那个下午我盯着屏幕看了十分钟
项目交到我手上是个周三下午,需求很简单:做一个能查库存、能算价格、能生成报价单的 Agent。
给一个型号,它去数据库查库存,根据数量和客户等级算折后价,最后按模板生成一份报价单发到指定邮箱。
我在电脑前坐了十分钟,一个字没写。
不是不会写代码。是我突然意识到,过去两个月我学的所有东西,在这个任务面前一句都用不上。
一、那个学习计划是怎么定出来的
去年年底我决定转 Agent 开发,做的第一件事是列学习计划。
我当时的逻辑现在想想特别合理:转行嘛,基础最重要,基础不牢地动山摇。所以我按"学科体系"排了一份单子:
- 线性代数与概率论(3 周)
- 机器学习基础(4 周)
- 神经网络与反向传播(4 周)
- Transformer 架构精读(3 周)
- 然后才是大模型应用开发
这份计划看起来非常扎实,每一个转行攻略都会告诉你"基础要打牢"。我甚至给自己加了码,反向传播那一章手推了三遍,因为"不理解梯度怎么传就不算真懂"。
两个月过去,我的笔记记满三大本,草稿纸上满是矩阵求导。我感觉自己准备充分,可以开始干活了。
然后就有了开头那个下午。
二、那两个月具体学到了什么
不是完全没用,但用处比我想的少得多。
线代和概率,让我看到"Embedding 是把文本映射到向量空间"这句话时不发怵。仅此而已。我不需要手算余弦相似度,向量库一个函数就返回了。
机器学习基础,让我理解"训练、验证、测试集"这套划分的意义。但 Agent 开发里我几乎不做训练,我做的是调 Prompt 和搭流程。
反向传播那三遍手推,让我知道梯度是怎么来的。这个知识到现在还没用上。将来如果我要微调模型,可能会有用——但微调本身也是一个调 API 的事。
Transformer 架构精读倒是有价值,我理解了注意力机制和上下文窗口的关系,看模型文档时能看懂参数含义。但这部分我后来发现,花半天看一篇好的图解文章就够了,不需要精读论文。
合起来算:两个月里,真正对做 Agent 有帮助的部分,大概一周就能学完。剩下七周是"看起来很努力"。
三、转折点:那个报价单项目
回到那个周三下午。我硬着头皮开始写。
第一个问题:我要怎么写?
我打开千问的 API 文档,发现有一套叫 Function Calling 的东西。文档写得挺清楚:你定义几个函数(名字、参数、描述),模型会根据用户的话决定要不要调、调哪个、传什么参数。
我照着文档写了一个 demo,跑通了。然后我发现真正的问题不在"怎么调",而在下面这些:
库存查询接口偶尔超时怎么办?如果超时了模型会以为没库存,直接告诉客户"无货",这是事故。
价格计算要不要让模型算?它算错了怎么办?后来我改成让模型只负责提取参数,计算交给代码。
报价单模板里的公司抬头、税率、付款条款,模型有时候会漏。我是不是应该把这些固定内容写死在模板里,只让模型填变量?
客户等级折扣规则有七条,我放 Prompt 里模型记不全。我是不是应该把它做成一个工具,让模型去查?
这些问题,没有一个是"数学问题"或"算法问题"。全是工程问题、流程问题、边界问题。
而我过去两个月,一天都没练过这些。
四、复盘:我的三个判断错在哪
第一个错误:把"学科基础"当成"岗位基础"。
算法岗的基础确实是数学和机器学习。但 Agent 开发岗的基础是:会不会调 API、会不会写 Function Call、会不会设计 Prompt、会不会搭检索链路、会不会做工程化。
这是两套完全不同的基础。我照着算法岗的清单准备,自然对不上 Agent 岗的需求。
判断依据很简单:看岗位 JD。如果 JD 里写的是"熟悉 Transformer 原理、有模型训练经验",那是算法岗;如果写的是"能独立完成 Agent 应用开发、熟悉 RAG、有线上项目经验",那就是应用岗,数学要求低得多。我当时没看 JD,看的是转行攻略。
第二个错误:把"理解深度"当成了"上手速度"。
我当时有个执念:不理解原理就不算真懂。这个执念本身没错,但它有个前提——你得先有东西可理解。
先跑通一个东西,再回头理解它为什么能跑通,这个顺序里"理解"是有靶子的。先啃完所有原理再动手,你会发现原理和实操之间隔着一层没人告诉你的东西:具体的参数、具体的报错、具体的取舍。
第三个错误:没有给自己设"交付节点"。
两个月的学习计划里,全是"学完某章",没有一条"做出某个东西"。这就导致我一直在输入,从来没有输出。
后来我改了个规矩:每两周必须有一个能演示的东西,哪怕很粗糙。这个规矩逼着我把学到的东西立刻用掉,也逼着我提前撞上真实问题。
五、重新走一遍,我会这么排
如果重来,我会这么安排前三个月。
第一到第二周:跑通最简 Agent。
不学任何框架,用原生 API 手写。目标只有一个:给它两个工具,让它自己判断顺序、自己传参数、跑完不报错。
我第一次跑通那个"查天气、下雨就发邮件"的 demo 时,花了大概四小时,中间卡在消息格式上两次。但这四小时教给我的东西,比前面两个月都实在——因为我真的看到了一个循环是怎么转起来的。
第三到第四周:Prompt。
找十个真实场景,每条 Prompt 改五版,对比输出。判断标准很土:同一个输入跑十次,输出结构是不是稳定。
第五到第八周:RAG。
到这个时候我已经被模型坑过了(编造库存数字、给过期价格),所以学 RAG 时我知道自己在堵什么窟窿。三个坎:切分参数、向量模型和阈值、检索结果的排序和喂法。
第九到第十一周:记忆与多轮。
做多轮对话,处理上下文压缩。这一步会逼你思考"什么是必须记住的"。
第十二周起:工程化。
日志、评估、监控、容器化。这四样是"能上线"和"只能演示"的分界线。
三个月走完,手上应该有三四个能跑、能说清楚的东西。这个状态去面试,比带着三大本笔记去面试强得多。
六、两个坑,我踩了你也别踩
第一个坑:太早纠结框架。
我拿到项目后花了两周纠结 LangChain 还是 LlamaIndex。两个都装了,都跑了 Hello World,然后两个都没真用过——因为项目最后是用原生 API 写的,改动更可控。
后来底子打好了才发现,学框架是一两天的事。框架不过就是把底层逻辑包了一层皮。你把底层摸清了,看框架源码像看注释。
第二个坑:项目做到 Demo 就停。
我有段时间每个项目跑通就撂那儿,心想"会了"。结果第一次技术面,面试官问:“你这个上过线吗?碰到过什么工程问题?”
我答不上来。
Demo 到能用,中间隔着十万八千里:并发怎么办、超时怎么处理、Token 超了怎么压缩、错误怎么兜底、日志记什么、怎么评估效果变好还是变坏。这些全是"上线"才逼出来的问题。
收尾
现在回头看,那两个月不算完全白费,它至少让我确认了一件事:我不是想搞算法研究,我是想做能落地的应用。
但代价确实大。如果那两个月用来做项目,我现在手上至少多三个能讲的东西。
说几个数字给你参考。2026 年 Agent 岗位量涨了快六成,但简历通过率从 35% 跌到不到 20%。岗位多,门槛反而高。面试官不问你学没学过什么,问的是"你 Agent 上线后怎么监控"“Token 超了怎么压缩”“工具调用失败怎么兜底”。
这三个问题,一个都不是靠啃书能答上来的。
所以如果你也在准备转行,我的建议就一句:先把东西做出来,再回头补原理。做出来的东西会告诉你该补什么,而啃书不会。
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。
这份完整版的大模型 AI 学习资料已经上传优快云,朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】


为什么要学习大模型?
我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年,人才缺口已超百万,凸显培养不足。随着AI技术飞速发展,预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。


大模型入门到实战全套学习大礼包
1、大模型系统化学习路线
作为学习AI大模型技术的新手,方向至关重要。 正确的学习路线可以为你节省时间,少走弯路;方向不对,努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划,带你从零基础入门到精通!

2、大模型学习书籍&文档
学习AI大模型离不开书籍文档,我精选了一系列大模型技术的书籍和学习文档(电子版),它们由领域内的顶尖专家撰写,内容全面、深入、详尽,为你学习大模型提供坚实的理论基础。

3、AI大模型最新行业报告
2025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。

4、大模型项目实战&配套源码
学以致用,在项目实战中检验和巩固你所学到的知识,同时为你找工作就业和职业发展打下坚实的基础。

5、大模型大厂面试真题
面试不仅是技术的较量,更需要充分的准备。在你已经掌握了大模型技术之后,就需要开始准备面试,我精心整理了一份大模型面试题库,涵盖当前面试中可能遇到的各种技术问题,让你在面试中游刃有余。

适用人群

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 学习资料已经上传优快云,朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】

371



被折叠的 条评论
为什么被折叠?



