0 基础入门大模型，这些是要学的，但是你的第一口不一定从这里咬下去。
真的没有必要一上来就把时间精力全部投入到复杂的理论、各种晦涩的数学公式还有编程语言上，这样不仅容易让你气馁，而且特别容易磨光热情。
当我们认识复杂新事物时，最舒适的路径应当是：感性认识现象->理解本质和原理->将所学知识用于解释新现象并指导实践。
所以我给出的这条路径是：先学会如何使用大模型，然后了解其背后的原理，最后探索如何将其应用于实际问题。
作为一个普通人，把大模型用起来
如果说大模型像一个矿藏，那么 prompt 就像是一把铲子，从哪个角度挖，如何挖，决定了你能开采出什么内容。
一个清晰有效的 prompt 包含角色、任务目标、上下文、输出要求、限定条件、理想示例等一系列内容，只有把 prompt 设计好了，大模型才有可能发挥出理想的效果。
推荐 Prompt 模板：
# Role
[设定角色]
# Profile
- author: [作者]
- version: [版本]
- language: [语言]
- description: [描述]
# Skills
- [技能 1]
- [技能 2]
# Goals
- [目标 1]
- [目标 2]
# Constraints
- [限制 1]
- [限制 2]
# Workflow
1. [步骤 1]
2. [步骤 2]
# Output Format
[期望的输出格式]
作为一个程序员，把大模型用起来
学会使用 Copilot、通义灵码之类的 AI 编程工具来提升编码效率。现阶段 AI 辅助编程在代码补全以及注释生成方面表现还不错，因此需要你来把架子搭好、把模块分好。这样无形中还能提高你的架构能力。
建议配置 IDE 插件，如 VS Code 的 GitHub Copilot 或 Cursor，利用 AI 进行单元测试生成、代码重构和遗留代码解释。
作为一个大模型套壳程序员，玩一下
掌握如何调用市面上常见的大模型 API，结合自己的想法实现具体的小任务，这对初学者来说是一个实际操作的好机会。
Python API 调用示例：
import requests
def call_llm(prompt):
url = "https://api.example.com/v1/chat/completions"
headers = {
"Authorization": "Bearer YOUR_API_KEY",
"Content-Type": "application/json"
}
payload = {
"model": "gpt-3.5-turbo",
"messages": [{"role": "user", "content": prompt}],
"temperature": 0.7
}
response = requests.post(url, json=payload, headers=headers)
return response.json()["choices"][0]["message"]["content"]
print(call_llm("你好，请介绍一下大模型"))
这时候你就获得了实践经验和对 AI 的直观认识。接下来就可以进入更深一层的大模型应用技术了。
作为一个大模型应用开发程序员，把大模型用起来
在工具方面，需要学习如 LangChain 这样的开发库，以及如 LlamaIndex 这样的数据索引和检索工具。
RAG (Retrieval-Augmented Generation) 检索增强生成
RAG 是 LLM 落地最早的一个方向之一。简单来说就是搭建一个私有的知识库，将你的私有知识数据存储在向量数据库中，然后对话的过程中按照某些策略去检索这些知识，然后提供给大模型进行参考。
逻辑流程：
- 数据提取：从文档、数据库中提取文本。
- Embedding（向量化）：使用嵌入模型将文本转换为向量。
- 索引创建：将向量存入向量数据库（如 Milvus, Chroma, FAISS）。
- 检索：根据用户问题检索相似向量。
- 排序：对检索结果进行相关性排序。
- LLM 生成：将检索到的上下文与问题一起输入 LLM 生成回答。
这部分内容技术细节很多，也非常有趣，很有搞头。重点在于处理长文本切片（Chunking）和混合检索策略。
Agent (智能体)
大模型应用的风口方向，非常香！简单来说就是给大模型大脑制定一个策略，让它可以自主地去感知环境并且进行任务执行。
典型的 AI agent 分为 Memory（记忆）、Tools（外部工具）、Planning（计划）和 Action（行动） 四个模块。
- Memory: 短期记忆（当前会话）和长期记忆（向量存储的历史）。
- Tools: 搜索、计算器、API 调用等能力。
- Planning: 任务拆解，如 CoT (Chain of Thought)。
- Action: 执行具体操作。
Agent 相关的开源项目以及产品非常多，可以边研究边学边做，例如 AutoGen, LangGraph。
至此，应用方面的板块内容就介绍完了。注意这个路径虽然更适合 0 基础入门，但是并不代表轻松简单。出来混，总要还的，因为我们前期跳过了很多基础知识，所以意味着越往后学，越需要回填大量前置内容，比如：
- 掌握 Python 编程基础
- 掌握向量数据库原理
- 熟悉常用的库和工具，如 NumPy、Pandas、TensorFlow、PyTorch 等
- 具备 NLP 相关的基础知识，包括文本预处理、分词、词性标注、命名实体识别、词向量表示等
- Transformer 模型的结构和原理、基于注意力机制的自然语言处理技术等
- BERT、BART、T5 等经典的模型
- 数学基础知识（线性代数、概率论、微积分）
说真的，补理论知识、搭项目环境，这个过程自己摸索和踩坑的话还是非常痛苦的。很有可能学着学着就放弃了。建议配合系统课程或文档进行理论学习。
深水区：模型训练和微调
在这一阶段，重点学习各种常见的预训练模型、模型结构及其主要的预训练任务。
- Prompt-Tuning / Prefix-Tuning / P-Tuning: 通过 Prompt 更精细地控制模型在特定场景下的表现。
- LoRA / QLoRA: 通过局部调整网络参数来提高模型的灵活性和效率，降低显存需求。
- SFT (Supervised Fine-Tuning): 监督微调，构建高质量指令数据集。
- RLHF (Reinforcement Learning from Human Feedback): 人类反馈强化学习，对齐人类价值观。
掌握强化学习基础；使用工具来优化文本数据的预处理过程，如清洗、去重、格式化。
多模态
大模型的重要的发展方向，探索如何处理和整合多种类型的数据（文本、图像、声音等），学习构建多模态模型。例如 CLIP 模型用于图文匹配，Stable Diffusion 用于文生图，以及 GPT-4V 等多模态大模型。
硬件与部署
在实际应用中，推理成本是关键。
- 推理加速: 使用 vLLM, TensorRT-LLM 等框架提升吞吐量。
- 量化: INT8, FP16 量化减少显存占用。
- 服务化: 使用 FastAPI 封装模型接口，Docker 容器化部署。
产品和交付
大模型时代的产品，无论从用户需求、产品逻辑还是产品形态、商业模式等方面，大家都还处于摸索状态，因此在学习大模型领域知识时一定要一直看到产品和商业化这一层。
看清楚了哪个赛道拥挤、哪个领域是风口，就能够更好地把握职业机会，更有效地将大模型技术转化为求职市场的竞争力。
我们把这个路径捋一下，就得到了这张 AI 大模型全栈知识地图：
从下往上看，就是我所说的'从实践到理论再到实践'的学习路径了。这样看起来是不是既清晰又舒适呢？
最后，要想拿到好的大模型相关岗位 offer，还需要大量积累论文学习经历以及项目经验。比如可以参加一些竞赛，像国外的 Kaggle 和阿里云天池都是获取项目经验的好途径。关注 ArXiv 上的最新论文，尝试复现经典模型，这些都是面试中的加分项。
