这是「每日一题」专栏的第十四篇。每天一道面试题，后端 + AI 混合路线，从原理到代码一次讲清。上一篇讲了 RAG 检索增强生成，今天按轮换回到后端/分布式方向，聊上一篇预告的题：接口幂等。

2023 年的 prompt 技巧（"扮演 XX 角色"、few-shot 堆例子、Let's think step by step）在 2026 年基本失效了：推理模型自带思维链，few-shot 反而拖后腿；上下文窗口动辄 128K 起步，token 成本大头从输出转移到了输入；更重要的是，prompt 一旦进入生产，它就是代码——要版本化、要评测、要灰度、要监控缓存命中率。

本文不聊"怎么写好一句 prompt"，那部分已经被 上下文工程 和 结构化输出 覆盖了。本文聊的是 prompt 作为生产系统的另一半：分层体系怎么搭、推理模型怎么伺候、缓存怎么薅、改动怎么验证。

这是「每日一题」专栏的第十三篇。每天一道面试题，后端 + AI 混合路线，从原理到代码一次讲清。上一篇讲了 Feed 流系统设计，今天按轮换回到 AI/LLM 方向，聊上一篇预告的题：RAG 检索增强生成。

微调和蒸馏是聊开源模型时绕不开的两个词，但经常被混为一谈。一句话区分：微调改变「模型会什么」，蒸馏改变「模型有多大」——微调是拿你的数据继续训练，让模型适配你的任务；蒸馏是让大模型当老师，把能力压缩进小模型。本文讲清两者的本质、方法和选型。

开源 LLM 怎么部署，取决于你手里有什么算力、要服务多少人。本文不讨论引擎内部机制（选型见推理引擎选型），只给端到端部署方案：按算力场景分四档，每档给可跑命令、显存预算和踩坑。

LobeChat 是当前最流行的开源 AI 聊天前端之一，界面漂亮、功能齐全，支持聚合多家大模型供应商。自己部署一台的好处很实在：对话数据不出自己的服务器，模型按需切换，还省了订阅费。本文给出一条命令的 Docker 部署方案，直接接 DeepSeek——国内直连、便宜、够用。

先给结论：大模型训练并行只有三件事——显存放不下、算力不够用、通信不能成为瓶颈。数据并行（DP）摊算力、张量并行（TP）摊单层显存、流水线并行（PP）摊层数，ZeRO/FSDP 是数据并行的显存优化形态，实际生产（GPT-3、Llama、Qwen 系列）都是把它们叠成 3D/4D 并行来用。选型的本质是一道通信开销的算术题：每步训练要搬多少字节，你的互联带宽扛不扛得住。

上一篇讲了参数高效微调 LoRA/QLoRA，那是"少训点参数"的路线；这篇是"多卡一起训"的路线，两者互补。集群怎么调度 GPU 见K8s GPU 调度。

这是「每日一题」专栏的第十二篇。每天一道面试题，后端 + AI 混合路线，从原理到代码一次讲清。上一篇讲了 Cache-Aside 缓存一致性，今天按轮换来到系统设计方向，聊上一篇预告的题：Feed 流系统设计。

自回归解码是 memory-bound 的：小 batch 下每生成一个 token 都要把全部权重从 HBM 读一遍，GPU 算力大部分时间在空转。投机解码（Speculative Decoding）的思路反直觉但极其优雅——让一个便宜的小模型先猜 γ 个 token，大模型一次前向并行验证，猜对的直接收下，猜错的用拒绝采样修正。论文级收益 2-2.5 倍，工程实现（Medusa/EAGLE/DeepSeek MTP）能到 3-4 倍，而且输出分布与原生解码严格一致，不是近似。

这是「每日一题」专栏的第十一篇。每天一道面试题，后端 + AI 混合路线，从原理到代码一次讲清。上一篇讲了 模型量化，今天按轮换回到后端/分布式方向，聊上一篇预告的题：Cache-Aside 缓存一致性。