考ACP大模型认证，最怕的不是学不会，是学错了方向。

我整理了ACP大模型认证的高频考点和典型真题，按模块分类。如果你正在备考，这篇可以直接当复习提纲用。

---

模块一：大模型基础（15%）

高频考点

1. Transformer架构核心

• 自注意力机制（Self-Attention）的计算过程

• Q、K、V矩阵的作用

• 多头注意力（Multi-Head Attention）的优势

• 位置编码（Positional Encoding）的原理

2. 主流模型对比

模型	开发方	参数量	特点
GPT-5.3	OpenAI	未公开	多模态、长上下文
Claude 5	Anthropic	未公开	安全对齐、长文本
Qwen 3.5	阿里云	72B/110B	中文优化、开源
GLM 5	智谱AI	未公开	中文理解强
DeepSeek V4	DeepSeek	1T MoE	性价比之王

3. 训练与推理流程

• 预训练（Pre-training）→ 有监督微调（SFT）→ 强化学习（RLHF/DPO）

• 推理优化：KV Cache、投机解码、量化

典型真题

Q: Transformer中，多头注意力机制的主要优势是什么？ A. 减少计算量 B. 允许模型同时关注不同位置的不同表示子空间 ✅ C. 加快训练速度 D. 减少参数量

Q: 以下哪个不是大模型的训练阶段？ A. 预训练 B. 有监督微调 C. 联邦学习 ✅ D. 强化学习对齐

---

模块二：提示词工程（20%）

高频考点

1. Prompt设计模式

• Zero-shot：不给示例，直接提问

• Few-shot：给2-5个示例

• Chain-of-Thought（CoT）：引导模型逐步推理

• Tree-of-Thought（ToT）：多路径推理

• ReAct：推理+行动交替

2. Prompt优化技巧

• 角色设定（"你是一个XX专家"）

• 格式约束（"用JSON格式输出"）

• 分步指令（"先分析，再总结"）

• 负面提示（"不要做XX"）

3. 常见陷阱

• Prompt过长导致注意力分散

• 指令模糊导致输出不稳定

• 缺少格式约束导致输出不可解析

典型真题

Q: 在Few-shot Prompting中，示例数量过多可能导致什么问题？ A. 模型理解能力提升 B. 上下文窗口溢出，性能下降 ✅ C. 推理速度加快 D. 输出质量稳定

Q: Chain-of-Thought Prompting的核心思想是什么？ A. 让模型一次性给出答案 B. 引导模型展示逐步推理过程 ✅ C. 减少模型的参数量 D. 加快推理速度

---

模块三：RAG技术（20%）⚠️ 最难模块

高频考点

1. RAG核心流程

用户提问 → 查询改写 → 向量检索 → 重排序 → 上下文拼接 → LLM生成 → 回答

2. 向量数据库

• Milvus：开源、高性能、支持多种索引

• Pinecone：托管服务、易用

• Weaviate：开源、支持混合检索

• 阿里云向量检索服务

3. 关键技术

• Embedding模型选择（text-embedding-v3等）

• 索引类型（IVF_FLAT、HNSW、ANNOY）

• 检索策略（相似度检索、MMR、混合检索）

• 重排序（Cross-Encoder、BGE-Reranker）

• Chunk策略（固定长度、语义分割、递归分割）

典型真题

Q: 在RAG系统中，重排序（Reranking）的主要作用是什么？ A. 减少向量数据库的存储空间 B. 提高检索结果的相关性精度 ✅ C. 加快检索速度 D. 减少LLM的输入长度

Q: 以下哪种索引类型适合大规模向量检索？ A. 暴力搜索（Flat） B. IVF_FLAT ✅ C. 线性扫描 D. 随机采样

---

模块四：Agent开发（20%）

高频考点

1. Function Calling

• 原理：LLM输出结构化函数调用指令

• 流程：用户输入 → LLM判断是否需要调用工具 → 执行工具 → 返回结果 → LLM生成回答

• 应用：天气查询、数据库查询、API调用

2. 多Agent架构

• ReAct：推理（Reasoning）+ 行动（Acting）交替

• Plan-and-Execute：先规划再执行

• 多Agent协作：主Agent调度子Agent

3. Agent评估指标

• 任务完成率

• 工具调用准确率

• 响应延迟

典型真题

Q: Function Calling的核心流程是什么？ A. LLM直接生成最终答案 B. LLM判断需要调用工具，输出结构化指令，执行后返回结果 ✅ C. 用户手动选择工具 D. 随机选择工具执行

---

模块五：模型微调与部署（15%）

高频考点

1. 微调方法

• LoRA：低秩适配，只训练少量参数（0.1-1%）

• P-Tuning v2：前缀微调

• QLoRA：量化+LoRA，进一步降低显存需求

2. 模型量化

• INT8量化：精度损失小，速度提升2倍

• INT4量化（GPTQ/AWQ）：精度损失中等，速度提升4倍

• 量化感知训练（QAT）：精度损失最小

3. 部署方案

• ECS自建：灵活但运维成本高

• 函数计算：按调用付费，适合低频场景

• PAI平台：阿里云一站式ML平台

---

模块六：安全与合规（10%）

高频考点

• 数据安全：数据脱敏、加密存储、访问控制

• 模型安全：对抗攻击、提示注入、幻觉检测

• 合规要求：《生成式AI服务管理暂行办法》

---

备考建议

1. 按模块学习，每学完一个模块就刷对应题目

2. 重点攻克RAG模块（最难，分值最高）

3. 至少做5套全真模拟题

4. 理解原理，不要死记硬背

5. 在阿里云PAI平台上实际操作一遍

---

相关阅读：

• 《阿里云ACP大模型认证备考全攻略》

• 《ACP认证值不值得考？一个过来人的真实体验》