本文深入浅出地介绍了大语言模型（LLM）的概念、训练过程（预训练与微调）及其应用场景，并详细解析了基于LLM的智能体（Agent）框架，包括记忆、规划、工具使用等关键环节。文章还重点阐述了RAG技术如何减少LLM的幻觉，提升其回答准确性，并探讨了提示词（Prompt）的编写与优化。整体内容旨在帮助初学者全面理解大模型技术，为实际应用打下坚实基础。

1、什么是智能体 (Agent)

一种基于LLM（LargeLanguage Model）的能够感知环境、做出决策并执行行动以实现特定目标的自主系统。与传统人工智能不同，Al Agent 模仿人类行为模式解决问题，通过独立思考和调用工具逐步完成给定目标，实现自主操作。

通用智能体平台

以Agent为核心技术驱动，构建通用智能体平台，通过在智能体感知、记忆、规划和执行各关键环节的能力攻关，以适应不断变化的实际业务和日常办公需求，提供更加个性化和精准的服务，并助力工程人员解放脑、解放手、想的更全、做的更准,共同推动了其在更多复杂场景下的应用。

2、什么是LLM (Large Language Model)

大语言模型是一类基于深度学习的人工智能模型，旨在处理和生成自然语言文本。通过训练于大规模文本数据，使得大语言模型能够理解并生成与人类语言相似的文本，执行各类自然语言处理任务。

LLM的训练及使用

LLM能够理解并生成与人类语言相似的文本，执行各类自然语言处理任务，具体可应用场景包括而不限于文本生成、机器翻译、摘要生成、对话系统、情感分析等。其具有强大的泛化能力、能够处理多种任务。

LLM的训练

LLM的训练过程分为预训练和微调两个阶段。

• 预训练阶段

  模型在大规模未标注文本数据上进行自监督学习，学习通用的语言表示。

• 微调阶段

  模型在特定任务的标注数据上进行有监督学习，调整模型参数以适应具体任务需求。

LLM的使用

一方面，对于直观的日常使用，用户输入问题（提示词，Prompt），大模型给出该问题的回答。

另一方面，对于基于LLM的AI应用编程，可通过以指定格式调用LLM的API，获取问题的答案。

基于LLM的Agent框架

• LLM：对标人类大脑，思考如何解决问题、给出怎样的回答。

• 记忆：长期记忆加短期记忆。即智能体使用的历史记录、系统数据，以及智能体执行过程中产生的各种中建信息。

• 规划技能：提示词编排、意图理解、任务分解、自我反思。

• 工具使用：智能体在执行任务中可能会使用到的各种工具接口。

3、Transformer架构

LLM的核心技术架构是Transformer，这是一个基于自注意力机制的深度学习模型。Transformer架构的关键在于其能够并行处理序列数据，大大提高了模型的训练效率和性能

参数规模

LLM通常采用大规模神经网络，参数数量从数百万到数十亿不等，例如通义干问（Qwen-7B）具有70亿的参数规模训练数据需要高质量的、经过预处理的多模态数据。参数规模的增加使模型具有更强的学习和泛化能力，能够处理复杂的语言任务，但也带来了计算成本和资源需求的显著增加。

4、什么是RAG

LLM回答用户问题时，是基于训练LLM时使用的文本数据进行的。而面对未知知识的问题，它并不能正确回答而容易产生错误的结果，即大模型的幻觉。

什么是RAG

RAG（Retrieval-augmented Generation）是一种自然语言查询方法，通过一个检索信息组件从外部知识源获取附加信息，馈送到LLM prompt以更准确地回答所需的问题。通过额外的知识来增强LLM 以回答问题，用以减少 LLM产生幻觉的倾向。

利用RAG减少幻觉

基于RAG技术，可以通过构建一个知识库，让LLM能够在回答问题时以这个知识库为基础，具备回答知识库中的相关内容的能力。

RAG的优势

基于RAG技术创建的知识库，可以比较便利地增删改其中的文档，可以支持更频繁的更新。

RAG的整体流程

RAG的整体流程分为两大步:

• 一是事先的索引丨（lndexing）也即是从私有文档构建知识库的过程;即为图蓝色虚线链路。

• 二是即时的查询(Querying)也即是针对已构建的知识库进行查询问答的过程。即为图红色虚线链路。先检索，然后生成。

RAG的效果

• 一是赋予LLM回答私有知识库问题的能力，减弱幻觉;

• 二是提供了回答中引用的原文出处，提高检索效率，同时便于直接对比原文确保LLM回答的准确性在智能问答、文档摘要、数据整理等领域发挥重要作用

5、什么是提示词 (工程)

提示词（Prompt）是指向LLM提供输入以引导其生成特定输出的文本或指令。

提示词

提示词包括两类，系统提示词与用户提示词。用户提示词即为用户的问题；系统提示词为人工智能应用内置的指向LLM的一组初始指令或背景信息，用于指导LLM的行为方式和响应模式。

一般情况下，提示词更多的是指用户提示词、即用户发送给LLM的问题。

提示词对LLM的影响

在生成文本时，LLM会试图理解并根据其理解生成相应的响应LLM生成的回答的质量受用户提示词的影响，更完善的提示词能够让LLM更好地理解用户意图、给出更契合更完善的回答

如何优化提示词

在提出用户问题时候，应该清晰而具体地表达指令，提出具体的需求;如果对LLM的输出格式有要求，那么最好提供参考文本作为示例。

如何编写更好的提示词

更为完善的提示词基本组成部分：

• 指令：要求模型对文本的处理动作。
• 指令的对象：需要模型处理的文本。
• 示例：案例或思维模型提示。
• 输出要求：对于输出内容的内容和格式要求；
• 异常情况：对于模型无法执行，或指令信息缺失时的异常处理机制。

最后

对于正在迷茫择业、想转行提升，或是刚入门的程序员、编程小白来说，有一个问题几乎人人都在问：未来10年，什么领域的职业发展潜力最大？

答案只有一个：人工智能（尤其是大模型方向）

当下，人工智能行业正处于爆发式增长期，其中大模型相关岗位更是供不应求，薪资待遇直接拉满——字节跳动作为AI领域的头部玩家，给硕士毕业的优质AI人才（含大模型相关方向）开出的月基础工资高达5万—6万元；即便是非“人才计划”的普通应聘者，月基础工资也能稳定在4万元左右。

再看阿里、腾讯两大互联网大厂，非“人才计划”的AI相关岗位应聘者，月基础工资也约有3万元，远超其他行业同资历岗位的薪资水平，对于程序员、小白来说，无疑是绝佳的转型和提升赛道。


对于想入局大模型、抢占未来10年行业红利的程序员和小白来说，现在正是最好的学习时机：行业缺口大、大厂需求旺、薪资天花板高，只要找准学习方向，稳步提升技能，就能轻松摆脱“低薪困境”，抓住AI时代的职业机遇。

如果你还不知道从何开始，我自己整理一套全网最全最细的大模型零基础教程，我也是一路自学走过来的，很清楚小白前期学习的痛楚，你要是没有方向还没有好的资源，根本学不到东西！

下面是我整理的大模型学习资源，希望能帮到你。

👇👇扫码免费领取全部内容👇👇

1、大模型学习路线

2、从0到进阶大模型学习视频教程

从入门到进阶这里都有，跟着老师学习事半功倍。

3、 入门必看大模型学习书籍&文档.pdf（书面上的技术书籍确实太多了，这些是我精选出来的，还有很多不在图里）

4、 AI大模型最新行业报告

2026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。

5、面试试题/经验

【大厂 AI 岗位面经分享（107 道）】

【AI 大模型面试真题（102 道）】

【LLMs 面试真题（97 道）】

6、大模型项目实战&配套源码

适用人群

四阶段学习规划（共90天，可落地执行）

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

• …

  👇👇扫码免费领取全部内容👇👇

  

3、这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

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】