从ChatGPT发布后的一段时间，我们见证了大型语言模型（LLM）爆炸式增长，在来自四面八方的消息中，我们了解了大模型似乎在不断渗透到各行各业，改变着生产模式。但，在实际行业应用上还是很难跟上所有技术上已经取得的发展，数据安全以及大量的硬件资源需求等方面成了大模型应用落地过程中经常需要讨论的重要内容，本地运行开源LLM也成为了热门方案。

大模型参数的大小从一个层面反映了模型的能力，但是，实际应用真的必须用到那么大参数的大模型吗？

比较实在的思路是：用较少的资源，在本地搭建较小的模型，为某些场景提供大模型的某些方面的能力。这种方式可以根据需要选择适合场景的模型，同时也能够确保数据限制在自己的网络空间。

搭建本地大模型的关键内容：

（1）哪里下载开源大模型？

Huggine Face可以说是大模型的集中营。可以下载到各种开源模型库。

（2）如何部署大模型？

部署大模型的方式很多，其中一个比较简单的方式是使用一些框架工具，例如：LangChain、Ollama。其中Ollama是一个开源的大模型服务工具，使用起来非常简单，旨在为用户提供本地化的运行环境，满足个性化的需求。

其实，Ollama已经提供了许多流行的大模型可以选择。

而，Huggine Face目前拥有超过25万的大模型，最新、最全的开源大模型应该都在里面，选择性更多。

下面主要介绍如何利用Ollama从Huggine Face安装自定义模型。

以模型Llama3-8B-Chinese-Chat为例，步骤如下：

（1）下载安装Ollama，并确保您已安装Ollama并正在运行。

ollama的下载地址：

https://ollama.com/`br`

（2）去Huggingface网站下载模型的GGUF。

https://huggingface.co/shenzhi-wang/Llama3-8B-Chinese-Chat-GGUF-8bit`br`

（3）创建一个模型描述文件，并输入必要的东西。

创建一个名为 Modelfile 的文件，并使用 FROM 指令，填写的模型的本地文件路径。Modelfile文件中还可以添加系统提示词以及各项参数：

\# ModelfileFROM "./Llama3-8B-Chinese-Chat-q8\_0-v2\_1.gguf"# set the temperature to 1 \[higher is more creative, lower is more coherent\]PARAMETER temperature 1#许多聊天模式需要提示模板才能正确回答。默认提示模板可以使用TEMPLATE中的Modelfile指令指定TEMPLATE "\[INST\] {{ .Prompt }} \[/INST\]"`br`

(4)从这个模型文件中创建一个模型，并在终端中本地运行它。

创建大模型：

ollama create llama3\_chinese example -f Modelfile`br`

运行大模型：

ollama run llama3\_chinese`br`

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】