由于 AI 大模型应用技术比较新，业界也没什么参照标准，打造 AI 大模型技术的学习路线并非一件容易的事，我和团队花费了6个多月时间，边整理、边摸索、边实践打造了业界首份 AI 大模型学习路线。

这份完整的AI大模型学习路线，都已上传至CSDN，需要的小伙伴可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

AGI大模型应用开发学习路线

第一阶段 · 大模型开发基础

第一章：AI新篇章

1. 为什么要学习大模型开发？
2. 需要准备的工具和环境

第二章：大模型的训练与应用

1. 大模型发展史
2. 从大模型预训练、微调到应用
3. GPT结构剖析
4. 大模型家族、类别、应用场景
5. RAG，Agent与小模型

第三章：大模型实操与API调用

1. 通过API调用大模型
2. 单论对话与多轮对话调用
3. 开源模型与闭源模型调用
4. ChatGLM，Baichuan，Yi-34B调用
5. GPT，LLaMA模型调用
6. 模型的部署、容器化

第四章：提示工程技术（1）

1. 提示词的常见结构
2. 提示词的模版化
3. Zero-shot与Few-shot
4. In-context learning
5. Chain of thought prompting

第五章：提示工程技术（2）

1. Tree of thought prompting
2. Graph of thought promting
3. Self-consistency
4. Active-prompt
5. Prompt chaining

第二阶段 · RAG基础与架构

第六章：RAG基础与架构

1. 为什么需要RAG？
2. RAG的经典应用场景
3. RAG的经典结构与模块
4. 向量数据库
5. 检索与生成

第七章：【项目实战】基于RAG的PDF文档助

1. 产品介绍与核心功能
2. 技术方案与架构设计
3. 文档读取和解析
4. 文档的切分和文档向量化
5. query搜索与文档排序
6. 提示模版与大模型API接入
7. 模型部署与Web应用

第八章：文档切分常见算法

1. 根据每个Sentence切分
2. 根据固定字符数切分
3. 根据固定sentence数切分
4. 根据递归字符来切分
5. 根据语义相似度来切分

第九章：向量数据库常见算法

1. 常用向量数据库以及类别
2. 向量数据库与索引算法
3. 到排表与搜索优化
4. KNN与近似KNN
5. Product Quantization

第十章：向量数据库算法进阶- HSNW

1. HSNW算法在索引中的重要性
2. NSW算法解读
3. NSW图中的搜索问题
4. Skip List讲解
5. 具有层次结构的NSW

第十一章：【项目实战】基于RAG的新闻推荐

1. 推荐系统原理、应用场景以及架构剖析
2. 传统推荐算法与基于LLM推荐算法
3. 新闻数据的准备与整理
4. 推荐中的召回与精排
5. 精排与Prompt构建
6. 模型部署与测试

第三阶段 · RAG与LangChain

第十二章：LangChain基础应用

1. 为什么需要LangChain?
2. 通过一个小项目快速理解各个模块
3. LangChain调用模型
4. PromptTemplate的应用
5. 输出格式设定
6. Pydantic Object设计

第十三章：理解Function Calling

1. 什么是 Function Calling
2. 自定义输出结构
3. 基于OpenAI调用Function Calling
4. Function Calling的稳定性
5. LangChain与Function Calling

第十四章：LangChain与Retrieval组件

1. Document Loaders
2. Text Splitters
3. Text Embedding模型
4. 常用的向量数据库调用
5. 常用的Retriever

第十五章：LangChain与Chain组件

1. 为什么需要Chain？
2. LLMChain, Sequential Chain
3. Transform Chain
4. Router Chain
5. 自定义Chain

第十六章：Advanced RAG（1）

1. 经典RAG的几个问题
2. Self-querying retrieval
3. MultiQuery retriever
4. Step-back prompting
5. 基于历史对话重新生成Query
6. 其他Query优化相关策略

第十七章：Advanced RAG（2）

1. Sentence window retrieval
2. Parent-child chunks retrieval
3. Fusion Retrieval
4. Ensemble Retrieval
5. RPF算法

第十八章：基于RAGAS的RAG的评估

1. 为什么需要评估RAG
2. RAG中的评估思路
3. 评估指标设计
4. 套用在项目中进行评估
5. RAGAS评估框架的缺点

第十九章：实战基于Advanced RAG的PDF问答

1. 需求理解和系统设计
2. 经典RAG架构下的问题
3. 检索器优化
4. 生成器优化
5. 系统部署与测试

第四阶段 · 模型微调与私有化大模型

第二十章：开源模型介绍

1. 模型私有化部署的必要性
2. 中英开源模型概览与分类
3. ChatGLM, Baichuan，Yi等中文开源模型
4. LLaMA，Mistral系列英文开源模型
5. 微调所需要的工具和算力

第二十一章：模型微调基础

1. 判断是否需要模型微调
2. 模型微调对模型的影响和价值
3. 选择合适的基座模型
4. 数据集的准备
5. 微调训练框架的选择

第二十二章：GPU与算力

1. GPU与CPU
2. GPU的计算特性
3. 微调所需要的算力计算公式
4. 常见GPU卡介绍与比较
5. 搭建GPU算力环境

第二十三章：高效微调技术-LoRA

1. 全量微调与少量参数微调
2. 理解LoRA训练以及参数
3. PEFT库的使用
4. LoRA训练硬件资源评估
5. 认识QLoRA训练

第二十四章：【项目实战】基于ChatGLM-6B+LoRA对话微调模型

1. 理解ChatGLM模型家族以及特性
2. 导入模型以及tokenizer
3. 设计模型参数以及LoRA参数
4. 训练以及部署微调模型
5. 测试微调模型

第五阶段 · Agent开发

第二十五章：Agent开发基础

1. 什么是Agent
2. 什么是Plan, Action, Tools
3. 经典的Agent开源项目介绍
4. 编写简单的Agent程序
5. Agent目前面临的挑战与机遇

第二十六章：自定义Agent工具

1. LangChain所支持的Agent
2. 什么需要自定义Agent
3. @tool decorator的使用
4. 编写自定义Agent工具
5. 编写完整的Agent小项目

第二十七章：深入浅出ReAct框架

1. 回顾什么是CoT
2. CoT和Action的结合
3. 剖析ReAct框架的Prompt结构
4. 从零实现ReAct（from Scratch)
5. ReAct框架的优缺点分析

第二十八章：【项目实战】开源Agent项目

1. 开源Agent项目以及分类
2. AutoGPT项目讲解
3. MetaGPT项目讲解
4. 其他开源项目
5. Agent技术目前存在的问题

第二十九章：深度剖析Agent核心部件

1. Agent的planning
2. Agent的reasoning
3. Agent的knowledge
4. Agent的memory
5. Agent的泛化能力

第三十章：【项目实战】基于Agent的AI模拟面试

1. 需求设计和系统设计
2. 工具的设计
3. AI面试中的深度询问方案设计
4. 提示工程设计
5. Memory的设计
6. 智能体开发与部署

第三十一章：Agent其他案例分享

1. AI旅游规划师
2. AI产品销售
3. AI房租推荐
4. AI图像处理
5. AI网站开发

第三十二章：其他Agent前沿应用

1. 多个Agent的协同
2. Agent的group行为
3. Agent Society
4. Agent的Personality
5. 斯坦福小镇案例

第六阶段 · 智能设备与“小”模型

第三十三章：智能设备上的模型优化基础

1. 智能设备特性以及资源限制
2. 模型优化的必要性
3. 常见的模型压缩技术
4. 轻量级模型架构介绍
5. 开源小模型

第三十四章：模型在智能设备上的部署

1. 多大的模型适合
2. 部署流程概述
3. 模型转换工具
4. 模型部署实战
5. 性能测试与优化

第三十五章：边缘计算中的大模型挑战与机遇

1. 边缘计算的概念和重要性
2. 模型所要满足的要求与性能上的平衡
3. 模型在边缘设备上的应用案例
4. 未来“小”模型发展趋势
5. 24年“小”模型机会

第七阶段 · 多模态大模型开发

第三十六章：多模态大模型基础

1. 什么是多模态模型
2. 多模态的应用场景
3. DALLE-3与Midjourney
4. Stable Diffusion与ControlNet
5. 语音合成技术概述
6. 主流TTS技术剖析

第三十七章：多模态模型项目剖析

1. 多模态大模型最新进展
2. Sora对多模态大模型会产生什么影响
3. 案例：MiniGPT-4与多模态问答
4. 案例：BLIP与文本描述生成
5. 案例：Video-LLaVA与多模态图像视频识别

第三十八章：大模型的挑战与未来

1. 大模型技术局限性
2. 大模型的隐私性和准确性
3. 大模型和AGI未来
4. GPT商城的机会
5. 多模态的机会
6. 对于开发工程师未来的启示

一般掌握到第四个级别，市场上大多数岗位都是可以胜任，但要还不是天花板，天花板级别要求更加严格，对于算法和实战是非常苛刻的。建议普通人掌握到L4级别即可。

结语：抓住大模型时代的职业机遇

AI大模型的发展不是“替代人类”，而是“重塑职业价值”——它淘汰的是重复性、低附加值的工作，却催生了更多需要“技术+业务”交叉能力的高端岗位。对于求职者而言，想要在这波浪潮中立足，不仅需要掌握Python、TensorFlow/PyTorch等技术工具，更要深入理解目标行业的业务逻辑（如金融的风险控制、医疗的临床需求），成为“懂技术、懂业务”的复合型人才。

无论是技术研发岗（如算法工程师、研究员），还是业务落地岗（如产品经理、应用工程师），大模型都为不同背景的职场人提供了广阔的发展空间。只要保持学习热情，紧跟技术趋势，就能在AI大模型时代找到属于自己的职业新蓝海。

最近两年大模型发展很迅速，在理论研究方面得到很大的拓展，基础模型的能力也取得重大突破，大模型现在正在积极探索落地的方向，如果与各行各业结合起来是未来落地的一个重大研究方向

大模型应用工程师年包50w+属于中等水平，如果想要入门大模型，那现在正是最佳时机

2025年Agent的元年，2026年将会百花齐放，相应的应用将覆盖文本，视频，语音，图像等全模态

如果你对AI大模型入门感兴趣，那么你需要的话可以点击这里大模型重磅福利：入门进阶全套104G学习资源包免费分享！

扫描下方csdn官方合作二维码获取哦！

给大家推荐一个大模型应用学习路线

这个学习路线的具体内容如下：

第一节：提示词工程

提示词是用于与AI模型沟通交流的，这一部分主要介绍基本概念和相应的实践，高级的提示词工程来实现模型最佳效果，以现实案例为基础进行案例讲解，在企业中除了微调之外，最喜欢的就是用提示词工程技术来实现模型性能的提升

第二节：检索增强生成（RAG）

可能大家经常会看见RAG这个名词，这个就是将向量数据库与大模型结合的技术，通过外部知识来增强改进提升大模型的回答结果，这一部分主要介绍RAG架构与组件，从零开始搭建RAG系统，生成部署RAG，性能优化等

第三节：微调

预训练之后的模型想要在具体任务上进行适配，那就需要通过微调来提升模型的性能，能满足定制化的需求，这一部分主要介绍微调的基础，模型适配技术，最佳实践的案例，以及资源优化等内容

第四节：模型部署

想要把预训练或者微调之后的模型应用于生产实践，那就需要部署，模型部署分为云端部署和本地部署，部署的过程中需要考虑硬件支持，服务器性能，以及对性能进行优化，使用过程中的监控维护等

第五节：人工智能系统和项目

这一部分主要介绍自主人工智能系统，包括代理框架，决策框架，多智能体系统，以及实际应用，然后通过实践项目应用前面学习到的知识，包括端到端的实现，行业相关情景等

学完上面的大模型应用技术，就可以去做一些开源的项目，大模型领域现在非常注重项目的落地，后续可以学习一些Agent框架等内容

上面的资料做了一些整理，有需要的同学可以下方添加二维码获取（仅供学习使用）