AI 大模型系统学习路线：从入门到精通

四阶段学习规划（共 90 天）

第一阶段：初阶应用（10 天）

建立对大模型 AI 的前沿认知，掌握核心心法与业务架构。

• 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与技术架构
• 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 典型构成与指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范

第二阶段：高阶应用（30 天）

进入进阶实战，构造私有知识库，开发基于 Agent 的对话机器人。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：模型训练（30 天）

掌握微调技术，独立训练开源多模态大模型。

• 什么是模型与模型训练
• 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：商业闭环（20 天）

了解全球大模型性能、吞吐量与成本，掌握云端和本地部署方案。

• 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
• 内容安全与互联网信息服务算法备案