企业官网建设流程全解析

智能体项目复盘 · 大厂直播课篇：企业级大模型研发流程，和一个 RAG 项目从 75% 到 98.5% 的完整记录

💡这一篇的素材来自课程的09-大厂老师直播课资料——四节直播 + 三份讲义：《头部企业职级定位》《企业大模型研发流程》《岗位与企业协作模式》。它不讲代码，讲的是"企业里到底怎么做大模型研发"。

前面几篇我们把参数量算清了、把 RAG 的 chunk 调过了、把 Dify 部署到内网了，但这些都还停在一个人的视角。真实企业里，一个模型从立项到上线，中间要过技术调研、评估指标对齐、备案、法务、T+1 模拟、A/B 放量六道关，而且——评估指标必须在项目开工前和业务方白纸黑字对齐，否则后面一定扯皮。

这一篇最有价值的部分，是讲义里那个电商商品问答 RAG 项目的完整准确率演进记录：75% → 84% → 91% → 98.5%，中间每一步是靠什么手段涨上去的、又付出了什么代价。这比任何"我做过 RAG 项目"的简历描述都实在。

1. 头部企业的职级定位：一张通用职级表

先说清楚边界：这三份讲义里没有出现任何公司名 + 序列名（没有"阿里 P"“腾讯 T”），也没有任何薪资带宽数字。讲师给的是一张通用职级表，但1-1 / 2-1 / 3-1这套编号是字节系格式，讲义另一份材料的问答里则混用了阿里的P7说法。所以下面这张表请按"跨厂通用骨架"理解，别对号入座成某家的准确档位。

两个细节值得单独拎出来，因为它们是真正的分水岭：

2-1 -> 2-2 的坎：不是"能解决问题"，而是"能发现隐性瓶颈"和"能当项目负责人" 3-1 -> 3-2 的坎：团队贡献从"系统化"变成"抽象"——你输出的不再是一个方案，而是别人的标准

讲义里还有一页"大厂人才画像的变化"，我认为比职级表更值得记：

传统画像：勤劳 / 听话 / 吃苦 --> 工业时代标准，执行确定性优先 新画像 ：对技术敏感 / 不断迭代自己 / 激情与热爱 / 爱折腾 筛选逻辑：充满好奇心与求知欲；对不确定性保持乐观；延迟满足感与判断力

说白了，模型迭代周期压到 3-6 个月之后，"听话 + 熟练"的贬值是结构性的——你熟练的那套东西本身在过期。

2. 企业级大模型研发流程：十二阶段主链路

这一节是整份讲义的主干。注意它和"跑通一个 Demo"的根本差别：每一步都要产出能拿去开会的文档和数字。

技术调研 → 立项 → 数据准备 → 模型选型/基座 → 训练(SFT/LoRA/强化对齐) → 评测集与评估 → 压缩(量化/蒸馏) → 部署推理(vLLM类) → 业务集成(检索/RAG/Agent) → A/B → 运维监控 → 合规审计

阶段 1：技术调研——回答三个问题：该领域最新技术是什么？能落地的最新技术是什么？行业内都是怎么干的？然后输出自研方案：要实现什么样的算法框架、哪些模块是传统能力、哪些是新能力、这个框架放到行业内属于什么水平、后续迭代计划。

阶段 2：立项——评估指标必须在此之前定死。这是讲义里语气最重的一句：

评估指标必须在项目开展前明确，务必与业务达成一致，避免后续扯皮。

要确认的点：技术指标 + 业务指标双轨、行业有无公认评估体系、按当前方案能做到多少、有无指标分歧、是否分阶段达成、指标迭代计划。

阶段 3：数据准备。数据构成 = 开源数据 + 垂域数据（正例 + 负例 + 拒识）。这里"拒识数据"是被单独列成一类的，重要性后面用数字说明。

阶段 4-5：选型与训练。选型策略两条路：

大 → 小：先用大模型把效果打出来，再蒸馏降本 （讲义项目走这条） 小 → 大 → 小：先探边界，回头再压

常规任务不超过 32B，32B 的训练和部署成本已经很高。

训练框架LLaMA-Factory 全参微调，配置：lr5e-7、epochs4、batch size1、gradient accumulation16、warmup ratio0.1；推理temperature=0.1（跑公开 benchmark 时用0.05）。

Q：调参和改架构，优先做哪个？

讲义的判断很直接：调参性价比最高，能落地；架构优化训练成本过高。而且 LLM 阶段已经没有传统机器学习那套特征工程了——这个说法对做过推荐/搜索的人是观念冲击。

3. 一个完整案例：商品 RAG 问答，75% → 98.5%

这是全篇最值钱的一段。场景：电商/家电类目的商品说明书问答（H3C 路由器、烫金机、电磁炉这类），要求能答、更要在该不知道的时候说不知道。

几个我认为最值得抄走的工程手法：

一是拒识数据要专门构造。具体做法是交换部分 chunk 与 Q，把 A 统一改成"上下文内容没有相关答案"，一次性造 10,000 条。原始数据 131,656 = 开源常识 95,628 + 商城 RAG 36,028（约 100 个 docx 商品文档，按一级标题切 chunk，用 GPT-4o 基于每个 chunk 生成多个 Q-A 对，其中 26,028 条可回答）。

二是 Q-A 生成靠 GPT-4o，但 chunk 切分要按标题而不是按长度。商品手册的结构化程度高，按一级标题切出来的 chunk 语义完整，后面所有环节都受益。

三是 Hard Negative 要人分工造。讲义里是两人协作：一人造"query 与 context 高度相关但确实无答案"的拒识数据，一人造"长 chunk + 晦涩问法、需要推理"的可答数据（例子很典型：“马克杯口径”，而原文写的是"尺寸 100x96mm(直径x高度)"）。这种数据买不到，只能想。

四是显式 CoT 的理由要说得清。讲义原话是：如果没有显式输出推理过程，模型可能并不会真正思考。反过来说，隐式的"心里想一想"是幻觉温床。

五是 98.5% 不是终点，是新的问题。到 98.5% 之后，拒识从 127 涨到 65→（重测）“过于谨慎”，召回率下降，而且 5-6 秒的响应在客服场景不可接受。于是有了那个很漂亮的备选方案：

前置一个只做拒识判定的 qwen2.5-7b，只输出 True/False，用来滤掉文中无答案的样本，规避显式 CoT 导致 32B 响应过慢。

用 7B 做门卫、32B 做 answering，这是我在整份材料里看到的最实用的一条延迟优化思路——不是把大模型调快，是把不该问大模型的问题挡在外面。

Q：怎么客观评测，不靠自己感觉？

讲义用的是RGB 中文 benchmark（noise rate 0 → 1.0，噪声率 1.0 时应全部拒识），判分规则机械：答案是否含答案关键字、回复是否含拒识。

自研在 RGB 上没打赢 DS-32b，但在业务集（1,054 条 RAG 链路数据）上自研模型最好，原因写得很清楚：可控性最好，对模糊或无答案的问题基本能做到拒识，而不是靠推断、猜测和自身知识回答。

还有一组小模型消融，用来证明"这套流程本身有效，不是模型大所以好"：

14b_ori 87.56% -> 14b_ours 88.56% 7b_ori 85.89% -> 7b_ours 87.06%

涨幅不大，但方向一致——这才是"流程贡献"的可信证据。

4. 上线不是部署完成：四道关

这一节是纯企业视角，学校里学不到，也是"做过 Demo"和"上过线"最实的区别。

再加上线之后的持续环节：badcase 收集 → 周级模型迭代，以及安全侧的敏感词过滤 + 兜底回复 + Prompt 注入防护。

这里说句实在的：如果你简历上写"负责大模型上线"，面试官大概率会问的就是这四道关里的某一道——尤其备案和 T+1。“我用 vLLM 部署了一个模型"和"我推动一个模型过了法务评估并小流量放量”，是两个完全不同的项目经验。

至于效果不好怎么向业务交代，讲义给了标准答案，我认为这是全篇最"老手"的一句话：

把评估体系讲清楚，把 case 摆出来。

5. 岗位与协作模式

一份算法团队的真实协作地图。先看日常，再看结构，最后看边界。

算法工程师的日常清单（讲义原文顺序，最后两条是重点）：

读 Paper / 分享 Paper / 构思 Paper / 写 Paper / 技术分享 / 新技术调研与复现 / 新技术链路跑通 数据处理 / 模型训练 / 模型优化 / 模型蒸馏 / 强化学习对齐 算法服务开发 / 服务联调 / 模型部署 / 算法架构设计 / 项目推进与进度管理 开各种会（早会、周会、双周会） 和产品扯皮、和业务扯皮、和后端扯皮、和供应商扯皮 技术路线规划 / 战略规划 / 团队管理

角色进阶路径与招聘要求的对应：

组织结构：一级部门负责人 → 二级部门负责人（算法 BOSS）→ 技术小组，或大部门 → 业务领域负责人 → 技术/算法负责人 → 技术小组。团队先按方向分（NLP、CV、运筹、推荐…），方向内再按子方向/项目分（推荐分粗排/精排，NLP 分对话、内容生成、内容理解）。

讲义特别强调，进公司第一件事是搞懂三样东西：+1 / +2 的含义、实线与虚线的含义、公司绩效考核规则。这三样比技术栈更早决定你能不能把活干成。

合作方一览：

企业级项目泳道图（讲义配图还原，六个泳道）：

业务侧提需求 → 产品出需求文档 → 需求对齐 → 评估标准确认(算法/业务) → 明确资源并排期 → 项目评审启动 → AI 需求明确 → 算法技术方案调研 → 方案设计 → 模块拆分 ｜ 训练数据准备 → 模型训练 → 算法逻辑开发 → 内部效果评估 → AI 测试评估 → 迭代优化 → 业务侧评估 → 迭代优化 → 后端联调 → 全链路联调 → 线上部署 → AB 测试 → 逐步放量 → 线上 Badcase 收集 → 迭代优化 → 版本更新

一句话总结算法在链路里的位置：

用户/前端 --> 后端 --> 算法服务(检索/生成/Agent) --> 大模型 --> 结果结构化 --> 后端 --> 前端

Q：新人实际能做什么？

讲义写得非常不美化：低级别"嘴勤手勤，多干活、不挑活、多加班"。项目规模小到功能模块（总结、文案生成），大到客服系统、算法平台（智能客服、类 Coze 平台）。但一个项目里的算法不会很多，个位数——所以新人不是打杂，是包不下来的。

另外两条很实在：业务开发与调参不做人员区分，都要干；语言基本全是Python（训练代码 + 算法逻辑代码 + 算法服务代码），对 Java/Go 无要求——原话是"不要以为大厂算法不用写服务框架"。

一般P7 以下会有人带；1~3 年有 mentor 和 landing 周期，年限长了 landing 周期变短但需要自带落地能力。

6. 关于成长、面试与方向：几句可以直接抄进行事历的判断

这一节全是讲师观点，我按"能指导决策"的标准筛过，去掉了正确的废话。

成长路径（讲义原序）：

技术调研 --> 新技术复现 --> 业务模型训练 --> 业务最小模块开发 --> 业务模块开发 --> 开始与产品/业务沟通 --> 负责模块的整个沟通/优化/迭代 --> Owner 一些模块（设计/开发/调优/测试/上线/优化/撕逼） --> 培养拆分功能、排期、拒绝需求、撕逼能力 --> Owner 项目 --> 独当一面 --> Owner 方向

晋升：人品 + 能力。

能力拐点（“什么时候从干活的人变成能带项目的人”）：

担责，能设计成熟算法架构，能拆解能排期，能协调好上下游。

跨部门协作能力是 P7 及以上重要的能力。

学习顺序（这条我觉得应该印在第一篇）：

建议先掌握算法落地能力，支撑你找到工作，就业之后再深耕数学。数学不建议花大时间从头到尾学一遍，而是遇到哪些知识，把关联知识学会。

先知道模型怎么用、边界在哪、怎么落地，先活下去；然后修内功，多读 Paper，看懂原理，自发创新。

方向判断：

面试实情（社招/校招节奏）：校招约 40 分钟、社招约 1 小时，“按着简历内容问，问细节，问技术深度，问理解”，笔试一般是最后 10 分钟。5 年以上基本聚焦业务思维、手推较少，但"字节有时候会让你写 MHA 伪代码"；“估算落地成本不是业务思维，是基操”。算法题"刷的越多越好，大厂因为算法题被刷的大有人在"。

简历亮点（官方口径）：

模型结构创新 / 模型效果 SOTA / 大模型技术在大场景的落地经验 / 完整的大模型落地经验

还有一条冷知识级别的忠告：写简历要确认好模型发布时间与项目时间，确认好模型尺寸。面试官会算这笔账——你写"用 Qwen2.5-32B 做了某项目"，但项目结项时间早于模型发布时间，这一条就能把你整个项目判为编造。

7. 三个高频问题的标准答案

这三个问题是讲义最后集中回答的，也是所有看这类课程的人最容易想错的。

Q1：怎么防止简历上全是培训班包装的项目？

面试深挖即可，从项目出发进行各种深挖。

具体怎么挖，讲义给了一条完整拷问链，我觉得可以直接当自查清单用：

你的项目是 toB 还是 toC？ 团队构成是什么？你 own 哪一块？ 你最大的挑战是什么？ 你的模型上线标准是什么？评测体系怎么建的？ 评估指标是谁定的？和谁对齐的？ badcase 怎么收集？迭代周期多久？ 备案和法务评估走过吗？

"团队构成是什么"这一条最致命——真做过的人张口就是"算法 3 个人，后端 5 个，我负责检索那段"；编的人会含糊地带过。

Q2：只做一个项目，面试会不会吃亏？

把一个项目深挖精讲，比做很多但只会跑代码要好的多。

这条和上一条其实是配套的：深度是唯一防不住挖的东西。一横一纵也是讲义给的能力画像——横：模型/数据/训练框架/推理框架/Agent 开发都能搭链路；纵：在某一领域有深度，能独立解决该领域问题。

Q3：论文多还是项目多？

3 年以下看论文，3 年以上项目及方向是决定性的；在项目、方向一致的情况下，肯定论文多的优先。

Q4：培训班同学最普遍的问题是什么？

讲义这段批评挺重，我原文摘出来：

问题：简历模板不愿意动脑子、缺乏对项目的举一反三、盲目投递没有任何计划。

建议：保证基本的开发能力；在做项目的时候就考虑之后简历上这个项目如何修改（避免出现老三样）；投简历有节奏、有规划。

学历：只要简历通过就代表学历没问题，不要学历造假；学历偏低可以考虑小公司积累经验，慢慢往大厂走。

最后一条我认为是给整个系列定的调：“在做项目的时候就考虑简历上怎么讲”——这才是企业视角和学员视角最大的区别。前者把它当交付物，后者把它当作业。

最后总结

• 职级表最有用的不是对标，是定位坎在哪：2-1→2-2 是从"能解决问题"到"能发现隐性瓶颈"；3-1→3-2 是从"系统化"到"抽象成公司标准"。
• 流程十二阶段里，最容易跳过也最致命的是第二步：评估指标必须在开工前和业务白纸黑字对齐。技术调研要回答三问，其中"能落地的最新技术"才是答案，"最新技术"不是。
• 那个 RAG 案例值得抄的不是 98.5%，是路径：75%（7B 不行）→ 84%（换 32B）→ 91%（数据清洗 + 显式 CoT）→ 98.5%（四步改三步推理）→ 93.6%（KTO）→ 95.1%（14B 蒸馏 + Hard Negative）。每一环对应一个明确的问题，而不是"调了调参数"。
• 准确率到顶之后，真正的对手是延迟和过度拒识：5-6 秒不可接受、拒识从 127 涨到 65 反而掉召回。用 7B 做拒识门卫、32B 只做回答，是比"把大模型调快"划算得多的解法。
• 上线四道关：备案、法务（2~3 个月）、T+1 模拟（1 周~1 个月）、A/B 放量。这四道是"做过项目"和"做过 Demo"最硬的分界线。
• 成长路径读下来只有一件事：先能落地活下去，再修内功。数学按需补， Paper 长期读，跨部门协作是 P7 以上的门槛能力。
• 笔者（后端 & 架构）看完这三份讲义最大的收获是那句"把评估体系讲清楚，把 case 摆出来"。它同时回答了三个问题：效果不好怎么向业务交代、面试怎么证明项目是真的、以及为什么评测集要先于模型建设。能摆出 case 的人，不需要别人相信他的项目是真的。

参考资料 & 致谢

[1] [尚硅谷大模型智能体线上速成班 V2.0 · 09 大厂老师直播课资料（《头部企业职级定位》《企业大模型研发流程》《岗位与企业协作模式》三份讲义 + 四节直播）]
[2] RGB: Retrieval-Augmented Generation Benchmark for Vision-Language Modeling - arXiv
[3] LLaMA-Factory - GitHub
[4] Qwen 技术报告 - GitHub
[5] Enhancing Chat Language Models by Scaling High-quality Instructional Comments (KTO) - arXiv
[6] vLLM - GitHub
[7] [The New Landscape of “Paradigm” Prompting / CoT 相关研究 - 讲义引用为 2502.05639]
[8] 生成式人工智能服务管理暂行办法 - 国家网信办

注：本文所有职级、薪资、准确率、周期数据均来自课程讲义，属讲师个人在特定企业环境下的经验快照，不构成任何公司的官方口径，也不构成招聘或薪酬建议。文中提到的 RAG 项目准确率数字（75% / 84% / 91% / 98.5% / 93.6% / 95.1%）为课程案例实验记录，测试集规模与构成见正文，跨团队复现时请勿直接对标语义。