（一）】：LLM 幻觉缓解技术（上）](https://dwz.cn/6ZVCnBOr)
- [【LLM之幻觉（二）】：LLM 幻觉缓解技术（下）](https://dwz.cn/6ZVCnBOr)

### 3.2 BERT篇

- [【BERT 学习笔记（一）】论文精读](https://dwz.cn/6ZVCnBOr)
- [【BERT 学习笔记（二）】源码解析 - 运行示例](https://dwz.cn/6ZVCnBOr)
- [【BERT 学习笔记（三）】源码解析 - 模型架构](https://dwz.cn/6ZVCnBOr)
- [【BERT 学习笔记（四）】源码解析 - 预训练](https://dwz.cn/6ZVCnBOr)
- [【BERT 学习笔记（五）】源码解析 - 模型微调](https://dwz.cn/6ZVCnBOr)
- [【BERT 学习笔记（六）】源码解析 - 任务实践](https://dwz.cn/6ZVCnBOr)


### 3.3 Transformer
- [【Transformer 学习笔记（一）】论文精读](https://dwz.cn/6ZVCnBOr)
- [【Transformer 学习笔记（二）】核心机制 - 位置编码](https://dwz.cn/6ZVCnBOr)
- [【Transformer 学习笔记（三）】核心机制 - 自注意力机制](https://dwz.cn/6ZVCnBOr)
- [【Transformer 学习笔记（四）】核心机制 - 层归一化](https://dwz.cn/6ZVCnBOr)
- [【Transformer 学习笔记（五）】核心机制 - 残差连接](https://dwz.cn/6ZVCnBOr)
- [【Transformer 学习笔记（六）】核心机制 - 分词器](https://dwz.cn/6ZVCnBOr)

### 3.4 NLP 基础
- [【NLP 入门（一）】：自然语言处理概述](https://dwz.cn/6ZVCnBOr)
- [【NLP 入门（二）】：中文分词概述](https://dwz.cn/6ZVCnBOr)
- [【NLP 入门（三）】：词向量化概述](https://dwz.cn/6ZVCnBOr)
- [【NLP 入门（四）】：Seq2Seq 模型概述](https://dwz.cn/6ZVCnBOr)
- [【NLP 入门（五）】：Transformer 概述](https://dwz.cn/6ZVCnBOr)


## 四、面经分享

- [还愿！美团算法工程师面经分享](https://dwz.cn/6ZVCnBOr)
- [双非研究生斩获大厂offer（百度、阿里、顺丰）](https://dwz.cn/6ZVCnBOr)
- [【211渣硕】 腾讯、阿里、携程 详细NLP算法实习 面经](https://dwz.cn/6ZVCnBOr)
- [【社招】1年工作经验，字节跳动算法面经](https://dwz.cn/6ZVCnBOr)
- [六面！双非本科终斩腾讯NLP offer](https://dwz.cn/6ZVCnBOr)
- [面试锦囊 – 复盘百度算法岗全三面（已OC）](https://dwz.cn/6ZVCnBOr)
- [阿里、腾讯 – 算法岗面试复盘](https://dwz.cn/6ZVCnBOr)
- [百度 – 一份迟来的机器学习面经](https://dwz.cn/6ZVCnBOr)
- [百度凤巢算法面经](https://dwz.cn/6ZVCnBOr)
- [百度算法提前批 面试复盘](https://dwz.cn/6ZVCnBOr)
- [百度提前批算法工程师面筋！](https://dwz.cn/6ZVCnBOr)
- [百度自然语言处理算法秋招面经](https://dwz.cn/6ZVCnBOr)
- [超强整理，科班算法岗的秋招之路](https://dwz.cn/6ZVCnBOr)
- [超详细！腾讯NLP算法岗面经（已offer）](https://dwz.cn/6ZVCnBOr)
- [达摩院+华为 – NLP博士的春招历程](https://dwz.cn/6ZVCnBOr)
- [豪取BAT！超详细暑期实习算法面经(https://dwz.cn/6ZVCnBOr)](https://dwz.cn/6ZVCnBOr)
- [美团、阿里、快手、百度 – NLP暑期算法实习复盘](https://dwz.cn/6ZVCnBOr)
- [美团、网易、陌陌 – NLP 算法面试复盘](https://dwz.cn/6ZVCnBOr)
- [美团算法 – NLP 三面复盘](https://dwz.cn/6ZVCnBOr)
- [秋招算法岗，面试复盘](https://dwz.cn/6ZVCnBOr)
- [秋招算法面经集合 – 华为、百度、腾讯、美团等](https://dwz.cn/6ZVCnBOr)
- [社招一年半 – 微软、腾讯、网易算法岗热乎面筋](https://dwz.cn/6ZVCnBOr)
- [暑期实习 – 百度NLP算法岗面试复盘](https://dwz.cn/6ZVCnBOr)
- [算法岗面试复盘 – 阿里、百度、作业帮、华为](https://dwz.cn/6ZVCnBOr)
- [算法岗通关宝典 – 社招一年经验，字节5轮、阿里7轮](https://dwz.cn/6ZVCnBOr)
- [算法面试大乱斗](https://dwz.cn/6ZVCnBOr)
- [腾讯 WXG – 技术研究-NLP算法三面复盘](https://dwz.cn/6ZVCnBOr)
- [腾讯、头条 – 算法岗详细面经](https://dwz.cn/6ZVCnBOr)
- [头条+腾讯 NLP 面经](https://dwz.cn/6ZVCnBOr)
- [字节 NLP – 三大部门七场面试，终拿字节AI NLP 算法offer](https://dwz.cn/6ZVCnBOr)
- [字节跳动算法 提前批offer复盘](https://dwz.cn/6ZVCnBOr)
- [字节跳动算法岗 – 四面 详细面经](https://dwz.cn/6ZVCnBOr)
- [字节跳动AI-LAB – 算法三轮技术面分享](https://dwz.cn/6ZVCnBOr)
- [字节AI Lab – NLP算法面经](https://dwz.cn/6ZVCnBOr)
- [字节AI LAB NLP算法二面凉+被捞后通过](https://dwz.cn/6ZVCnBOr)
- [BATDK – 社招一年收割大厂算法offer](https://dwz.cn/6ZVCnBOr)
- [NLP面经集结 – 达摩院、腾讯、微软、美团、百度](https://dwz.cn/6ZVCnBOr)
- [NLP面试复盘 – 阿里、腾讯、头条、paypal、快手](https://dwz.cn/6ZVCnBOr)
- [NLP算法岗——秋招被虐经历](https://dwz.cn/6ZVCnBOr)
- [NLP算法面经 – 腾讯 VS 美团](https://dwz.cn/6ZVCnBOr)


## 五、大厂方案
### 5.1 阿里
- [阿里小蜜智能服务技术实践及场景探索](https://dwz.cn/6ZVCnBOr)
- [阿里云基于预训练模型、智能运维的QA生成算法落地](https://dwz.cn/6ZVCnBOr)
- [情感计算在淘宝UGC的应用](https://dwz.cn/6ZVCnBOr)
- [AliceMind大规模预训练实践及AIGC在ModelScope中的应用](https://dwz.cn/6ZVCnBOr)

### 5.2 百度
- [百度：大模型推动的人机交互对话](https://dwz.cn/6ZVCnBOr)
- [百度：基于异构互联知识图谱的多模内容创作技术](https://dwz.cn/6ZVCnBOr)
- [百度：如何从零样本做中文文本知识标注与挖掘？](https://dwz.cn/6ZVCnBOr)
- [百度：文档智能技术与应用](https://dwz.cn/6ZVCnBOr)
- [百度：文心PLATO开放域对话技术及其应用](https://dwz.cn/6ZVCnBOr)
- [百度：智能写作如何为媒体内容创作赋能？](https://dwz.cn/6ZVCnBOr)

### 5.3 腾讯
- [腾讯：可控、可靠的数据到文本生成技术](https://dwz.cn/6ZVCnBOr)
- [腾讯：微信搜一搜中的智能问答技术](https://dwz.cn/6ZVCnBOr)
- [腾讯：QQ浏览器搜索中的智能问答技术](https://dwz.cn/6ZVCnBOr)
- [腾讯：QQ音乐命名实体识别技术](https://dwz.cn/6ZVCnBOr)

### 5.4 美团
- [美团：对话理解技术及实践](https://dwz.cn/6ZVCnBOr)
- [美团：大众点评信息流基于文本生成的创意优化实践](https://dwz.cn/6ZVCnBOr)
- [美团：对话摘要技术在美团的探索（SIGIR）](https://dwz.cn/6ZVCnBOr)
- [美团：基于知识图谱的问答在美团智能交互场景中的应用和演进](https://dwz.cn/6ZVCnBOr)
- [美团：美团搜索中查询改写技术的探索与实践](https://dwz.cn/6ZVCnBOr)
- [美团：美团智能客服核心技术与实践](https://dwz.cn/6ZVCnBOr)
- [美团：事件图谱在美团智能客服问答中的应用（基于交互的推理）](https://dwz.cn/6ZVCnBOr)
- [美团：小样本学习Prompt Learning+自训练实战](https://dwz.cn/6ZVCnBOr)

### 5.5 小米
- [小米：音乐垂域的自然语言理解](https://dwz.cn/6ZVCnBOr)
- [小米：NLP技术在小米语音助手中的应用](https://dwz.cn/6ZVCnBOr)

### 5.6 其他
- [58同城：智能客服系统“帮帮”技术揭秘](https://dwz.cn/6ZVCnBOr)
- [百分点：智能对话技术探索实践](https://dwz.cn/6ZVCnBOr)
- [飞猪：POI 识别在飞猪搜索的探索与实践](https://dwz.cn/6ZVCnBOr)
- [京东：基于知识图谱的商品营销文案自动生成实践](https://dwz.cn/6ZVCnBOr)
- [微软：基于预训练的自然语言生成在搜索与广告中的应用](https://dwz.cn/6ZVCnBOr)
- [清华：清华古典诗歌自动生成系统“九歌”的算法](https://dwz.cn/6ZVCnBOr)
- [阅文集团：NLP在网络文学领域的应用](https://dwz.cn/6ZVCnBOr)
- [中科院：面向非结构化文本的信息抽取](https://dwz.cn/6ZVCnBOr)
- [中原银行：AI 平台建设实践](https://dwz.cn/6ZVCnBOr)
- [OPPO：对话式 AI 助手小布的技术演进](https://dwz.cn/6ZVCnBOr)
- [OPPO：小布助手中的大规模知识图谱](https://dwz.cn/6ZVCnBOr)