企业官网建设流程全解析

1. 先搞清楚这套教程到底能帮你解决什么问题

如果你正在找一套能让你从零开始，真正动手做出AI大模型应用，并且能写到简历里去的完整学习路径，那这个主题值得你花时间看下去。它不是一个简单的工具介绍，而是一条覆盖了从核心原理（Transformer）、到主流应用范式（RAG、Agent）、再到最终落地（微调部署）的工程化学习路线。学完最大的价值不是“知道”这些概念，而是能独立完成一个包含数据处理、模型调用、业务逻辑和部署上线的完整项目，这是目前市场上对AI应用开发工程师最核心的要求。

很多人学AI大模型容易陷入两个误区：要么一头扎进复杂的数学公式和论文里，学完还是不知道怎么写代码；要么只学调用某个API，底层一问三不知，项目架构设计不出来。这套教程的思路是“问题驱动”和“项目驱动”，直接瞄准几个最典型的应用场景：如何让模型“读懂”你的私有数据（RAG）、如何让模型具备规划和使用工具的能力（Agent）、以及如何让一个通用模型变得更懂你的特定任务（微调）。我会带你按照实际开发的顺序，从环境搭建、数据准备、代码实现，一直走到服务部署和效果优化，把每个环节的“为什么”和“怎么做”讲清楚。

2. 学习前的环境与心态准备：别急着写代码

在动手之前，有两件事比写第一行代码更重要：准备好你的机器环境，和调整好你的学习预期。

2.1 硬件与软件环境清单

你的电脑不需要顶级配置，但需要满足一些基本条件，否则后续的本地实验会处处碰壁。

• 操作系统：首选Linux（Ubuntu 20.04/22.04 LTS），其次是macOS，最后是Windows（建议使用WSL2）。大量的开源模型和工具链对Linux支持最友好，生产环境也几乎都是Linux。用Windows不是不能学，但你会花额外30%的时间在解决环境兼容问题上。
• 硬件：
  • 内存：最低16GB，建议32GB或以上。运行一些中等规模的模型（如7B参数量的模型）进行推理或微调，16GB内存会非常紧张，容易因内存不足（OOM）而失败。
  • GPU（非必须，但强烈推荐）：如果你计划进行模型微调（Fine-tuning），那么一块支持CUDA的NVIDIA GPU是必需品。显存大小直接决定了你能微调的模型规模。
    • 入门体验：RTX 3060 12GB / RTX 4060 Ti 16GB。可以在较低批量大小下微调7B模型。
    • 流畅学习：RTX 4090 24GB。能较舒服地应对7B-13B模型的微调。
    • 仅推理/学习：如果没有GPU，可以完全依赖CPU进行模型推理（速度很慢），或者使用各大云平台的在线GPU租赁服务（如AutoDL、Featurize等），按小时计费，成本可控，这是很多学习者的首选。
• 软件与账户：
  • Python：版本锁定在Python 3.8 - 3.10。3.11及以上版本可能存在一些老版本库的兼容性问题。使用conda或venv创建独立的虚拟环境是必须养成的习惯。
  • 深度学习框架：PyTorch是绝对主流。你需要根据你的CUDA版本（如果有GPU）去PyTorch官网获取正确的安装命令。
  • 代码与工具：准备一个趁手的IDE（VSCode或PyCharm），安装好Git。注册一个GitHub账号，用于克隆项目和托管你的代码。
  • 云服务/API账户：为了体验和对比，建议申请一些大模型的API试用额度，例如OpenAI的API、国内大模型厂商（如智谱、月之暗面、百度文心等）的API。这能让你快速验证想法，而不必受限于本地算力。

2.2 调整学习预期：这是一门工程实践课

不要指望看完就能发明新算法。我们的目标是成为一名合格的“AI应用工程师”，核心能力是：

1. 能选型：知道什么场景该用RAG，什么场景该用Agent，什么情况需要微调。
2. 能实现：能按照文档和社区最佳实践，把选定的方案用代码搭建起来。
3. 能调试：当效果不好或报错时，有系统的排查思路（是数据问题、参数问题还是模型问题？）。
4. 能部署：能把实验代码变成可供他人使用的API服务或简单应用。

带着“我要做一个能用的东西”的目标去学，每一个知识点都会变得具体。

3. 第一站：彻底弄懂Transformer——不再惧怕模型原理

Transformer是所有现代大模型的基石。但作为开发者，我们不需要推导它的全部数学细节，而是要理解它的数据流向和核心组件的作用，这样才能在后续调参、排查问题时心里有数。

3.1 用程序员思维理解Transformer

你可以把Transformer模型想象成一个高度智能的“信息加工厂”。它的输入是一段文本（比如“今天天气很好”），输出是另一段文本（比如“适合出去散步”）。这个加工过程的核心是注意力机制（Attention），它让模型在生成每个字的时候，都知道应该去“注意”输入文本中的哪些部分。

对于开发而言，需要掌握几个关键概念：

• Token化：模型不认识汉字或单词，它只认识数字（Token ID）。Tokenizer（分词器）负责把文本变成一串数字，再把这些数字变成向量（Embedding）。常见坑点：不同的模型使用不同的分词器，混用会导致结果混乱。
• 注意力计算：这是模型理解上下文关系的核心。你可以粗略理解为，模型内部有一个复杂的网络，在不断计算输入词与输入词之间、输入词与已生成输出词之间的关联强度。
• 编码器-解码器结构：这是原始Transformer论文的结构。但如今很多大模型（如GPT系列）只用了解码器（Decoder-Only）。对于做应用开发，你先记住：Encoder擅长理解（适合做分类、阅读理解），Decoder擅长生成（适合做对话、写作）。我们目前接触的对话大模型，基本都是Decoder-Only架构。

3.2 动手实现一个“玩具版”Transformer

看十遍图解不如写一遍代码。我建议你在学习时，务必跟着教程用PyTorch实现一个极简的Transformer模型，哪怕只有几层。这个过程中，你会真切地理解：

• nn.Embedding层是干什么的？（把Token ID变成向量）
• nn.Transformer类或者自己写的Attention层，它的输入输出张量形状是什么？（[batch_size, sequence_length, hidden_dim]）
• 位置编码（Positional Encoding）为什么是必须的？（因为Attention本身不考虑词序）
• 训练循环（Training Loop）是怎么把数据送进去，计算损失，然后反向传播的？

这个“玩具模型”可能连一句通顺的话都生成不了，但它能帮你建立对模型内部运作最直接的感性认识。当后面使用Hugging Face的transformers库时，你会明白model.generate()函数背后大概在做什么，而不是把它当做一个完全的黑盒。

4. 核心应用一：RAG——让模型拥有你的私有知识库

RAG（检索增强生成）是目前解决大模型“幻觉”（胡编乱造）和知识陈旧问题最流行的工程方案。它的核心思想很简单：先检索，再生成。

4.1 RAG系统的工作流程与组件拆解

一个完整的RAG系统通常包含以下链条，每一步都有工程细节：

1. 文档加载与切分：把你的PDF、Word、TXT、网页等原始文档加载进来，并切割成大小合适的“块”（Chunk）。关键决策点：块大小（如500字符）和重叠区间（如50字符）。块太大会带入无关信息，太小会丢失上下文。
2. 文本向量化：使用嵌入模型（Embedding Model，如text-embedding-ada-002、bge-large-zh）将每个文本块转换为一个高维向量（比如1536维）。这个向量代表了文本的语义。
3. 向量存储：将上一步得到的向量和对应的原始文本块，存储到专门的向量数据库中，如Chroma、Milvus、Qdrant、PGVector等。它们能高效地进行相似性搜索。
4. 问询与检索：当用户提出问题时，用同样的嵌入模型将问题也转换为向量，然后在向量数据库中搜索与之最相似的几个文本块（通常使用余弦相似度）。
5. 提示构建与生成：将检索到的相关文本块作为“上下文”，和用户问题一起，构造成一个详细的提示（Prompt），发送给大语言模型（LLM），让模型基于这些可靠的上下文生成最终答案。

4.2 从零搭建一个RAG系统的实操步骤

下面是一个最简化的搭建流程，你可以用这个框架去填充具体的工具和代码：

# 1. 创建项目环境 mkdir my_rag_project && cd my_rag_project python -m venv venv source venv/bin/activate # Linux/macOS # venv\Scripts\activate # Windows pip install langchain-chroma openai tiktoken pypdf

# 2. 示例代码骨架 (使用 LangChain + Chroma + OpenAI) from langchain_community.document_loaders import PyPDFLoader from langchain_text_splitters import RecursiveCharacterTextSplitter from langchain_openai import OpenAIEmbeddings, ChatOpenAI from langchain_chroma import Chroma from langchain_core.prompts import ChatPromptTemplate from langchain_core.runnables import RunnablePassthrough # 2.1 加载与切分文档 loader = PyPDFLoader("你的知识文档.pdf") documents = loader.load() text_splitter = RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=50) chunks = text_splitter.split_documents(documents) # 2.2 创建向量库 embeddings = OpenAIEmbeddings(model="text-embedding-ada-002") # 或用本地模型 vectorstore = Chroma.from_documents(documents=chunks, embedding=embeddings, persist_directory="./chroma_db") retriever = vectorstore.as_retriever(search_kwargs={"k": 3}) # 检索最相关的3个块 # 2.3 构建提示模板 template = """你是一个专业的助手。请严格根据以下上下文来回答问题。 如果你不知道答案，就说你不知道，不要编造。 上下文： {context} 问题：{question} 请给出答案：""" prompt = ChatPromptTemplate.from_template(template) # 2.4 构建RAG链 llm = ChatOpenAI(model="gpt-3.5-turbo") rag_chain = ( {"context": retriever, "question": RunnablePassthrough()} | prompt | llm ) # 2.5 进行问询 response = rag_chain.invoke("什么是Transformer模型？") print(response.content)

4.3 RAG效果优化的关键点

如果你的RAG系统回答不准，请按这个顺序排查：

1. 检索阶段出问题：模型回答不对，首先看它“看到”的上下文对不对。检查检索到的文本块是否真的与问题相关。问题可能出在：
   • 切分策略不佳：调整chunk_size和chunk_overlap。
   • 嵌入模型不匹配：中文问题用英文嵌入模型效果会差。尝试更换更适合的嵌入模型（如bge-large-zh-v1.5）。
   • 检索数量k：k太小可能信息不足，k太大可能引入噪声。
2. 生成阶段出问题：检索到的上下文是对的，但模型还是瞎编。问题可能出在：
   • 提示词（Prompt）设计差：像上面的例子，必须用强硬的指令让模型“严格根据上下文”。
   • 模型能力不足：尝试换用更强大的LLM（如GPT-4、Claude 3等）。
   • 上下文过长：如果检索到的文本块总长度超过了模型的上下文窗口，需要进行二次压缩或总结。

高级技巧：对于复杂问题，可以考虑“多跳检索”（Multi-hop Retrieval），即先检索出一些文档，根据这些文档生成一个更精确的搜索问题，再进行第二次检索。

5. 核心应用二：Agent——让模型学会思考和使用工具

如果说RAG扩展了模型的“知识”，那么Agent则扩展了模型的“能力”。Agent的本质是一个具备自主规划、工具调用和反思迭代能力的智能体。它让模型从一个“问答机”变成了一个能帮你执行复杂任务的“助手”。

5.1 Agent的核心组件：ReAct模式

目前最主流的Agent范式是ReAct（Reason + Act）。它的运行是一个循环：

1. 思考（Think）：模型分析当前状态和任务，决定下一步该做什么。
2. 行动（Act）：模型选择一个合适的工具（如搜索、计算、执行代码）并调用它，或者直接给出最终答案。
3. 观察（Observe）：模型获取工具执行的结果或观察环境变化。
4. 循环：基于新的观察，再次进入“思考”步骤，直到任务完成或达到步骤限制。

5.2 动手搭建一个简易Agent

我们利用LangChain来快速实现一个能使用搜索和计算工具的Agent。

pip install langchain-openai langchain-community langchain

from langchain_openai import ChatOpenAI from langchain.agents import AgentExecutor, create_react_agent from langchain.tools import Tool from langchain_community.utilities import SerpAPIWrapper from langchain_community.tools import WikipediaQueryRun from langchain_community.utilities import WikipediaAPIWrapper import math # 1. 定义工具 # 工具1: 搜索 search = SerpAPIWrapper() # 需要注册SerpAPI获取API key # 工具2: 维基百科 wiki = WikipediaQueryRun(api_wrapper=WikipediaAPIWrapper()) # 工具3: 计算器 def calculator(input_str): """执行数学计算。输入是一个数学表达式字符串。""" try: # 警告：使用eval有安全风险，此处仅用于演示。生产环境应用更安全的方式。 return str(eval(input_str, {"__builtins__": None}, {"math": math})) except Exception as e: return f"计算错误：{e}" # 将函数包装成Tool对象 tools = [ Tool( name="Search", func=search.run, description="当需要回答关于当前事件或特定信息的问题时使用此工具。输入应是一个搜索查询。" ), Tool( name="Wikipedia", func=wiki.run, description="当需要获取关于人物、地点、公司、历史事件等通用知识时使用此工具。输入应是一个查询词。" ), Tool( name="Calculator", func=calculator, description="当需要进行数学计算时使用此工具。输入应是一个清晰的数学表达式，例如 '3 * 5' 或 'math.sqrt(16)'。" ), ] # 2. 创建Agent llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0) # 使用ReAct框架的提示词模板 from langchain import hub prompt = hub.pull("hwchase17/react") agent = create_react_agent(llm, tools, prompt) # 3. 创建执行器 agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True, handle_parsing_errors=True) # 4. 运行Agent result = agent_executor.invoke({ "input": "请先搜索一下OpenAI的CEO是谁，然后计算他的年龄（如果已知出生年份），最后去维基百科查一下他创立的公司的信息。" }) print(result["output"])

运行上述代码，你会看到控制台输出Agent详细的思考过程（因为verbose=True）：

> Entering new AgentExecutor chain... 我需要先找到OpenAI的CEO是谁，然后获取他的出生年份来计算年龄，最后查找他公司的信息。 我应该使用搜索工具。 Action: Search Action Input: OpenAI CEO Observation: [搜索结果：Sam Altman是OpenAI的CEO。] 好的，现在我知道是Sam Altman。我需要他的出生年份。再搜索一次。 Action: Search Action Input: Sam Altman birth year Observation: [搜索结果：Sam Altman出生于1985年。] 现在是2024年，那么他的年龄是 2024 - 1985 = 39岁。我需要用计算器确认。 Action: Calculator Action Input: 2024 - 1985 Observation: 39 计算正确。现在我需要查找他创立的公司的维基百科信息。他创立了OpenAI，也可能有其他公司。我先查OpenAI。 Action: Wikipedia Action Input: OpenAI Observation: [维基百科摘要：OpenAI是一家美国人工智能研究实验室...] 我已经收集了所有信息。 Final Answer: OpenAI的CEO是Sam Altman，他出生于1985年，截至2024年年龄为39岁。OpenAI是他共同创立的人工智能研究实验室，致力于开发和推广友好的AI。

5.3 Agent开发中的核心挑战与调试

1. 工具描述（Description）：这是最重要的部分。模型完全依赖你对工具的描述来决定是否以及何时调用它。描述必须清晰、准确，说明工具的用途、输入格式和输出示例。糟糕的描述会导致模型不会用或用错工具。
2. 幻觉与循环：Agent有时会陷入“幻觉循环”，比如反复调用同一个工具得到相同结果，却无法推进任务。你需要设置最大迭代次数（max_iterations）来强制终止，并通过更精准的提示词或工具设计来引导。
3. 错误处理：工具执行可能会失败（如网络超时、API限流）。在执行器（AgentExecutor）中设置handle_parsing_errors=True可以处理一些解析错误，但对于工具本身的错误，你需要更健壮的错误处理逻辑，或者让Agent具备重试能力。
4. 成本与延迟：每一次“思考-行动-观察”都意味着对LLM的一次API调用。复杂的任务可能导致调用次数很多，成本高、速度慢。在设计时需权衡任务复杂度与效率。

6. 终极技能：模型微调与部署——打造专属模型服务

当你发现通用模型（如ChatGPT）在某个特定任务上（如客服话术、法律文书分析、代码风格转换）表现不佳时，微调（Fine-tuning）就是你的解决方案。微调的本质是用你的专业数据，对预训练好的大模型进行“二次训练”，让它更擅长你的领域。

6.1 微调前的决策：到底需不需要微调？

微调成本高（需要数据、算力、时间），不要盲目进行。先问自己三个问题：

1. 提示词工程（Prompt Engineering）已经做到极致了吗？很多时候，一个精心设计的提示词（包含Few-shot示例、清晰的指令、输出格式）就能大幅提升效果。先尝试提示词优化。
2. RAG能解决吗？如果问题是模型缺乏特定知识，那么用RAG注入知识库可能比微调更简单、更灵活（知识更新容易）。
3. 我的数据足够多、足够好吗？微调需要成百上千条高质量的{指令， 输出}配对数据。数据质量直接决定微调效果。

如果答案是：提示词和RAG都不够，且你拥有高质量、有代表性的任务数据，那么微调就是正确的选择。

6.2 使用Llama-Factory进行高效微调实战

对于开源模型（如Llama、Qwen、ChatGLM等），推荐使用Llama-Factory这个工具。它封装了复杂的训练代码，提供了Web UI和命令行两种方式，极大降低了微调门槛。

步骤一：环境准备与安装

# 克隆项目 git clone https://github.com/hiyouga/LLaMA-Factory.git cd LLaMA-Factory # 安装依赖 pip install -r requirements.txt

步骤二：准备数据数据需要整理成特定的JSON格式，例如：

[ { "instruction": "将以下中文翻译成英文。", "input": "今天天气真好。", "output": "The weather is really nice today." }, { "instruction": "总结以下段落。", "input": "Transformer模型由Google于2017年提出...", "output": "Transformer是Google在2017年提出的基于注意力机制的神经网络架构。" } ]

将数据保存为dataset.json，并放在data/目录下。

步骤三：配置与启动训练（通过Web UI）

# 启动Web UI CUDA_VISIBLE_DEVICES=0 python src/train_web.py

在浏览器中打开http://localhost:7860，你会看到一个直观的界面：

1. 模型选择：从列表中选择或输入你的基座模型路径（如Qwen/Qwen-7B-Chat）。
2. 数据配置：选择你准备好的数据集（需要先在data/dataset_info.json中注册）。
3. 训练方法：选择微调方法，如LoRA（低秩适配）。这是目前最流行的参数高效微调方法，只需训练极少量参数，速度快，显存占用小。
4. 训练参数：设置学习率、训练轮数、批量大小等。对于初学者，可以先使用默认参数。
5. 开始训练：点击“开始”按钮。训练过程会显示损失曲线和日志。

步骤四：模型合并与导出LoRA训练只会产生一个小的适配器文件（如adapter_model.bin）。如果你想得到一个完整的、独立的模型文件以便部署，需要将LoRA权重与原始模型合并。

# 使用Llama-Factory提供的脚本合并模型 python src/export_model.py \ --model_name_or_path /path/to/base_model \ # 原始模型路径 --adapter_name_or_path /path/to/lora_checkpoint \ # LoRA权重路径 --export_dir /path/to/merged_model \ # 合并后模型输出路径 --template default

6.3 将微调后的模型部署为API服务

模型训练好之后，最终要变成服务。这里介绍两种最实用的部署方式：

方式一：使用FastAPI + vLLM（高性能推理）vLLM是一个高性能的LLM推理和服务引擎，吞吐量极高。

pip install fastapi uvicorn vllm

# api_server.py from fastapi import FastAPI from vllm import SamplingParams from vllm import LLM import uvicorn app = FastAPI() # 加载你合并后的模型 llm = LLM(model="/path/to/your/merged_model") @app.post("/generate") async def generate_text(prompt: str, max_tokens: int = 512): sampling_params = SamplingParams(temperature=0.8, top_p=0.95, max_tokens=max_tokens) outputs = llm.generate([prompt], sampling_params) generated_text = outputs[0].outputs[0].text return {"response": generated_text} if __name__ == "__main__": uvicorn.run(app, host="0.0.0.0", port=8000)

运行python api_server.py，一个高性能的模型API服务就启动了。你可以用curl或Postman测试。

方式二：使用Ollama（本地简易部署）如果你的模型是Ollama支持的格式（GGUF），部署会更加简单。

1. 将你的模型转换为GGUF格式（可以使用llama.cpp项目）。
2. 创建一个Modelfile，指定模型路径和参数。
3. 使用ollama create和ollama run来创建和运行模型。
4. 它自带了一个REST API（默认端口11434），可以直接调用。

6.4 微调与部署的避坑指南

• 显存不足（OOM）：这是最常见的问题。解决方案：1) 使用LoRA等参数高效微调方法；2) 开启梯度检查点；3) 使用混合精度训练（如fp16）；4) 减小batch_size和max_length。
• 过拟合：模型在训练数据上表现完美，在新数据上很差。解决方案：1) 增加数据量；2) 使用验证集，并在验证集损失不再下降时早停；3) 减小训练轮数；4) 增加正则化（如权重衰减）。
• 部署后响应慢：解决方案：1) 使用vLLM这样的高性能推理引擎；2) 开启连续批处理；3) 使用量化技术（如GPTQ, AWQ）减小模型体积，提升推理速度；4) 考虑使用TensorRT-LLM进行极致优化（NVIDIA GPU）。
• 效果不如预期：首先检查你的数据质量。然后尝试：1) 调整学习率；2) 尝试不同的微调方法（如QLoRA）；3) 检查你的提示词模板是否与训练时保持一致。

7. 整合项目实战：构建一个智能技术问答助手

现在，我们把前面学的所有东西串起来，做一个完整的项目：一个能回答特定技术领域（比如“LangChain使用”）问题的智能助手。它需要结合RAG（拥有最新的LangChain文档知识）和Agent（能决定何时查文档、何时直接回答）的能力。

项目架构设计：

1. 知识库：爬取或下载最新的LangChain官方文档，进行清洗、切分，存入向量数据库（Chroma）。
2. 核心大脑：一个LLM（如GPT-4或本地部署的Qwen），负责理解问题、规划步骤、生成答案。
3. 工具集：
   • 检索工具：从向量库中查找相关文档。
   • 搜索工具：对于文档中没有的最新动态，调用搜索引擎。
   • 计算工具：处理可能涉及的简单计算。
4. 工作流程：
   • 用户提问：“如何在LangChain中创建一个自定义的Agent？”
   • Agent（LLM）思考：这个问题需要具体的API和代码示例，应该先去知识库检索。
   • Agent调用检索工具，获取LangChain官方文档中关于创建Agent的片段。
   • Agent将检索到的文档作为上下文，结合自己的理解，生成一个包含代码示例的详细回答。
   • 如果用户问“LangChain昨天有更新吗？”，Agent可能会先检索，发现没有相关信息，然后调用搜索工具去网上查找最新消息。

技术栈选择：

• 后端框架：FastAPI（轻量、异步支持好）。
• AI框架：LangChain（用于快速组装RAG和Agent链条）。
• 向量数据库：Chroma（轻量、易用）或Qdrant（性能强、功能多）。
• LLM：初期开发用OpenAI/GPT API快速迭代；后期可替换为本地部署的微调模型。
• 前端：简单的Streamlit界面或Vue/React + Ant Design。

开发步骤简述：

1. 数据管道：编写脚本，处理文档，构建向量库。
2. 服务层：用FastAPI编写核心的问答接口，内部调用LangChain构建的RAG-Agent链。
3. Agent逻辑：定义工具，编写ReAct风格的提示词，组装执行链。
4. 前端交互：制作一个简单的Web界面，允许用户输入问题并展示回答和引用来源。
5. 部署上线：使用Docker容器化应用，部署到云服务器（如阿里云ECS）或云原生平台（如Railway）。

这个项目完整地覆盖了：数据处理、核心算法应用（RAG+Agent）、后端API开发、前端交互和部署运维。它完全可以作为你简历上的一个亮眼项目。

8. 学习路线与就业建议

最后，给出一条清晰的学习和行动路线：

1. 第一阶段：基础筑基（1-2周）

   • 掌握Python和PyTorch基础。
   • 彻底理解Transformer的工作原理（动手实现小demo）。
   • 熟悉Hugging Facetransformers库的基本使用（加载模型、进行推理）。

2. 第二阶段：应用开发（3-4周）

   • 专攻RAG：独立完成一个基于私有文档的问答系统。踩遍数据预处理、向量化、检索、提示工程的所有坑。
   • 专攻Agent：使用LangChain或Semantic Kernel，开发一个能调用至少3种不同工具（搜索、计算、API）的智能体。
   • 学习提示词工程的高级技巧，如思维链（CoT）、少样本学习（Few-shot）等。

3. 第三阶段：深度定制与部署（2-3周）

   • 学习微调技术，使用Llama-Factory等工具在特定数据集上微调一个开源模型（如Qwen-7B）。
   • 学习模型量化（GGUF, GPTQ）和高效推理引擎（vLLM, Ollama）的使用。
   • 学习使用FastAPI部署模型服务，并了解基本的API测试和监控。

4. 第四阶段：项目整合与求职（持续）

   • 完成一个像“智能技术问答助手”这样的综合项目，并开源到GitHub。
   • 撰写详细的技术博客，记录你的实现过程、遇到的坑和解决方案。
   • 针对目标岗位（AI应用开发工程师、LLM算法工程师等）修改简历，重点突出你的项目经验和解决的具体问题。

这个领域变化飞快，但只要你牢牢掌握了Transformer、RAG、Agent、微调与部署这几个核心模块，并具备完整的项目落地能力，你就已经具备了强大的竞争力。剩下的就是在实践中不断迭代和吸收新知识。记住，从今天开始，动手写代码、跑通流程、做出项目，比看再多的教程都重要。