最近一直有人問我同一件事2025年AI大模型學(xué)習(xí)路線到底該怎么安排。尤其是剛畢業(yè)或者工作了一兩年的程序員眼看身邊有人靠大模型方向換了賽道、漲了薪資自己收藏夾里躺了幾十個(gè)學(xué)習(xí)資源卻不知道從哪一個(gè)開始。說實(shí)話這個(gè)領(lǐng)域眼下最大的困境不是資料少而是資料太雜太散今天刷兩個(gè)Prompt技巧明天看一集Transformer視頻三個(gè)月下來還在原地打轉(zhuǎn)。所以我想把自己摸過的路原原本本梳理出來給小白程序員一份可以直接照著執(zhí)行的地圖。這篇內(nèi)容會(huì)從數(shù)學(xué)和Python打底走到PyTorch框架和Transformer原理最后落到Prompt工程、RAG、微調(diào)、量化部署這些真正能上崗的硬技能目標(biāo)很明確從入門走到能獨(dú)立做項(xiàng)目。1. 學(xué)習(xí)路線怎么規(guī)劃先看地圖再上路1.1 大模型時(shí)代的程序員新技能樹我經(jīng)常被問到一個(gè)問題我干了兩年前后端轉(zhuǎn)大模型方向是不是要從頭開始學(xué)數(shù)學(xué)我的回答是不用從頭但要把幾個(gè)關(guān)鍵點(diǎn)補(bǔ)上。你看現(xiàn)在招聘網(wǎng)站上大模型相關(guān)崗位的要求翻來覆去就那么幾個(gè)關(guān)鍵詞熟悉Transformer架構(gòu)、掌握Prompt工程、有RAG項(xiàng)目經(jīng)驗(yàn)、懂微調(diào)、了解部署推理優(yōu)化。把這些要求拆開背后的技能樹可以分為四層。第一層是基礎(chǔ)層包含線性代數(shù)、概率統(tǒng)計(jì)、Python編程這是看懂一切資料的先決條件。第二層是框架層目前主流是PyTorch你要會(huì)寫模型定義、訓(xùn)練循環(huán)、推理腳本。第三層是模型原理層核心是Transformer架構(gòu)以及從它長出來的BERT、GPT這些預(yù)訓(xùn)練模型怎么工作。第四層才是應(yīng)用層包括Prompt工程、RAG檢索增強(qiáng)、LoRA微調(diào)、量化部署這是大模型落地到具體業(yè)務(wù)時(shí)真正用到的部分?？雌饋韮?nèi)容很多但如果按層去學(xué)每層聚焦一個(gè)目標(biāo)就不會(huì)亂。最忌諱的是上來就學(xué)LoRA微調(diào)底層的梯度反向傳播沒搞明白調(diào)參跟求簽一樣出了問題完全沒有排查思路。我見過太多人卡在這一步最后只能跑通別人的代碼自己一改就崩。1.2 階段劃分和學(xué)習(xí)節(jié)奏四到六個(gè)月能到什么程度我自己當(dāng)時(shí)的時(shí)間安排是這樣的基礎(chǔ)階段用了三周每天保證兩小時(shí)以上PyTorch和神經(jīng)網(wǎng)絡(luò)原理花了五周這個(gè)階段要?jiǎng)邮謱懘a不能只看Transformer原理沒敢快進(jìn)四周時(shí)間精讀加復(fù)現(xiàn)到應(yīng)用實(shí)戰(zhàn)階段我花了兩個(gè)月做項(xiàng)目邊做邊學(xué)效率最高?？偟乃阆聛韽牧愕侥茏约鹤鲆粋€(gè)小規(guī)模RAG問答系統(tǒng)加LoRA微調(diào)大約需要四到六個(gè)月前提是你有穩(wěn)定的代碼基礎(chǔ)。這里要強(qiáng)調(diào)一個(gè)觀點(diǎn)學(xué)大模型不是考研不需要你推導(dǎo)所有公式但需要你知道每個(gè)模塊的存在意義和它們之間的連接方式。比如softmax函數(shù)你不需要證明它為什么是softmax但你要知道它把分?jǐn)?shù)變成概率分布這個(gè)動(dòng)作在分類、注意力機(jī)制、語言模型輸出里都出現(xiàn)。抓住主線比貪多求全重要得多。2. 打地基數(shù)學(xué)和Python要練到什么程度2.1 數(shù)學(xué)不要怕把五個(gè)知識(shí)點(diǎn)吃透就行小白聽到數(shù)學(xué)就頭大我完全理解。但實(shí)際做項(xiàng)目時(shí)高頻用到的數(shù)學(xué)概念掰著手指頭能數(shù)過來。第一個(gè)是矩陣乘法。大模型里的所有參數(shù)本質(zhì)上都是矩陣一次前向傳播就是一連串矩陣乘法。你只需要掌握兩個(gè)形狀的矩陣怎么相乘、結(jié)果的維度怎么算比如一個(gè)形狀為(3,4)的矩陣乘(4,2)的矩陣結(jié)果一定是(3,2)。Transformer里的自注意力計(jì)算Q乘K的轉(zhuǎn)置就是矩陣乘法。第二個(gè)是內(nèi)積。內(nèi)積可以判斷兩個(gè)向量的相似程度向量方向越接近內(nèi)積越大。注意力機(jī)制里算相似度分?jǐn)?shù)用的就是內(nèi)積的邏輯。第三個(gè)是softmax。它把一組實(shí)數(shù)變成一組加起來等于1的正數(shù)也就是概率值。語言模型最后輸出token概率分布靠的就是它。第四個(gè)是導(dǎo)數(shù)和鏈?zhǔn)椒▌t。反向傳播是神經(jīng)網(wǎng)絡(luò)訓(xùn)練的根基它依賴鏈?zhǔn)椒▌t把誤差從輸出層一層層傳回去。你在PyTorch里調(diào)用loss.backward()背后做的就是這個(gè)事。第五個(gè)是條件概率。語言模型的核心任務(wù)就是預(yù)測下一個(gè)token的概率即給定前面的詞計(jì)算下一個(gè)詞出現(xiàn)的條件概率。有了這個(gè)視角你才能理解GPT的生成過程。2.2 Python實(shí)操會(huì)寫腳本比背語法更重要Python基礎(chǔ)不太好的人我建議直接從環(huán)境搭建開始動(dòng)手。用Miniconda管理Python環(huán)境別一股腦往系統(tǒng)里裝包后面項(xiàng)目多了真的會(huì)亂。創(chuàng)建獨(dú)立環(huán)境、安裝依賴包、跑通一個(gè)小腳本這三件事做完環(huán)境層面的問題就基本掃清了。接下來需要重點(diǎn)掌握的庫是NumPy和pandas。NumPy的數(shù)組操作會(huì)讓你理解矩陣運(yùn)算的底層表達(dá)pandas則用來處理結(jié)構(gòu)化數(shù)據(jù)比如你的訓(xùn)練數(shù)據(jù)集清洗、CSV文件的讀取和預(yù)處理。Matplotlib簡單會(huì)畫折線圖和柱狀圖就夠主要用來觀察loss曲線和訓(xùn)練趨勢。一個(gè)很實(shí)用的練習(xí)方式用NumPy手動(dòng)實(shí)現(xiàn)一個(gè)簡單的兩層神經(jīng)網(wǎng)絡(luò)的前向傳播輸入10個(gè)樣本通過一個(gè)隱藏層輸出結(jié)果。這個(gè)練習(xí)不會(huì)超過50行代碼但做完以后你對(duì)張量維度、矩陣乘法的理解會(huì)完全不一樣。Python真正要練成的核心能力是讀代碼和調(diào)試代碼。網(wǎng)上開源項(xiàng)目那么多你能把訓(xùn)練腳本從頭到尾讀明白知道每一步在干什么比你自己會(huì)默寫代碼重要得多。遇到報(bào)錯(cuò)別慌看堆棧信息、打印中間變量、縮小問題范圍這套排錯(cuò)能力在后面的模型訓(xùn)練里天天用得上。3. 深度學(xué)習(xí)框架選對(duì)路才能走得快3.1 為什么首選PyTorch生態(tài)和調(diào)試體驗(yàn)現(xiàn)在的深度學(xué)習(xí)框架主流就是PyTorch。別在框架選擇上花太多時(shí)間糾結(jié)。我推薦它的原因很直接動(dòng)態(tài)圖機(jī)制意味著你可以隨時(shí)打印中間結(jié)果調(diào)試體驗(yàn)比靜態(tài)圖框架舒服太多成熟的開源項(xiàng)目大部分基于它遇到問題搜索一下就能找到答案從論文復(fù)現(xiàn)到商業(yè)部署它的生態(tài)最完整。安裝PyTorch其實(shí)不用費(fèi)勁在官方給的安裝命令里選好你的操作系統(tǒng)和CUDA版本復(fù)制執(zhí)行就行。沒有獨(dú)立顯卡的情況下先用CPU版本跑小規(guī)模實(shí)驗(yàn)代碼邏輯是一樣的只是慢一點(diǎn)不影響學(xué)習(xí)。入門時(shí)我給你一個(gè)最小可用的訓(xùn)練流程模板。定義一個(gè)網(wǎng)絡(luò)類繼承父類重寫forward方法表示前向傳播準(zhǔn)備數(shù)據(jù)用DataLoader加載定義損失函數(shù)和優(yōu)化器循環(huán)epoch里做前向計(jì)算、算loss、反向傳播、更新參數(shù)。把這幾步寫熟了后續(xù)ResNet、Transformer這些復(fù)雜網(wǎng)絡(luò)在代碼層面的訓(xùn)練流程其實(shí)也是這一套。import torch import torch.nn as nn import torch.optim as optim class TinyNet(nn.Module): def __init__(self, input_dim, hidden_dim, output_dim): super().__init__() self.net nn.Sequential( nn.Linear(input_dim, hidden_dim), nn.ReLU(), nn.Linear(hidden_dim, output_dim) ) def forward(self, x): return self.net(x) model TinyNet(input_dim8, hidden_dim16, output_dim1) loss_fn nn.MSELoss() optimizer optim.Adam(model.parameters(), lr0.001)訓(xùn)練循環(huán)大概是這樣的節(jié)奏每次迭代時(shí)optimizer.zero_grad()清空上次梯度然后loss.backward()計(jì)算梯度optimizer.step()更新參數(shù)。千萬別漏掉清梯度的步驟否則梯度會(huì)累積疊加訓(xùn)練直接發(fā)散。這個(gè)問題我見過不止一個(gè)新手踩進(jìn)去。3.2 神經(jīng)網(wǎng)絡(luò)到底是什么把黑盒拆開看一眼很多教程把神經(jīng)網(wǎng)絡(luò)講得高深莫測其實(shí)它就是一個(gè)帶大量參數(shù)的函數(shù)。輸入一個(gè)樣本經(jīng)過一層層線性變換和非線性激活輸出一個(gè)預(yù)測結(jié)果。線性變換就是矩陣乘法加偏置無非是y等于權(quán)重乘以輸入再加偏置。激活函數(shù)像ReLU、sigmoid負(fù)責(zé)往模型里注入非線性能力不然疊加再多線性層也等價(jià)于一個(gè)線性模型。訓(xùn)練的過程可以類比成馴狗你扔給它一個(gè)指令它給出一個(gè)行為如果行為不對(duì)你就糾正它讓它下次做得更好。訓(xùn)練時(shí)前向傳播給出預(yù)測值損失函數(shù)計(jì)算預(yù)測值和真實(shí)值的差距反向傳播把這個(gè)差距通過梯度傳到每個(gè)參數(shù)上優(yōu)化器沿梯度的反方向調(diào)整參數(shù)。重復(fù)這個(gè)過程成千上萬次模型就學(xué)會(huì)了規(guī)律。你需要實(shí)際動(dòng)手跑一個(gè)分類或者回歸任務(wù)比如預(yù)測波士頓房價(jià)這種事情雖然老套但一套代碼跑下來你對(duì)張量、損失、優(yōu)化的理解都會(huì)落回實(shí)處。模型訓(xùn)練出來后無所謂好但如果你能自己調(diào)節(jié)學(xué)習(xí)率、換激活函數(shù)、加層數(shù)觀察loss變化那說明你真的入門了。4. 拿下Transformer大模型的真正地基4.1 自注意力機(jī)制白話拆解詞匯之間的權(quán)重關(guān)系你要做大模型Transformer是繞不過去的一座山但它沒有那么高。先拋開那些復(fù)雜的圖解我講一個(gè)類比。想象你在圖書館里查資料腦子里帶著一個(gè)問題這就是查詢向量Q。書架上的每本書都有個(gè)標(biāo)題這些標(biāo)題就是鍵向量K。書的正文內(nèi)容就是值向量V。你的注意力會(huì)放在哪些書上呢先把你的問題和所有書標(biāo)題做匹配算出每本書和你問題的相關(guān)度然后按相關(guān)度加權(quán)去讀正文重點(diǎn)內(nèi)容。自注意力機(jī)制就是這樣的流程只不過Q、K、V都是輸入文本向量經(jīng)過線性變化得到的。用公式表達(dá)就是Attention(Q,K,V) softmax(Q乘以K的轉(zhuǎn)置除以根號(hào)d后再乘以V)。除以根號(hào)d是為了穩(wěn)定數(shù)值防止點(diǎn)積結(jié)果過大導(dǎo)致softmax進(jìn)入飽和區(qū)。這個(gè)公式是整個(gè)大模型里最重要的公式之一建議親手推導(dǎo)一次小維度的計(jì)算過程算過一遍比看十遍圖都管用。多頭注意力機(jī)制可以理解成同時(shí)有好幾個(gè)人用各自不同的角度去查資料有人關(guān)注語法關(guān)系有人關(guān)注指代關(guān)系有人關(guān)注語義信息最后把這些角度的結(jié)果拼接融合在一起。這也讓模型有能力抓住文本中多種多樣的關(guān)聯(lián)特征。Transformer里還有兩個(gè)容易被忽略但至關(guān)重要的設(shè)計(jì)殘差連接和層歸一化。殘差連接讓梯度可以從深層直接回傳到淺層緩解深層網(wǎng)絡(luò)訓(xùn)練困難的問題層歸一化則讓每一層的輸出分布穩(wěn)定訓(xùn)練更穩(wěn)健。位置編碼的作用是給序列里的每個(gè)token標(biāo)上位置否則基于自注意力機(jī)制的模型會(huì)把句子當(dāng)成詞袋來處理任何詞序變化它都看不出來。4.2 從BERT到GPT兩條路線和現(xiàn)在的統(tǒng)一理解了Transformer的編碼器和解碼器之后你會(huì)發(fā)現(xiàn)市面上主流模型基本沿兩條路線演進(jìn)。一條以BERT為代表使用編碼器訓(xùn)練時(shí)隨機(jī)遮住一部分詞讓模型去預(yù)測被遮住的詞相當(dāng)于做完形填空學(xué)到的向量適合做分類、匹配這類理解任務(wù)。另一條以GPT為代表使用解碼器訓(xùn)練目標(biāo)是預(yù)測下一個(gè)token也就是給定前面的詞預(yù)測接下來的詞所以天然擅長生成任務(wù)。為什么現(xiàn)在是解碼器路線成了主流因?yàn)樯煽梢越y(tǒng)一各種任務(wù)。你問問題它生成答案你要翻譯它生成譯文你要總結(jié)它生成摘要把任務(wù)都當(dāng)成序列生成問題一個(gè)模型架構(gòu)就能覆蓋吃。這種從任務(wù)分治到統(tǒng)一生成的轉(zhuǎn)變是大模型應(yīng)用爆發(fā)的一個(gè)重要原因。GPT訓(xùn)練的核心思維特別質(zhì)樸從海量文本里不斷重復(fù)看前面寫過的內(nèi)容預(yù)測下一個(gè)詞預(yù)測錯(cuò)了就修正參數(shù)。當(dāng)你訓(xùn)練數(shù)據(jù)量大到一定程度、模型參數(shù)多到一定程度各種語言技能、知識(shí)信息就被壓縮進(jìn)參數(shù)的權(quán)重里。下次你用它的時(shí)候輸入一段話它就像做過無數(shù)道完形填空題的選手順著語感和知識(shí)儲(chǔ)備往下寫。學(xué)到這一步建議去開源模型社區(qū)里找一個(gè)小規(guī)模的預(yù)訓(xùn)練模型跑通一個(gè)文本生成Demo。任務(wù)別復(fù)雜就是給定前幾個(gè)字讓模型把后面補(bǔ)全出來。跑通之后你再看生成結(jié)果那種原來原理就在我手里的感覺會(huì)非常扎實(shí)。5. 應(yīng)用開發(fā)實(shí)戰(zhàn)從調(diào)用到微調(diào)部署5.1 Prompt工程和RAG當(dāng)前應(yīng)用開發(fā)的兩把鑰匙如果說前面學(xué)的是理論地基那進(jìn)入應(yīng)用層才是真正能干活的地方。大模型應(yīng)用開發(fā)目前最核心的兩塊技術(shù)就是Prompt工程和RAG。Prompt工程說白了就是學(xué)會(huì)和大模型對(duì)話。模型雖然強(qiáng)大但如果你問得模糊它回答得必然模糊。你需要給它一個(gè)明確的角色定位比如你是一名資深的客服專家請(qǐng)用簡潔的語言回答用戶問題給它一個(gè)輸出格式的約束比如用三點(diǎn)小結(jié)每點(diǎn)不超過50字再給它一兩個(gè)示例它就能嚴(yán)格模仿示例中的風(fēng)格和結(jié)構(gòu)。遇到復(fù)雜推理問題可以讓它先展示思考步驟把推理過程寫出來再去得出結(jié)論這就是思維鏈的提示方式。RAG是當(dāng)前落地價(jià)值最高的技術(shù)沒有之一。大模型訓(xùn)練時(shí)學(xué)到的是通用知識(shí)對(duì)特定企業(yè)內(nèi)部的知識(shí)一無所知而且它偶爾還會(huì)一本正經(jīng)地編造答案也就是幻覺。RAG的思路很簡單回答之前先從你自己的知識(shí)庫里檢索出相關(guān)文檔把檢索結(jié)果作為上下文拼進(jìn)Prompt再讓模型基于這些內(nèi)容來回答。等于給了模型一個(gè)可以隨時(shí)翻閱的資料庫回答就有了依據(jù)。做RAG項(xiàng)目的關(guān)鍵步驟是先把文檔拆分成合適大小通常按照256到512個(gè)token切塊太短語義不完整太長檢索會(huì)不精準(zhǔn)然后用一個(gè)嵌入模型把每個(gè)文本塊轉(zhuǎn)成向量存進(jìn)向量數(shù)據(jù)庫用戶提問時(shí)也轉(zhuǎn)成向量在庫里做相似度檢索最后把召回的文本塊和問題一起送進(jìn)大模型生成最終答案。你要是第一次做建議用公開的開源知識(shí)庫做一個(gè)小項(xiàng)目把整個(gè)流程跑通感受一下不同切塊策略對(duì)回答質(zhì)量的影響。5.2 LoRA微調(diào)和量化部署低成本讓模型學(xué)會(huì)特定技能當(dāng)你在團(tuán)隊(duì)里真的需要一個(gè)專屬模型時(shí)聊的最多的就是微調(diào)和部署。全量微調(diào)一個(gè)大模型顯卡的顯存要求不是一般打工人受得了的。所以實(shí)際項(xiàng)目里最流行的做法是LoRA訓(xùn)練。LoRA的思路非常巧妙凍結(jié)原模型的所有參數(shù)不動(dòng)只額外訓(xùn)練一組低秩矩陣注入到各個(gè)線性層旁邊。原本需要更新幾千億參數(shù)現(xiàn)在只需要更新幾千個(gè)額外參數(shù)顯存占用和訓(xùn)練時(shí)間都能大幅下降。效果上對(duì)于學(xué)習(xí)某種風(fēng)格、某些領(lǐng)域術(shù)語、固定任務(wù)格式LoRA的性價(jià)比遠(yuǎn)高于全量微調(diào)。微調(diào)前準(zhǔn)備數(shù)據(jù)是第一關(guān)鍵環(huán)節(jié)。數(shù)據(jù)格式通常是每條樣本包含指令和期望輸出比如讓模型學(xué)會(huì)做合同摘要就要準(zhǔn)備幾百上千條合同原文加人工摘要把。數(shù)據(jù)質(zhì)量和數(shù)量比花哨的技巧更重要我見過有人用很高級(jí)的采樣策略但數(shù)據(jù)本身標(biāo)注錯(cuò)了模型越學(xué)越歪。自己評(píng)估一下寧可要五百條精確數(shù)據(jù)不要五千條粗糙數(shù)據(jù)。實(shí)際訓(xùn)練時(shí)你用開源微調(diào)框架或者底層一點(diǎn)直接用Transformer庫都可以。LoRA的關(guān)鍵參數(shù)是秩r和縮放alpha。做一個(gè)中等規(guī)模任務(wù)的參考值秩取8alpha取16dropout取0.1學(xué)習(xí)率取2e-4訓(xùn)練2到3個(gè)輪次。你可以在這個(gè)基礎(chǔ)上調(diào)節(jié)感受參數(shù)變化對(duì)效果的影響。訓(xùn)練完成后把LoRA權(quán)重合并回模型或者單獨(dú)保存加載都可以模型體積只增加幾十到幾百兆。部署階段就要考慮推理效率。常見的做法是量化把模型參數(shù)從高精度降到8位甚至4位。以一個(gè)70億參數(shù)的開源模型為例半精度FP16下推理要占約14G顯存4位量化后只要6G左右普通消費(fèi)級(jí)的顯卡就能跑。主流的開源推理框架對(duì)量化格式都支持得不錯(cuò)啟動(dòng)一個(gè)模型的命令非常簡潔。# 偽代碼示意用推理框架加載量化模型 from vllm import LLM, SamplingParams llm LLM(modelyour-path-to-quantized-model, gpu_memory_utilization0.9) params SamplingParams(temperature0.7, max_tokens512) output llm.generate(請(qǐng)用一句話解釋RAG, params) print(output[0].outputs[0].text)只要顯存夠它就能把請(qǐng)求發(fā)模型發(fā)數(shù)據(jù)。開發(fā)接口的時(shí)候你把模型部署成一個(gè)HTTP服務(wù)業(yè)務(wù)代碼通過統(tǒng)一接口調(diào)用就行這也是目前主流做法。整個(gè)部署鏈路里你會(huì)踩到加速卡驅(qū)動(dòng)兼容、量化模型輸出異常、并發(fā)吞吐上不去這些坑每個(gè)問題單獨(dú)拿出來都能寫一整篇但別怕搜索解決方案和調(diào)試本身就是這個(gè)崗位的日常。6. 學(xué)習(xí)路上的坑與避雷指南6.1 小白最常踩的五個(gè)坑第一個(gè)坑是貪多嚼不爛。有人收藏了幾十個(gè)教程今天看看這個(gè)的大綱明天翻翻那個(gè)的開頭知識(shí)全部碎片化。我的建議是選定一條主線哪怕它不完美也要在三個(gè)月內(nèi)堅(jiān)持學(xué)完半路換路線是最大的時(shí)間浪費(fèi)。第二個(gè)坑是只看不練。視頻里老師敲一行代碼你劃一下手指看起來全懂了實(shí)際一關(guān)屏幕腦子一片空白。解決方式很粗暴每學(xué)完一個(gè)小節(jié)至少復(fù)現(xiàn)出一個(gè)結(jié)果輸出到屏幕上才算數(shù)。第三個(gè)坑是過度數(shù)學(xué)焦慮。很多人在線性代數(shù)第一階段就卡住了非要證明所有定理才往下走。大模型應(yīng)用開發(fā)不是搞研究理解核心概念夠用即可公式推導(dǎo)等你哪天有需要再回頭補(bǔ)。第四個(gè)坑是忽略工程能力。模型調(diào)出來只是第一步真正工作里你還要搞定數(shù)據(jù)清洗、訓(xùn)練管線、接口封裝、監(jiān)控集成。早點(diǎn)鍛煉代碼工程能力會(huì)讓你在項(xiàng)目里順手很多。第五個(gè)坑是只看新聞不讀源碼。大模型發(fā)展速度快幾乎每周都有新東西但核心原理是穩(wěn)定的。你花一小時(shí)看新聞資訊不如花一小時(shí)精讀一個(gè)開源項(xiàng)目的訓(xùn)練腳本和數(shù)據(jù)處理代碼后者帶來的成長是實(shí)打?qū)嵉摹?.2 讓學(xué)習(xí)效率翻倍的三個(gè)習(xí)慣我學(xué)到后來發(fā)現(xiàn)帶項(xiàng)目的學(xué)習(xí)遠(yuǎn)比按章節(jié)學(xué)靠譜。你給自己定一個(gè)目標(biāo)比如做一個(gè)簡歷智能問答機(jī)器人這個(gè)目標(biāo)會(huì)倒逼你去學(xué)怎么切文檔、怎么嵌入、怎么寫Prompt、怎么部署服務(wù)。做成之后技術(shù)棧是完整的一串而不是一個(gè)又一個(gè)孤立知識(shí)點(diǎn)。第二個(gè)習(xí)慣是記錄問題日志。我凡是做項(xiàng)目建一個(gè)文檔專門記踩過的坑、報(bào)錯(cuò)信息和最后怎么解決的。幾個(gè)月下來回看這些日志就是最有價(jià)值的技術(shù)沉淀。人的記憶靠不住但筆記不會(huì)騙你。第三是學(xué)會(huì)提問。直接用關(guān)鍵詞組合搜索報(bào)錯(cuò)信息或者帶著完整上下文去技術(shù)社區(qū)提問。提問本身也是梳理思路的過程常常在打字的時(shí)候就想到問題出在哪了。別做伸手黨先把代碼讀十遍再來問。最后分享一點(diǎn)我自己體會(huì)最深的東西大模型學(xué)習(xí)路線本身并不神奇它不過是一條有順序的經(jīng)驗(yàn)路徑。真正拉開差距的從來都是執(zhí)行力和遇到問題不繞開的韌性。你照著這條路線走下去學(xué)得慢沒關(guān)系但每一步都要親手跑出結(jié)果。等幾個(gè)月后你再回頭看會(huì)發(fā)現(xiàn)曾經(jīng)覺得高不可攀的大模型工程師其實(shí)也就是這樣一步一步走過來的。