AI 大模型应用学习路线-2025，学完高薪不是梦

一、前置知识

编程语言（核心推荐 Python）

从主流招聘网站岗位需求来看，Python 已成为大模型应用开发的首选语言。掌握 Python 编程基础是核心，同时需熟练使用 Anaconda（环境管理）、PyCharm/Jupyter/VSCode（开发工具）。Java 编程基础作为拓展可选，而 Linux 基础（环境搭建、基本命令操作）则是必备技能，有助于后续模型部署与服务器管理。

AI 相关概念与应用场景（基础认知）

• 机器学习与深度学习：深度学习是机器学习的分支，二者核心差异及应用场景。
• 自然语言处理（NLP）：文本处理、对话系统等领域应用。
• 计算机视觉（CV）：图像识别、目标检测等方向。
• 语音识别和合成（ASR、TTS）：语音交互技术实现原理。
• 推荐系统：个性化推荐逻辑与算法。
• 机器人：AI 技术在机器人控制中的应用。

二、大模型应用基础

基础认知

• 大模型起源与发展：从早期神经网络到当前大模型的演进路径，以及大模型与 AI 整体发展的关系。
• 关键名词解析：AGI（通用人工智能）、AIGC（生成式人工智能）等核心概念定义与内涵。

主流大模型及分类

• 国外：GPT（OpenAI）、Llama（Meta）、Gemini（Google）、Claude（Anthropic）的技术特点与应用场景。
• 国内：DeepSeek、Qwen（阿里）、文心（百度）、GLM（智谱 AI）的优势与适用领域。
• 模型分类：语言大模型、视觉大模型、多模态大模型、嵌入模型等不同类型的核心差异。
• 模型格式：常见模型文件格式GGUF、ONNX介绍及其应用场景。

硬件基础

• GPU 与 CPU 区别：GPU 在并行计算上的优势及大模型训练中的作用。
• CUDA 核心：CUDA 架构对 GPU 计算能力的影响。
• 显存管理：大模型训练中的显存优化策略。
• 模型精度：FP16、FP32、int8、int4 等精度的选择与应用场景。

提示词工程

• Prompt 核心作用：提示词对模型输出的重要性及影响。
• 模型差异：通用模型与推理模型在 Prompt 设计上的不同策略。
• Prompt 构成：角色设定、目标明确、方案规划、输出格式要求。
• 调优技巧：提升 Prompt 效果的实用方法。
• 攻击与防范：Prompt 攻击原理及防御措施。

Hugging Face/Model Scope 使用

介绍两大平台在模型下载、训练、部署中的便捷功能与操作流程。

三、大模型主流开发框架

LangChain

• 模型 IO 操作：与不同模型的数据交互方法。
• 链架构：Chains 的构建逻辑与 LCEL 表达式的使用。
• Memory 记忆功能：实现对话历史记录与上下文理解。
• 智能体 Agent 实现：Agent 构建与运行机制。
• RAG 实现：从数据加载到向量存储的完整流程。

LangChain4J（仅Java生态需学）

对比 LangChain，说明其在 Java 环境下的使用特点。

SpringAI & SpringAI Alibaba（仅Java生态需学）

介绍基于 Spring 框架的大模型开发优势与应用场景。

四、RAG 开发

嵌入模型

• 基本概念与原理：嵌入模型将数据转化为向量表示的核心逻辑。
• 常见嵌入技术
  • 词嵌入：Word2Vec、GloVe、FastText 的算法特点与应用。
  • 文本嵌入：BERT、GPT 在文本处理中的嵌入方法。
  • 图片和音频嵌入：多模态数据的嵌入技术。
  • 特征嵌入：结构化数据的向量转化策略。

向量存储

• 向量数据库：向量存储与检索原理，Milvus、Chroma 等数据库对比与操作。
• 向量存储应用：文本、图片等数据的向量存储实现。

RAG 概述

• 核心概念：RAG（检索增强生成）解决的实际问题与优势。
• 工作原理：从检索到生成的完整流程解析。

LlamaIndex 框架

• 核心工具：DataConnectors、Data Indexes 等组件的功能与使用。
• 索引与查询阶段：详细操作流程与优化策略。

RAG 流程

• 数据准备：数据提取、分割、向量化及存储全流程。
• 检索生成阶段：问题处理、数据检索、答案生成的详细步骤。
• Rerank阶段：Rerank模型，Rerank原理

RAG 进阶

• RAG 演进：从 NaiveRAG 到 AdvancedRAG、ModularRAG 的技术升级。
• GraphRAG 与 AgenticRAG：结合知识图谱与智能体的 RAG 拓展应用。

五、Agent 开发

Agent 概念

• 定义与作用：智能体在大模型应用中的功能定位。
• 基本架构：规划、记忆、工具、执行四大模块的协同运作。
• 工具调用：Funcation calling、React 等调用机制。

WorkFlow

• 工作流基础：工作流的定义与在 Agent 系统中的作用。
• 流程搭建：工作流设计与实现方法。
• 优化策略：提升工作流效率的实用技巧。

Agent 系统

• 多 Agent 与单 Agent：二者差异及多 Agent 系统优势。
• MetaGPT：介绍 MetaGPT 的特点与应用场景。

LangGraph 框架

• 基础使用：构建多 Agent 系统的操作步骤。
• 核心概念：图结构、检查点、工具调用等关键概念解析。

六、微调

微调基础

• 核心概念：微调在模型优化中的作用与意义。
• 与 RAG 关系：微调与 RAG 技术的协同应用场景。
• 压缩训练：量化、剪枝、蒸馏等技术原理与实践。

数据工程

• 数据采集与清洗：获取高质量数据的方法与流程。
• 数据标注与增强：提升数据可用性的策略。
• 数据集划分：训练集、验证集、测试集的科学划分方法。

微调框架

• LLama Factory：框架功能与使用教程。
• Xtuner：介绍其特色与操作流程。

微调流程

• 数据集选择：根据任务需求选择合适数据集的方法。
• 参数设置：训练参数调整与优化策略。
• 模型评估：验证微调效果的评估指标与方法。

微调进阶

• 分布式推理与训练：张量并行、流水线并行、Deep Speed等技术实现。
• 混合精度训练：提升训练效率的实用技巧。
• 模型压缩与加速：优化模型性能的常用方法。

七、工具使用

模型部署工具

• Ollama、vLLM、LMDeploy：工具特点、部署流程及对话模板设置。

Dify

• 本地部署：详细安装与配置步骤。
• 工作流配置：核心功能与操作指南。
• 聊天助手与 RAG 实现：应用案例与实践技巧。

Coze

• 工作流配置：流程设计与优化方法。
• 平台对接：实现自动化流程的应用场景。

RAGFlow

• 本地部署：环境搭建与操作流程。
• 知识库搭建：构建高效知识库的方法。

Cursor/Trae

• 基础与进阶使用：从入门到高级的功能操作指南。

八、多模态

• 模型部署：多模态模型部署的特殊要求与方法。
• 模型使用：多模态数据处理与应用场景。

九、进阶

数学基础

• 高等数学：导数、偏导、梯度在模型优化中的应用。
• 线性代数：标量、向量、矩阵运算与模型计算关系。
• 概率论：概率分布、贝叶斯定理在模型训练中的作用。

LLM 架构原理

• Transformer 架构：编码器、解码器、自注意力机制详解。
• Bert 与 GPT 对比：不同预测模式的技术差异与应用场景。
• MoE 应用：在多领域的实践案例与优势。

机器学习与深度学习

• 监督学习与无监督学习：算法原理与应用场景。
• PyTorch 与 TensorFlow：两大框架的对比与使用技巧。

ASR/TTS

• 模型部署：语音技术部署的关键步骤。
• 模型选择：根据需求选择合适模型的方法。

十、项目

AI 项目开发流程

• 需求分析：明确项目目标与用户需求的方法。
• 数据方案：数据采集、处理与管理策略。
• 模型选型：根据任务选择合适模型的原则。
• 模型训练：训练流程与优化技巧（可选）。
• 核心流程开发：项目功能实现的关键步骤。
• 效果评估：评估项目成果的指标与方法。
• 部署上线：项目部署与运维注意事项。

实战项目

• 微调项目：通过实际案例掌握微调技术。
• RAG 项目：完整 RAG 系统开发实践。
• Agent 项目：构建智能体系统的全流程操作。