阜新市网站建设_网站建设公司_留言板_seo优化

AI领域每隔一段时间都有新的概念和技术出来：年初DeepSeek火热带动深度推理模型，五一前阿里推出的Qwen3就升级为混合推理模型；3月份manus展示号称全球首款通用型智能体，到现在OpenAI和阿里也都有类似的通用Agent；Anthropic去年11月提出MCP标准，今年逐渐得到各大厂商的认可以后，Google今年4月份又提出A2A协议；Google去年底推出的DeepResearch研究报告，现在OpenAI和阿里也都有类似产品；还有之前的提示词工程，7月初大佬Andrej Karpathy提出上下文工程更重要等。

这么多层出不穷的新概念和技术，我们要怎么学习呢？如果我们刚开始入门，要进行AI应用场景的落地，我们应该掌握哪些技术？是否有一套基础技术体系，能让我们建立起对AI应用层面的核心认知框架，当新的概念和技术出来了，我们都能有序应对，合理判断在自己的业务场景是否适用。

本文以容易理解的信息化视角，结合实际项目经验，梳理一套AI应用层面的基础技术体系，按投入成本和落地难度从小到大分别是：LLM基础对话<RAG<Agent<Training，同时将近期出现的一些新技术和新方向都归纳到这个体系层次中去，助力读者建立起对AI的核心认知框架。

LLM基础模式

一些最基础的问答场景中，你会要求LLM模仿某种角色来回答用户的提问，或者要求LLM根据用户的输入来生成相应的内容，同时要求遵守某种结构进行生成答案，并做一些限制（比如不能随意发挥）等。这类LLM的基础使用模式，主要就是利用LLM的系统提示词，其核心结构非常简单大致如下：

在LLM这个层面，当我们落地部署和使用时经常碰到的基础概念有：token、向量、参数、参数量（模型尺寸）、量化压缩、精度提升等等，这部分入门概念和技术有很多文章介绍，在此不做赘述，只要清楚这些概念都属于LLM层面即可。

在LLM基础模式之上，我们逐步拓展RAG<AI Agent<Training的使用模式和技术体系。

RAG检索增强生成模式

在以上利用LLM进行对话的基础上，当你发现LLM缺少最新知识、或者缺乏某个行业领域内部知识，造成大模型产生幻觉时，通常就需要采用RAG方案了（Retrieval-Augmented Generation 对应检索增强生成），也就是要通过检索外挂知识库来增强LLM的生成能力，其核心结构演变如下：

RAG模式里从知识准备到知识检索过程中，涉及到一些基础技术概念包括：文档解析预处理、文档切片/分段、向量化、知识检索（标签筛选、关键词检索、全文检索、语义检索等）、检索召回率和准确率等，具体可以参考《RAG基础逻辑介绍》这篇文章。

上图只是简单场景示意，在调用LLM之前，先利用RAG检索行业知识或内部知识，然后输入给LLM来增强生成。但实际场景中远远比这复杂，甚至有可能要依据LLM来动态规划何时需要检索知识库，动态决策要检索内容，这就是Agentic RAG了。

AI Agent智能体模式

在以上RAG的基础上，如果你还需要进一步调用工具，比如要调用工具查询数据库，比如要调用查询天气、订票的工具等，比如在知识库检索之前，需要先进行OCR识别，或者先基于ASR进行语音识别，得到文本再进行检索，比如在大模型和工具调用之后，需要将文字转成语音输出，利用TTS进行转换等。

总之就是为了满足某个业务场景，就不仅是简单调用LLM，也不仅是进行RAG知识检索，还需要进行业务逻辑组合，包括工具调用和各种小模型的串联等等，这就进入到AI Agent的范畴了，其核心结构演变如下：

AI Agent核心就是根据处理逻辑需要，组合串联工具、大模型和小模型，甚至包含多次LLM调用。其处理逻辑执行范式大概有两种，一种是有明确处理流程的workflow模式，一种是需要动态决策，边执行边修正的ReAct模式，详见笔者之前写的这篇文章《从workflow到ReAct提升AI Agent智能化水平》。

Training训练模式

在以上AI Agent基础上，假如你发现增加了知识库RAG，增加了各种工具调用后，实现效果还是不够理想，生成结果还是不够精准的话，这个时候你可以考虑对LLM进行一定的微调训练，利用你知识库中准备好的行业知识来进行微调，得到垂域大模型，再应用到AI Agent中去，其核心结构演变如下：

这种模式相当于把外挂知识库内化到通用LLM中去了，需要依赖一定的硬件算力来做训练，比单纯推理使用时需要的算力更多，人员能力上的要求也更高，所以这种模式从投入成本和落地难度来说都是最高的。

1. 当然本文所说的训练，主要不是指预训练，因为我们不是大模型厂商，我们更多是从落地使用角度出发，关注微调和强化学习等后训练技术，具体可以参考笔者上一篇文章[《大模型如何“练成”？详解训练、微调与强化学习的基础逻辑》]

2. 四个层次的技术发展趋势

   从落地角度看，以上四个层次是逐层递进，同时回到本文开头提到近期AI领域涌现的这些新技术、新概念，其实都是可以归纳到这四个层次，笔者简单梳理如下：

   如图LLM层面技术趋势都是围绕着如何让LLM使用代价更小、能力更强两个方向，使用代价更小的技术包括各种量化压缩、推理加速框架的创新、模型蒸馏Distill（从大模型蒸馏出小尺寸的模型）等，能力更强方向包括各家厂商都推出自己的多模态大模型Omni、从DeepSeekR1深度推理模型演变到Qwen3的混合推理模型等。

3. RAG层面技术更多是围绕着如何更精准、如何更智能的知识检索等方向，包括图中所列KAG、GraphRAG、AgenticRAG等，其中KAG是基于图谱结构的知识来进行增强，和传统文本分片知识区别在于图谱知识之间的关联性更强，详见大神“德哥”的[《论文解读：KAG出道，RAG已死》]，而GraphRAG虽然也是基于知识图谱，但其核心是在于社区聚类层层汇总摘要，还是详见“德哥”的[《论文解读|一种GraphRAG方法》]

AI Agent层面上半年最热闹的话题就是MCP和A2A两个协议规范了，一个用于规范Agent调用工具的规范，另一个用于规范多个Agent之间协作的规范，此外还有DeepResearch，以及最近比较热的上下文工程Context Engineering等，这些技术都是越来越接近应用层面了。

Training后训练层面的微调SFT和强化学习RL，其实笔者对发展趋势还没有太多研究，现阶段能把微调LORA落地实践一把就很不错了。

这篇文章拖延了半个多月，主要是之前把框架搭好以后，就看到已经有大神有类似主题的总结文章了，所以就一直在纠结还有没有必要写，再加上最近共工作又很忙，就找到理由拖下来了。

但最近看到“完成比完美重要”这句话，就反复暗示自己哪怕文章主题差不多，也许多一种视角来描述也会更有强化作用，也许多一个号来讲解就会多一点传播，能多帮助到一个正在上下求索的同学也就有价值了。

另本文所述更多是AI应用层面的技术体系，不涉及LLM的技术原理，对于Transformer架构、Attention注意力机制、Q/K/V矩阵等，说实话不甚精通（虽然也仔细研读过相关文章），毕竟不是专业算法人员，笔者只是根据工作需要，正在从信息化、数字化领域过渡到智能化领域，所以更多关注LLM如何落地应用，将个人实践和工作中的一些心得和体会总结成文，希望对和我一样正在转型的同学有所帮助。

大神推荐环节：推荐大家关注大神公众号“digoal德哥”，本文前面引用KAG和GraphRAG的两篇技术文章皆来自该公号，最初我关注时，是因为被系统推荐了AI相关的文章，受益良多，后来持续关注以后发现德哥在数据库领域造诣更深，有大量PolarDB、PostgreSQL和DuckDB的研究文章与讲解材料，各位看官不要错过哈。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

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，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 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

该阶段我们正式进入大模型 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，抓住最新的技术进展，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

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！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。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：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，做一名被 AI 武装的产品经理。

• 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
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】