拓冰网站定制 
最近在准备阿里云大模型ACP认证说实话这门考试比我想象中要有含金量。它不是背几个概念就能混过去的而是真需要你理解大模型从训练到部署、从API调用到应用编排的完整链路。我大概花了三周时间集中备考期间踩了不少坑也把自己整理的模拟题反复刷了几遍。这篇文章就是这套模拟考试的第一部分覆盖大模型基础概念、百炼平台操作、RAG与Agent场景、微调与部署实战五个模块每道题都配了详细解析和我自己的易错点记录。适合正在备考ACP、或者刚接触阿里云百炼和大模型应用开发的朋友当成一次摸底自测来用。我先把话放在前面这套题不是官方真题是我结合官方文档、考试大纲、以及实际调模型时的经验攒出来的。方向是对的难度贴近真实考试但别指望靠它押题。它的核心价值是帮你找出知识盲区让你知道接下来该往哪个方向使劲。1. 模拟考试整体设计与备考思路1.1 大模型ACP认证到底在考什么我备考前专门翻了一圈考试大纲和社区经验帖总结下来这门认证考察的核心就三块大模型基础理论、阿里云百炼平台的使用能力、以及基于大模型的应用开发与工程化落地能力。基础理论这块重点在Transformer架构的基本思想、Token与分词、上下文窗口、采样参数、幻觉产生的原因这些。平台能力这块考的是你知不知道百炼有哪些功能模块、怎么创建应用、怎么配置API Key、怎么选模型、怎么构建知识库。应用开发这块RAG、Agent、Function Calling、Prompt工程是重头戏微调和部署也会考但不会深到让你手写训练代码。这跟我们平时自己玩大模型完全是两码事。自己玩的时候能调通API、能跑通一个Agent demo就觉得挺厉害了但考试会追问你为什么这个场景要用RAG而不是微调知识库分段大小对检索效果有什么影响temperature和top_p到底怎么配合用所以备考的思维方式要从能用升级到懂原理、会选型、能排错。1.2 这套模拟卷的使用方法这套卷子一共五个模块我用的是分模块刷题的方式。第一天先不看任何资料直接做一遍把所有错题和不清晰的题目标记出来第二天开始针对错题翻官方文档和产品页第三天再重做一遍错题看能不能全对。如果你时间紧张至少要把这套题完整过一遍哪怕做错也无所谓关键是看解析。我建议准备一个错题本不用抄题就把你搞混的知识点写下来。比如我当时记了几条top_p是累积概率截断不是候选词数量百炼知识库支持的最大单个文件大小高通量模型场景用异步接口吞吐更高这类。考试前一晚翻这个本子比翻厚厚的学习资料有效得多。2. 第一模块大模型基础概念题2.1 Token、上下文窗口与采样参数这组题是整个考试的地基看似简单但特别容易在细节上翻车。我见过不少同学能说清楚大模型的工作原理但问到一个汉字大概等于几个Token就含糊了。第1题单选题关于Token与上下文窗口下列说法正确的是A. 一个英文单词一定对应一个Token一个汉字也一定对应一个TokenB. 上下文窗口指的是模型在训练时见过的语料总量C. 模型的输出Token数会计入上下文窗口达到上限后可能被截断D. 上下文窗口越大模型推理速度一定越快答案C这道题考的是两个基础概念的准确理解。Token是文本被切分后的最小处理单元而不是按英文单词或汉字一一对应的。英文里一个常见单词可能就是一个Token但长单词可能被切成两三个一个汉字通常是1到2个Token具体要看分词器的词表设计。所以A直接把Token和单词、汉字划等号是错的。上下文窗口不是训练语料总量而是模型单次请求中能处理的Token总数量包括输入和输出的所有Token。B把窗口理解成语料规模是典型的概念错位。D的说法也很常见但站不住脚窗口大小和推理速度没有必然关系窗口大意味着KV Cache的占用更高在同样硬件条件下大窗口的推理开销反而更大。C是对的也是实际开发中最容易踩的坑。你输入一大段背景资料加一个提问如果模型输出的长度加上输入长度超过上下文窗口上限输出会被截断。我自己就遇到过让模型生成一篇长报告结果写到一半断了排查半天才发现是上下文窗口被打满输出被终止了。注意在百炼平台上使用通义千问系列模型时控制台会显示当前请求的Token用量开发阶段一定要养成看Token用量的习惯很多诡异问题其实都是Token超限引起的。第2题单选题关于temperature和top_p两个采样参数下列说法错误的是A. temperature越低生成结果越倾向于概率高的Token稳定性越高B. temperature设置为0时模型每次生成的结果会完全一样C. top_p控制的是候选Token的累积概率阈值比如0.8表示只从概率累积到80%的Token中选择D. 两个参数通常建议同时调整一般不建议都改到极端值答案B这题的正确率在我刷题的过程中不到一半错就错在B上。temperature为0时模型会倾向于选择概率最高的Token但由于GPU浮点计算存在微小误差、以及批处理等因素多次运行的结果不能说完全一样。官方文档一般说的是接近确定性输出而不是宿命式的完全一致。A和C是对的。temperature越低概率分布越尖锐模型越倾向于高分Token。你把temperature拉到接近0模型会比较保守适合信息抽取、分类、代码生成这类要求精确的任务调高一点则适合文案创作、头脑风暴这类需要多样性的场景。top_p则是核采样的逻辑按概率从高到低累积累积到设定阈值后概率更低的Token就会被排除在候选集之外。D也值得记住。阿里云百炼的API文档里明确建议两个参数配合使用时只调整其中一个。比如要更随机的结果就调temperature不要同时把temperature和top_p都往极端调否则输出质量会变得不可控。2.2 大模型的幻觉现象与应对手段第3题多选题大模型产生幻觉的原因通常包括A. 训练数据中缺少相关知识模型在编造答案B. 上下文信息不足模型只能靠推断补全C. 训练数据中本身包含错误或矛盾的信息模型学习到了错误模式D. 模型在生成时无法访问外部实时数据对最新事件只能猜测答案ABCD多选题是ACP考试里最容易丢分的题型少选、多选、错选都不得分。这道题四个选项都是幻觉的常见成因所以全选。A是根本原因模型的参数化知识来自训练语料如果某个生僻知识在训练集中出现得很少模型就只能靠残存的模糊信息去编。B是实际应用中的高频原因你给的上下文不足以支撑准确回答模型会用训练时学到的概率分布去补全一个听起来合理的答案。C说明幻觉不只是不知道还包括知道了错误的东西训练数据的质量直接决定模型的知识边界。D解释了为什么大模型经常在时效性问题上出错——它的知识快照是训练截止时点的训练完成后就接触不到新信息了。我自己的体感是应对幻觉最有效的手段不是频繁换大模型而是把RAG做扎实。考试中对幻觉的考察通常不会停留在概念层面而是结合RAG、检索、知识库这些工程手段一起出题。这也是为什么RAG相关的内容我要单独用一大节来讲。3. 第二模块阿里云百炼平台与模型调用实操题3.1 百炼平台能力与模型选型第4题单选题某企业需要一个高性价比的模型来完成批量文本分类任务文本量较大但对单条响应的绝对质量要求不是顶级最合适的模型选择是A. qwen-max效果最强B. qwen-plus性能与成本均衡C. qwen-turbo速度快且成本低D. qwen-long适合长文档答案C这道题我一开始做错了我当时选了B理由是均衡。但仔细看题干的几个约束条件就会发现这是一道非常典型的经济性选型题。批量分类任务的调性非常清晰量大、单条逻辑不复杂、对速度和成本敏感。qwen-turbo的定位就是高吞吐、低延迟、成本低特别适合这类任务。qwen-plus虽然综合能力强一些但在分类这个场景下优势不明显成本却拉高了。qwen-max是效果最强的但价格最高用在这里属于杀鸡用牛刀。qwen-long虽然支持长文本但分类任务往往不需要多长的上下文硬选反而浪费。这个选型思维在真实项目里非常重要。我见过不少团队一上来就怼最强的模型结果月底看账单才肉疼。大模型项目选模型和选服务器一样没有最好的只有最合适的。第5题单选题在百炼平台中创建应用并调用大模型服务正确的流程顺序是开通百炼服务获取API Key创建应用应用类型选择对应的大模型应用或智能体应用编写代码通过SDK或HTTP请求调用模型在控制台配置模型参数与应用PromptA. 1-2-3-4B. 1-2-4-3C. 2-1-4-3D. 1-4-2-3答案B这题考的是平台操作的基本流程选项设计上故意把配置和调用的顺序颠倒了。正确的顺序就是先开通服务拿Key再创建应用然后在控制台里把Prompt和模型参数调好最后才是写代码调用。这个顺序背后的逻辑是应用配置的很多信息比如应用ID、配置好的Prompt模板都会直接影响代码里的请求参数。如果你先写代码再回去配应用很可能要改两遍甚至三遍代码。先配置、再开发是减少返工的基本操作。我自己刚开始用百炼的时候就是先写了SDK调用代码然后发现需要一个Assistant ID又跑回控制台建应用建完发现配置里的Prompt没有调好又回头改配置来来回回浪费了不少时间。提示百炼平台创建的应用类型分为大模型应用和智能体应用等如果你要做RAG或Agent直接选择智能体应用会更方便它天然支持知识库挂载和工具调用。3.2 API调用中的鉴权与流式输出第6题单选题关于百炼API的鉴权方式下列说法正确的是A. 每次请求都要动态获取一个临时密钥不能复用B. API Key需要放在请求头的Authorization字段中格式为Bearer API KeyC. API Key只能保存在前端代码里方便调试D. API Key用于身份识别密钥泄露不会造成费用损失答案B这题的送分部分在B但很多人会被A干扰。百炼的API Key是长期有效的创建之后可以反复使用不需要动态获取临时密钥。关键是保管好。C和D都是安全红线API Key绝对不能写在前端代码或公开仓库里而且密钥等同于钱包钥匙泄露后别人调用模型产生的费用都算在你账上。我有个朋友就干过这事把API Key提交到了GitHub公开仓库结果被爬虫扫描到一个晚上被刷了上千次API调用账单多了几百块。所以密钥管理再怎么强调都不过分。实际开发中建议把Key放在服务端环境变量里前端通过自己后端转发请求不要直接暴露Key。第7题判断题在需要长文本生成的场景下使用流式输出streamTrue会比非流式输出更早收到首段内容。答案正确流式输出的原理是按Token增量返回结果第一个Token生成好就开始传输数据而非流式要等完整的响应结果全部生成完毕才一次性返回。从用户体验上看流式输出的首字延迟明显更低这也是为什么各大平台展示大模型回复时都是一段一段蹦出来的。考试里判断这个不难但真正想考的是你有没有在工程上理解流式输出的价值。比如你做一个对话机器人非流式的情况下用户可能要盯着空白页面等好几秒体验极差流式输出就是边生成边展示用户会觉得系统思考速度很快。后续如果有流式输出如何处理中断、如何做增量渲染这类延伸题原理也都是围绕这个展开的。4. 第三模块RAG、知识库与Agent场景题4.1 RAG流程与知识库构建第8题排序题下面是RAG检索增强生成的核心流程请按正确顺序排列用户输入Query将用户Query进行向量化在向量数据库中检索最相似的文档片段将检索到的文档片段与用户Query一起拼接为Prompt大模型基于增强后的上下文生成回答A. 1-2-3-4-5B. 1-3-2-4-5C. 2-1-3-4-5D. 1-2-4-3-5答案ARAG的完整链路是用户先输入问题系统对问题做向量化拿向量去检索知识库找到最相关的片段再把片段作为上下文拼进Prompt最后让大模型基于上下文生成答案。关键点在顺序上向量化User Query一定要在检索之前否则拿原始文本去和向量库做相似度匹配效率和效果都差很多。为什么需要向量化你可以把人脑的理解方式类比一下你问公司年假政策是什么这个提问本身是一串文字电脑不懂语义。向量化就是把这句话转化成一串表示语义方向的数字然后在向量数据库里找到语义方向上最接近的文档片段。所以RAG本质上是先查资料再写回答而不是让模型凭记忆硬写。第9题单选题在百炼平台上创建知识库时关于文档处理的描述错误的是A. 系统会自动对上传的文档进行文本解析B. 文档会被自动切片Chunk切片大小可能影响检索效果C. 文档上传后系统会自动完成向量化并写入向量数据库D. 切片越大检索精度一定越高答案DA、B、C都是百炼知识库的真实工作流程。你上传一份PDF或Word平台会自动解析文本按预设的分段策略切成若干片段然后做向量化存进向量数据里。用户需要了解的是这个流程但不需要手动编写完整代码。D是个典型误区。切片越大每个片段包含的信息越多但这个片段整体的向量可能糊掉——因为它同时包含了好几个子主题向量方向被平均化了检索的时候反而不精确。切片太小又可能割裂原意比如把一个句子的主谓宾拆到了两个片段里。所以切片大小需要根据文档类型和检索场景反复调优而不是越大越好。这也是考试中容易出现的一类正确但不全面的干扰项。4.2 Agent与Function Calling原理第10题单选题关于Function Calling函数调用下列说法正确的是A. Function Calling是指大模型直接执行外部函数B. Function Calling是大模型自行判断何时调用、以结构化参数输出函数调用请求由应用侧执行C. 只有超大型模型才支持Function CallingD. Function Calling只能用于调用天气API答案B这个知识点在ACP考试里出现频率挺高而且是个容易被误解的概念。关键点在于模型本身不执行函数模型只负责决定要不要调用一个函数以及调用这个函数时该传什么参数真正的执行发生在应用侧。我举个实际例子。用户问深圳明天适合穿什么衣服如果模型配置了天气查询工具它不会直接编一个明天晴转多云的答案而是生成一个类似调用query_weather(city深圳, date明天)的结构化输出。应用的代码收到这个输出后去调用真正的天气API拿到结果再喂回给模型让模型生成一段给用户的回答。这个过程模型始终没有执行任何代码它是通过生成结构化文本来完成一次函数调用的。C和D都是无厘头干扰项但也能看出出题人想让考生理解Function Calling是一个通用机制跟模型大小没有必然关系也不局限在某种具体API上任何外部工具、数据库、内部服务都可以通过这种方式接入。第11题多选题在一个基于百炼搭建的智能体Agent应用中以下哪些属于核心组成部分A. LLM模型B. 工具/插件提供外部能力C. 记忆模块记录多轮对话状态D. 知识库提供外部事实答案ABCD智能体不是单一模型而是一个以模型为大脑、以工具和记忆为手脚的系统。模型负责任务理解和决策工具让智能体具备查询天气、执行代码、访问业务系统等能力记忆模块保证多轮对话中智能体能记住用户之前说过什么知识库则为它提供专业领域的事实依据。我在实际开发百炼智能体应用时最大的感受就是智能体能力强不强很大程度上取决于工具规划得好不好、Prompt边界画得清不清楚。考试里考组成部分其实是在提醒你一个Agent架构的每一个环节都不可或缺。你也许可以只放一个模型搞定一些简单对话但要做真正能完成任务的智能体记忆、工具、知识库三件套缺一个都会明显拉胯。5. 第四模块微调与部署实战题5.1 什么时候该微调什么时候该用RAG第12题场景题某保险公司希望大模型在回答时严格按照公司内部的产品条款进行输出且条款会不定期更新以下方案最合理的是A. 使用大模型的基础能力直接回答不做什么处理B. 使用LoRA对模型进行微调把产品条款训练进模型参数C. 使用RAG方式将最新产品条款上传至知识库在回答时检索并引用D. 把条款写进系统提示词让模型背诵答案C这题是微调与RAG选型的经典考法几乎每个备考的人都会遇到类似的题目。题干里有几个关键词非常致命——严格按照和不定期更新。产品条款这类知识强调准确性和时效性一旦出现错误或过期信息造成的影响就是直接的。为什么不能选B因为微调的本质是改变模型的参数分布把知识学进模型里这个过程天然存在两个问题一是训练成本高每次条款更新都要重新训练二是模型可能学歪也就是微调后出现灾难性遗忘或对条款内容产生细微的转述偏差。对一个要求严格按照条款输出的场景来说这种偏差不可接受。RAG的优势在哪里条款放在知识库里问题是按需检索、原文引用来源清晰可控更新条款只需要替换知识库里的文档应用代码一行不用改。这个可变性正是它胜出的关键。D选项把条款塞进系统提示词对小体量条款可能够用但条款一旦多起来提示词会被撑爆还会占用大量上下文窗口既不经济也不稳定。5.2 微调中的关键参数与数据要求第13题单选题在模型微调过程中LoRALow-Rank Adaptation技术与全参数微调相比主要优势不包括A. 训练参数量大幅减少显存占用更低B. 训练速度更快对硬件门槛更低C. 可以只训练新增的适配器不影响原模型权重D. 微调后的模型效果在所有任务上一定优于全参数微调答案D这道题的考点很直接LoRA是通过低秩分解的方式在冻结原始模型参数的基础上训练少量新增参数适配器所以训练快、显存占用低、原始权重不动这些都是它的核心优势。但D说得太绝对了没有任何一种训练范式敢保证一定优于其他方案。在特定任务、数据量充足、硬件资源允许的情况下全参数微调的上限往往更高因为它能更新的参数空间更大。LoRA是在用更少的资源逼近全参数微调效果而不是全面超越。考试里凡是出现一定绝对所有任务上这类过于绝对的说法大概率是错误选项这个经验在不确定答案时很管用。5.3 推理部署与性能优化第14题单选题使用vLLM对大模型进行推理服务部署最主要的优化收益是A. 提升模型训练速度B. 通过PagedAttention等机制提高推理吞吐量C. 自动降低模型精度D. 不需要GPU即可运行模型答案BvLLM是做推理优化的框架不是训练框架A直接排除。C说是自动降低精度这不准确vLLM确实支持量化但那是用户显式配置的功能不是它自动干的事。D更离谱大模型推理几乎绕不开GPU。vLLM的核心贡献是PagedAttention也就是分页注意力机制。它借鉴了操作系统内存分页的思想把KV Cache分成块来管理减少了显存碎片和浪费从而能容纳更大的并发批量吞吐量自然就上来了。虽然也有更底层的性能优化但考试层面你记住高吞吐推理、PagedAttention这个对应关系就够了。第15题场景题公司需要在本地GPU服务器上部署一个70B参数规模的模型用于内部研发目标是在有限的显存预算下尽可能跑起来。以下做法最合理的是A. 直接加载原始FP16权重不做任何处理B. 使用INT8/INT4量化并采用多卡张量并行C. 放弃GPU只用CPU推理D. 同时开很多个实例提升并发答案B70B模型裸FP16权重就有140GB左右单张A10080GB都塞不下A基本不现实。C纯属硬抗CPU推理大模型慢到让你怀疑人生。D的思路更危险显存本来就不够还多开实例直接OOM。B是通过量化降低每个权重的字节数加多卡并行把模型分布到多张显卡上来降低单卡显存压力这是工程上的标准解法。实际部署时还要考虑推理框架是否支持量化、量化后精度损失是否在可接受范围内、以及多卡通信开销对吞吐的影响。考试虽然只考选型但你在项目里要多想一步不是能不能跑起来而是跑起来的性价比如何。6. 第五模块内容安全、限流与成本控制题6.1 大模型应用的内容安全策略第16题多选题在百炼平台上创建一个面向公众的大模型应用以下哪些措施有助于保障内容安全A. 在上线前配置内容审核策略B. 对用户的输入和模型的输出均进行安全过滤C. 设置应用访问权限与身份认证D. 应用上线后不做监控有问题再反馈答案ABC内容安全是AIGC应用上线不可回避的一环百炼平台本身提供内容审核相关的能力但你在应用层也要做好把关。A是最基本的上线前置条件B强调双向过滤用户输入需要防注入、防恶意构造模型输出需要防不合适的内容C是权限层面的兜底谁访问、能调到什么程度都要有控制。D不但错还极其危险。一个对外服务的大模型应用如果没有日志监控和告警出了问题可能连怎么出的问题都不知道。我在生产环境里吃过这个亏某天凌晨某条输入触发了一个预料之外的输出因为没配告警直到第二天用户投诉才发现。所以监控不是上线后的可选项是必选项。6.2 限流、配额与成本优化第17题单选题关于百炼API的限流与配额下列说法正确的是A. 限流只是为了限制用户防止你调用太多B. API的并发限制是固定的无法通过申请调整C. 在高并发场景下应用侧需要做请求重试和退避策略D. 只要充值足够多就不会触发限流答案CA是理解偏差。限流本质上是平台的一种保护机制既保护平台自身不被超发请求压垮也保护单个用户应用不至于因为流量突增而导致服务质量抖动。B说无法通过申请调整也不准确企业认证用户通常可以根据业务需求申请提升配额。C是工程上非常实用的考点。API调用一定会受到配额限制突发流量场景下被限流是常态应用侧必须做好合理的重试机制配合指数退避策略避免请求一失败就疯狂重试把限流打得更加严重。D属于想当然限流和费用是两回事你充再多钱平台也有单账号QPS上限。第18题多选题在控制大模型应用成本时以下做法比较有效的是A. 根据任务复杂度选择合适的模型避免一律使用旗舰模型B. 在Prompt中尽可能精简不必要的内容减少Token消耗C. 使用缓存机制对相同或近似的请求结果进行复用D. 无脑升级到更高的并发配额答案ABCA是选型层面的省钱B是输入层面的省钱C是请求层面的省钱这三个都是实打实的优化手段。我做过一个文档问答应用通过设置语义缓存让完全相同的提问直接命中缓存一个月下来API费用降了将近四成。D是花钱的方向除非业务流量确实到了一定规模否则无脑升级并发配额只会增加成本不会带来直接的收益。成本这块考试考得不深但实际工作中学费很贵。核心原则就是能用小模型解决的不用大模型能缓存的结果不重复算能精简的Prompt不给模型喂多余的话。这几点做到了成本自然可控。7. 模拟考试高频错题与避坑清单7.1 这五类题目最容易做错我刷了三遍这套题总结出五个高频翻车点集中说一下。一是概念对应错位。比如top_p被记成候选词数量、上下文窗口被记成训练语料量、LoRA被记成训练框架。这些概念本身不难但记混了非常致命。建议专门做一个术语对照表把每个专业名词和它的核心含义、典型应用场景放一起考前反复看。二是选型题只看模型能力不看成本。第4题就是个典型如果你习惯了一律选最强模型这类题会稳定丢分。考场上要再三确认题干里的限定词比如高频成本敏感批量处理它们都是选型的重要信号。三是流程题忽略先后顺序。像RAG流程、平台操作流程每个环节都有明确的依赖关系背顺序不如理解流程的内在逻辑。你只要想明白没有向量化就没法检索没有检索就没有上下文这个因果链顺序自然就记住了。四是绝对化表述的误导。选项里出现必定完全不所有任务上一定这类绝对化说法基本都是错项。模型和平台的能力边界本来就是动态的没有任何方案在所有场景下都是最优解。五是多选题漏选。多选确实是ACP考试的丢分集中地我的经验是宁可多从一个实际场景的完整性角度去考虑也不要只凭第一印象圈答案。比如问智能体的核心组成部分你就要站在架构设计者的角度把数据流走一遍看看缺谁不行。7.2 备考时间规划与资料推荐结合我自己三周备考的经历给你们一个可复制的计划拿来即用。第一周做知识扫盲。把百炼平台官方的产品文档和基础概念过一遍重点看模型选型、API调用、知识库、Agent这几个模块。不需要背细节但每个模块能干什么、怎么干、有什么限制要有印象。这一周的核心目标是建立地图知道考点分布在哪些区域。第二周专项刷题加动手。把模拟题按模块拆开做做完立即对答案看解析。同时强烈建议在百炼控制台开通一个免费额度实际创建一个应用、上传一份文档到知识库、跑一次RAG问答、配置一个带工具调用的智能体。动手做过一遍和只看文档的记忆深度完全不一样。第三周模拟与查漏补缺。整套卷子限时做一遍错题整理成知识点清单。我在这个阶段发现自己的短板集中在微调和部署方向于是专门找了大模型微调平台的相关资料补了一遍LoRA和常见训练参数这才把分数稳定住。提示大模型这个领域更新极快官方文档是时效性最好的学习素材。任何一个第三方总结包括我写的这篇文章都可能滞后于平台的功能迭代。遇到和你查到的资料不一致时以官方文档为准。7.3 从考试到实战的关键一步最后说点题外话。ACP认证考完千万不要把知识锁进文件夹里吃灰。我用备考时搭的知识库应用做了个团队内部文档问答机器人把几十篇制度文件扔进去组里同事用得还挺开心。后来又加了一个自动生成周报摘要的Agent每周五帮我省了至少一小时整理时间。考证是手段把大模型能力转化成身边实实在在的生产力才是这件事更大的价值。模拟卷的其他部分我还在整理下次可以继续聊微调实操的细节以及我在百炼平台上做多轮对话记忆时踩过的坑。先把这套题做完有不确定的知识点回去翻官方文档效果比追着问我要押题答案可靠得多。 阿里云大模型ACP认证模拟题解析：从基础概念到RAG与Agent实战
最近在准备阿里云大模型ACP认证说实话这门考试比我想象中要有含金量。它不是背几个概念就能混过去的而是真需要你理解大模型从训练到部署、从API调用到应用编排的完整链路。我大概花了三周时间集中备考期间踩了不少坑也把自己整理的模拟题反复刷了几遍。这篇文章就是这套模拟考试的第一部分覆盖大模型基础概念、百炼平台操作、RAG与Agent场景、微调与部署实战五个模块每道题都配了详细解析和我自己的易错点记录。适合正在备考ACP、或者刚接触阿里云百炼和大模型应用开发的朋友当成一次摸底自测来用。我先把话放在前面这套题不是官方真题是我结合官方文档、考试大纲、以及实际调模型时的经验攒出来的。方向是对的难度贴近真实考试但别指望靠它押题。它的核心价值是帮你找出知识盲区让你知道接下来该往哪个方向使劲。1. 模拟考试整体设计与备考思路1.1 大模型ACP认证到底在考什么我备考前专门翻了一圈考试大纲和社区经验帖总结下来这门认证考察的核心就三块大模型基础理论、阿里云百炼平台的使用能力、以及基于大模型的应用开发与工程化落地能力。基础理论这块重点在Transformer架构的基本思想、Token与分词、上下文窗口、采样参数、幻觉产生的原因这些。平台能力这块考的是你知不知道百炼有哪些功能模块、怎么创建应用、怎么配置API Key、怎么选模型、怎么构建知识库。应用开发这块RAG、Agent、Function Calling、Prompt工程是重头戏微调和部署也会考但不会深到让你手写训练代码。这跟我们平时自己玩大模型完全是两码事。自己玩的时候能调通API、能跑通一个Agent demo就觉得挺厉害了但考试会追问你为什么这个场景要用RAG而不是微调知识库分段大小对检索效果有什么影响temperature和top_p到底怎么配合用所以备考的思维方式要从能用升级到懂原理、会选型、能排错。1.2 这套模拟卷的使用方法这套卷子一共五个模块我用的是分模块刷题的方式。第一天先不看任何资料直接做一遍把所有错题和不清晰的题目标记出来第二天开始针对错题翻官方文档和产品页第三天再重做一遍错题看能不能全对。如果你时间紧张至少要把这套题完整过一遍哪怕做错也无所谓关键是看解析。我建议准备一个错题本不用抄题就把你搞混的知识点写下来。比如我当时记了几条top_p是累积概率截断不是候选词数量百炼知识库支持的最大单个文件大小高通量模型场景用异步接口吞吐更高这类。考试前一晚翻这个本子比翻厚厚的学习资料有效得多。2. 第一模块大模型基础概念题2.1 Token、上下文窗口与采样参数这组题是整个考试的地基看似简单但特别容易在细节上翻车。我见过不少同学能说清楚大模型的工作原理但问到一个汉字大概等于几个Token就含糊了。第1题单选题关于Token与上下文窗口下列说法正确的是A. 一个英文单词一定对应一个Token一个汉字也一定对应一个TokenB. 上下文窗口指的是模型在训练时见过的语料总量C. 模型的输出Token数会计入上下文窗口达到上限后可能被截断D. 上下文窗口越大模型推理速度一定越快答案C这道题考的是两个基础概念的准确理解。Token是文本被切分后的最小处理单元而不是按英文单词或汉字一一对应的。英文里一个常见单词可能就是一个Token但长单词可能被切成两三个一个汉字通常是1到2个Token具体要看分词器的词表设计。所以A直接把Token和单词、汉字划等号是错的。上下文窗口不是训练语料总量而是模型单次请求中能处理的Token总数量包括输入和输出的所有Token。B把窗口理解成语料规模是典型的概念错位。D的说法也很常见但站不住脚窗口大小和推理速度没有必然关系窗口大意味着KV Cache的占用更高在同样硬件条件下大窗口的推理开销反而更大。C是对的也是实际开发中最容易踩的坑。你输入一大段背景资料加一个提问如果模型输出的长度加上输入长度超过上下文窗口上限输出会被截断。我自己就遇到过让模型生成一篇长报告结果写到一半断了排查半天才发现是上下文窗口被打满输出被终止了。注意在百炼平台上使用通义千问系列模型时控制台会显示当前请求的Token用量开发阶段一定要养成看Token用量的习惯很多诡异问题其实都是Token超限引起的。第2题单选题关于temperature和top_p两个采样参数下列说法错误的是A. temperature越低生成结果越倾向于概率高的Token稳定性越高B. temperature设置为0时模型每次生成的结果会完全一样C. top_p控制的是候选Token的累积概率阈值比如0.8表示只从概率累积到80%的Token中选择D. 两个参数通常建议同时调整一般不建议都改到极端值答案B这题的正确率在我刷题的过程中不到一半错就错在B上。temperature为0时模型会倾向于选择概率最高的Token但由于GPU浮点计算存在微小误差、以及批处理等因素多次运行的结果不能说完全一样。官方文档一般说的是接近确定性输出而不是宿命式的完全一致。A和C是对的。temperature越低概率分布越尖锐模型越倾向于高分Token。你把temperature拉到接近0模型会比较保守适合信息抽取、分类、代码生成这类要求精确的任务调高一点则适合文案创作、头脑风暴这类需要多样性的场景。top_p则是核采样的逻辑按概率从高到低累积累积到设定阈值后概率更低的Token就会被排除在候选集之外。D也值得记住。阿里云百炼的API文档里明确建议两个参数配合使用时只调整其中一个。比如要更随机的结果就调temperature不要同时把temperature和top_p都往极端调否则输出质量会变得不可控。2.2 大模型的幻觉现象与应对手段第3题多选题大模型产生幻觉的原因通常包括A. 训练数据中缺少相关知识模型在编造答案B. 上下文信息不足模型只能靠推断补全C. 训练数据中本身包含错误或矛盾的信息模型学习到了错误模式D. 模型在生成时无法访问外部实时数据对最新事件只能猜测答案ABCD多选题是ACP考试里最容易丢分的题型少选、多选、错选都不得分。这道题四个选项都是幻觉的常见成因所以全选。A是根本原因模型的参数化知识来自训练语料如果某个生僻知识在训练集中出现得很少模型就只能靠残存的模糊信息去编。B是实际应用中的高频原因你给的上下文不足以支撑准确回答模型会用训练时学到的概率分布去补全一个听起来合理的答案。C说明幻觉不只是不知道还包括知道了错误的东西训练数据的质量直接决定模型的知识边界。D解释了为什么大模型经常在时效性问题上出错——它的知识快照是训练截止时点的训练完成后就接触不到新信息了。我自己的体感是应对幻觉最有效的手段不是频繁换大模型而是把RAG做扎实。考试中对幻觉的考察通常不会停留在概念层面而是结合RAG、检索、知识库这些工程手段一起出题。这也是为什么RAG相关的内容我要单独用一大节来讲。3. 第二模块阿里云百炼平台与模型调用实操题3.1 百炼平台能力与模型选型第4题单选题某企业需要一个高性价比的模型来完成批量文本分类任务文本量较大但对单条响应的绝对质量要求不是顶级最合适的模型选择是A. qwen-max效果最强B. qwen-plus性能与成本均衡C. qwen-turbo速度快且成本低D. qwen-long适合长文档答案C这道题我一开始做错了我当时选了B理由是均衡。但仔细看题干的几个约束条件就会发现这是一道非常典型的经济性选型题。批量分类任务的调性非常清晰量大、单条逻辑不复杂、对速度和成本敏感。qwen-turbo的定位就是高吞吐、低延迟、成本低特别适合这类任务。qwen-plus虽然综合能力强一些但在分类这个场景下优势不明显成本却拉高了。qwen-max是效果最强的但价格最高用在这里属于杀鸡用牛刀。qwen-long虽然支持长文本但分类任务往往不需要多长的上下文硬选反而浪费。这个选型思维在真实项目里非常重要。我见过不少团队一上来就怼最强的模型结果月底看账单才肉疼。大模型项目选模型和选服务器一样没有最好的只有最合适的。第5题单选题在百炼平台中创建应用并调用大模型服务正确的流程顺序是开通百炼服务获取API Key创建应用应用类型选择对应的大模型应用或智能体应用编写代码通过SDK或HTTP请求调用模型在控制台配置模型参数与应用PromptA. 1-2-3-4B. 1-2-4-3C. 2-1-4-3D. 1-4-2-3答案B这题考的是平台操作的基本流程选项设计上故意把配置和调用的顺序颠倒了。正确的顺序就是先开通服务拿Key再创建应用然后在控制台里把Prompt和模型参数调好最后才是写代码调用。这个顺序背后的逻辑是应用配置的很多信息比如应用ID、配置好的Prompt模板都会直接影响代码里的请求参数。如果你先写代码再回去配应用很可能要改两遍甚至三遍代码。先配置、再开发是减少返工的基本操作。我自己刚开始用百炼的时候就是先写了SDK调用代码然后发现需要一个Assistant ID又跑回控制台建应用建完发现配置里的Prompt没有调好又回头改配置来来回回浪费了不少时间。提示百炼平台创建的应用类型分为大模型应用和智能体应用等如果你要做RAG或Agent直接选择智能体应用会更方便它天然支持知识库挂载和工具调用。3.2 API调用中的鉴权与流式输出第6题单选题关于百炼API的鉴权方式下列说法正确的是A. 每次请求都要动态获取一个临时密钥不能复用B. API Key需要放在请求头的Authorization字段中格式为Bearer API KeyC. API Key只能保存在前端代码里方便调试D. API Key用于身份识别密钥泄露不会造成费用损失答案B这题的送分部分在B但很多人会被A干扰。百炼的API Key是长期有效的创建之后可以反复使用不需要动态获取临时密钥。关键是保管好。C和D都是安全红线API Key绝对不能写在前端代码或公开仓库里而且密钥等同于钱包钥匙泄露后别人调用模型产生的费用都算在你账上。我有个朋友就干过这事把API Key提交到了GitHub公开仓库结果被爬虫扫描到一个晚上被刷了上千次API调用账单多了几百块。所以密钥管理再怎么强调都不过分。实际开发中建议把Key放在服务端环境变量里前端通过自己后端转发请求不要直接暴露Key。第7题判断题在需要长文本生成的场景下使用流式输出streamTrue会比非流式输出更早收到首段内容。答案正确流式输出的原理是按Token增量返回结果第一个Token生成好就开始传输数据而非流式要等完整的响应结果全部生成完毕才一次性返回。从用户体验上看流式输出的首字延迟明显更低这也是为什么各大平台展示大模型回复时都是一段一段蹦出来的。考试里判断这个不难但真正想考的是你有没有在工程上理解流式输出的价值。比如你做一个对话机器人非流式的情况下用户可能要盯着空白页面等好几秒体验极差流式输出就是边生成边展示用户会觉得系统思考速度很快。后续如果有流式输出如何处理中断、如何做增量渲染这类延伸题原理也都是围绕这个展开的。4. 第三模块RAG、知识库与Agent场景题4.1 RAG流程与知识库构建第8题排序题下面是RAG检索增强生成的核心流程请按正确顺序排列用户输入Query将用户Query进行向量化在向量数据库中检索最相似的文档片段将检索到的文档片段与用户Query一起拼接为Prompt大模型基于增强后的上下文生成回答A. 1-2-3-4-5B. 1-3-2-4-5C. 2-1-3-4-5D. 1-2-4-3-5答案ARAG的完整链路是用户先输入问题系统对问题做向量化拿向量去检索知识库找到最相关的片段再把片段作为上下文拼进Prompt最后让大模型基于上下文生成答案。关键点在顺序上向量化User Query一定要在检索之前否则拿原始文本去和向量库做相似度匹配效率和效果都差很多。为什么需要向量化你可以把人脑的理解方式类比一下你问公司年假政策是什么这个提问本身是一串文字电脑不懂语义。向量化就是把这句话转化成一串表示语义方向的数字然后在向量数据库里找到语义方向上最接近的文档片段。所以RAG本质上是先查资料再写回答而不是让模型凭记忆硬写。第9题单选题在百炼平台上创建知识库时关于文档处理的描述错误的是A. 系统会自动对上传的文档进行文本解析B. 文档会被自动切片Chunk切片大小可能影响检索效果C. 文档上传后系统会自动完成向量化并写入向量数据库D. 切片越大检索精度一定越高答案DA、B、C都是百炼知识库的真实工作流程。你上传一份PDF或Word平台会自动解析文本按预设的分段策略切成若干片段然后做向量化存进向量数据里。用户需要了解的是这个流程但不需要手动编写完整代码。D是个典型误区。切片越大每个片段包含的信息越多但这个片段整体的向量可能糊掉——因为它同时包含了好几个子主题向量方向被平均化了检索的时候反而不精确。切片太小又可能割裂原意比如把一个句子的主谓宾拆到了两个片段里。所以切片大小需要根据文档类型和检索场景反复调优而不是越大越好。这也是考试中容易出现的一类正确但不全面的干扰项。4.2 Agent与Function Calling原理第10题单选题关于Function Calling函数调用下列说法正确的是A. Function Calling是指大模型直接执行外部函数B. Function Calling是大模型自行判断何时调用、以结构化参数输出函数调用请求由应用侧执行C. 只有超大型模型才支持Function CallingD. Function Calling只能用于调用天气API答案B这个知识点在ACP考试里出现频率挺高而且是个容易被误解的概念。关键点在于模型本身不执行函数模型只负责决定要不要调用一个函数以及调用这个函数时该传什么参数真正的执行发生在应用侧。我举个实际例子。用户问深圳明天适合穿什么衣服如果模型配置了天气查询工具它不会直接编一个明天晴转多云的答案而是生成一个类似调用query_weather(city深圳, date明天)的结构化输出。应用的代码收到这个输出后去调用真正的天气API拿到结果再喂回给模型让模型生成一段给用户的回答。这个过程模型始终没有执行任何代码它是通过生成结构化文本来完成一次函数调用的。C和D都是无厘头干扰项但也能看出出题人想让考生理解Function Calling是一个通用机制跟模型大小没有必然关系也不局限在某种具体API上任何外部工具、数据库、内部服务都可以通过这种方式接入。第11题多选题在一个基于百炼搭建的智能体Agent应用中以下哪些属于核心组成部分A. LLM模型B. 工具/插件提供外部能力C. 记忆模块记录多轮对话状态D. 知识库提供外部事实答案ABCD智能体不是单一模型而是一个以模型为大脑、以工具和记忆为手脚的系统。模型负责任务理解和决策工具让智能体具备查询天气、执行代码、访问业务系统等能力记忆模块保证多轮对话中智能体能记住用户之前说过什么知识库则为它提供专业领域的事实依据。我在实际开发百炼智能体应用时最大的感受就是智能体能力强不强很大程度上取决于工具规划得好不好、Prompt边界画得清不清楚。考试里考组成部分其实是在提醒你一个Agent架构的每一个环节都不可或缺。你也许可以只放一个模型搞定一些简单对话但要做真正能完成任务的智能体记忆、工具、知识库三件套缺一个都会明显拉胯。5. 第四模块微调与部署实战题5.1 什么时候该微调什么时候该用RAG第12题场景题某保险公司希望大模型在回答时严格按照公司内部的产品条款进行输出且条款会不定期更新以下方案最合理的是A. 使用大模型的基础能力直接回答不做什么处理B. 使用LoRA对模型进行微调把产品条款训练进模型参数C. 使用RAG方式将最新产品条款上传至知识库在回答时检索并引用D. 把条款写进系统提示词让模型背诵答案C这题是微调与RAG选型的经典考法几乎每个备考的人都会遇到类似的题目。题干里有几个关键词非常致命——严格按照和不定期更新。产品条款这类知识强调准确性和时效性一旦出现错误或过期信息造成的影响就是直接的。为什么不能选B因为微调的本质是改变模型的参数分布把知识学进模型里这个过程天然存在两个问题一是训练成本高每次条款更新都要重新训练二是模型可能学歪也就是微调后出现灾难性遗忘或对条款内容产生细微的转述偏差。对一个要求严格按照条款输出的场景来说这种偏差不可接受。RAG的优势在哪里条款放在知识库里问题是按需检索、原文引用来源清晰可控更新条款只需要替换知识库里的文档应用代码一行不用改。这个可变性正是它胜出的关键。D选项把条款塞进系统提示词对小体量条款可能够用但条款一旦多起来提示词会被撑爆还会占用大量上下文窗口既不经济也不稳定。5.2 微调中的关键参数与数据要求第13题单选题在模型微调过程中LoRALow-Rank Adaptation技术与全参数微调相比主要优势不包括A. 训练参数量大幅减少显存占用更低B. 训练速度更快对硬件门槛更低C. 可以只训练新增的适配器不影响原模型权重D. 微调后的模型效果在所有任务上一定优于全参数微调答案D这道题的考点很直接LoRA是通过低秩分解的方式在冻结原始模型参数的基础上训练少量新增参数适配器所以训练快、显存占用低、原始权重不动这些都是它的核心优势。但D说得太绝对了没有任何一种训练范式敢保证一定优于其他方案。在特定任务、数据量充足、硬件资源允许的情况下全参数微调的上限往往更高因为它能更新的参数空间更大。LoRA是在用更少的资源逼近全参数微调效果而不是全面超越。考试里凡是出现一定绝对所有任务上这类过于绝对的说法大概率是错误选项这个经验在不确定答案时很管用。5.3 推理部署与性能优化第14题单选题使用vLLM对大模型进行推理服务部署最主要的优化收益是A. 提升模型训练速度B. 通过PagedAttention等机制提高推理吞吐量C. 自动降低模型精度D. 不需要GPU即可运行模型答案BvLLM是做推理优化的框架不是训练框架A直接排除。C说是自动降低精度这不准确vLLM确实支持量化但那是用户显式配置的功能不是它自动干的事。D更离谱大模型推理几乎绕不开GPU。vLLM的核心贡献是PagedAttention也就是分页注意力机制。它借鉴了操作系统内存分页的思想把KV Cache分成块来管理减少了显存碎片和浪费从而能容纳更大的并发批量吞吐量自然就上来了。虽然也有更底层的性能优化但考试层面你记住高吞吐推理、PagedAttention这个对应关系就够了。第15题场景题公司需要在本地GPU服务器上部署一个70B参数规模的模型用于内部研发目标是在有限的显存预算下尽可能跑起来。以下做法最合理的是A. 直接加载原始FP16权重不做任何处理B. 使用INT8/INT4量化并采用多卡张量并行C. 放弃GPU只用CPU推理D. 同时开很多个实例提升并发答案B70B模型裸FP16权重就有140GB左右单张A10080GB都塞不下A基本不现实。C纯属硬抗CPU推理大模型慢到让你怀疑人生。D的思路更危险显存本来就不够还多开实例直接OOM。B是通过量化降低每个权重的字节数加多卡并行把模型分布到多张显卡上来降低单卡显存压力这是工程上的标准解法。实际部署时还要考虑推理框架是否支持量化、量化后精度损失是否在可接受范围内、以及多卡通信开销对吞吐的影响。考试虽然只考选型但你在项目里要多想一步不是能不能跑起来而是跑起来的性价比如何。6. 第五模块内容安全、限流与成本控制题6.1 大模型应用的内容安全策略第16题多选题在百炼平台上创建一个面向公众的大模型应用以下哪些措施有助于保障内容安全A. 在上线前配置内容审核策略B. 对用户的输入和模型的输出均进行安全过滤C. 设置应用访问权限与身份认证D. 应用上线后不做监控有问题再反馈答案ABC内容安全是AIGC应用上线不可回避的一环百炼平台本身提供内容审核相关的能力但你在应用层也要做好把关。A是最基本的上线前置条件B强调双向过滤用户输入需要防注入、防恶意构造模型输出需要防不合适的内容C是权限层面的兜底谁访问、能调到什么程度都要有控制。D不但错还极其危险。一个对外服务的大模型应用如果没有日志监控和告警出了问题可能连怎么出的问题都不知道。我在生产环境里吃过这个亏某天凌晨某条输入触发了一个预料之外的输出因为没配告警直到第二天用户投诉才发现。所以监控不是上线后的可选项是必选项。6.2 限流、配额与成本优化第17题单选题关于百炼API的限流与配额下列说法正确的是A. 限流只是为了限制用户防止你调用太多B. API的并发限制是固定的无法通过申请调整C. 在高并发场景下应用侧需要做请求重试和退避策略D. 只要充值足够多就不会触发限流答案CA是理解偏差。限流本质上是平台的一种保护机制既保护平台自身不被超发请求压垮也保护单个用户应用不至于因为流量突增而导致服务质量抖动。B说无法通过申请调整也不准确企业认证用户通常可以根据业务需求申请提升配额。C是工程上非常实用的考点。API调用一定会受到配额限制突发流量场景下被限流是常态应用侧必须做好合理的重试机制配合指数退避策略避免请求一失败就疯狂重试把限流打得更加严重。D属于想当然限流和费用是两回事你充再多钱平台也有单账号QPS上限。第18题多选题在控制大模型应用成本时以下做法比较有效的是A. 根据任务复杂度选择合适的模型避免一律使用旗舰模型B. 在Prompt中尽可能精简不必要的内容减少Token消耗C. 使用缓存机制对相同或近似的请求结果进行复用D. 无脑升级到更高的并发配额答案ABCA是选型层面的省钱B是输入层面的省钱C是请求层面的省钱这三个都是实打实的优化手段。我做过一个文档问答应用通过设置语义缓存让完全相同的提问直接命中缓存一个月下来API费用降了将近四成。D是花钱的方向除非业务流量确实到了一定规模否则无脑升级并发配额只会增加成本不会带来直接的收益。成本这块考试考得不深但实际工作中学费很贵。核心原则就是能用小模型解决的不用大模型能缓存的结果不重复算能精简的Prompt不给模型喂多余的话。这几点做到了成本自然可控。7. 模拟考试高频错题与避坑清单7.1 这五类题目最容易做错我刷了三遍这套题总结出五个高频翻车点集中说一下。一是概念对应错位。比如top_p被记成候选词数量、上下文窗口被记成训练语料量、LoRA被记成训练框架。这些概念本身不难但记混了非常致命。建议专门做一个术语对照表把每个专业名词和它的核心含义、典型应用场景放一起考前反复看。二是选型题只看模型能力不看成本。第4题就是个典型如果你习惯了一律选最强模型这类题会稳定丢分。考场上要再三确认题干里的限定词比如高频成本敏感批量处理它们都是选型的重要信号。三是流程题忽略先后顺序。像RAG流程、平台操作流程每个环节都有明确的依赖关系背顺序不如理解流程的内在逻辑。你只要想明白没有向量化就没法检索没有检索就没有上下文这个因果链顺序自然就记住了。四是绝对化表述的误导。选项里出现必定完全不所有任务上一定这类绝对化说法基本都是错项。模型和平台的能力边界本来就是动态的没有任何方案在所有场景下都是最优解。五是多选题漏选。多选确实是ACP考试的丢分集中地我的经验是宁可多从一个实际场景的完整性角度去考虑也不要只凭第一印象圈答案。比如问智能体的核心组成部分你就要站在架构设计者的角度把数据流走一遍看看缺谁不行。7.2 备考时间规划与资料推荐结合我自己三周备考的经历给你们一个可复制的计划拿来即用。第一周做知识扫盲。把百炼平台官方的产品文档和基础概念过一遍重点看模型选型、API调用、知识库、Agent这几个模块。不需要背细节但每个模块能干什么、怎么干、有什么限制要有印象。这一周的核心目标是建立地图知道考点分布在哪些区域。第二周专项刷题加动手。把模拟题按模块拆开做做完立即对答案看解析。同时强烈建议在百炼控制台开通一个免费额度实际创建一个应用、上传一份文档到知识库、跑一次RAG问答、配置一个带工具调用的智能体。动手做过一遍和只看文档的记忆深度完全不一样。第三周模拟与查漏补缺。整套卷子限时做一遍错题整理成知识点清单。我在这个阶段发现自己的短板集中在微调和部署方向于是专门找了大模型微调平台的相关资料补了一遍LoRA和常见训练参数这才把分数稳定住。提示大模型这个领域更新极快官方文档是时效性最好的学习素材。任何一个第三方总结包括我写的这篇文章都可能滞后于平台的功能迭代。遇到和你查到的资料不一致时以官方文档为准。7.3 从考试到实战的关键一步最后说点题外话。ACP认证考完千万不要把知识锁进文件夹里吃灰。我用备考时搭的知识库应用做了个团队内部文档问答机器人把几十篇制度文件扔进去组里同事用得还挺开心。后来又加了一个自动生成周报摘要的Agent每周五帮我省了至少一小时整理时间。考证是手段把大模型能力转化成身边实实在在的生产力才是这件事更大的价值。模拟卷的其他部分我还在整理下次可以继续聊微调实操的细节以及我在百炼平台上做多轮对话记忆时踩过的坑。先把这套题做完有不确定的知识点回去翻官方文档效果比追着问我要押题答案可靠得多。