AI 大模型学习路线
1. 学习阶段规划
第一阶段（10 天）：初阶应用
该阶段让大家对大模型 AI 有一个最前沿的认识，理解大模型 AI 的核心能力。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
第二阶段（30 天）：高阶应用
正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示（Embeddings）
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
第三阶段（30 天）：模型训练
通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer 结构简介
- 轻量化微调
- 实验数据集的构建
第四阶段（20 天）：商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身：基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例：如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
2. 行业报告与面试准备
AI 大模型最新行业报告
针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。
面试试题/经验
- 大厂 AI 岗位面经分享（107 道）
- AI 大模型面试真题（102 道）
- LLMs 面试真题（97 道）
3. 大模型项目实战&配套源码
适用人群广泛，涵盖从入门到进阶的各类视频教程和实战项目，适合小白或有技术基础的技术人员提升技能。
