本文深度剖析大模型算法工程师的11个核心方向，包括推理训练、Agentic Search、Agent/Tool Use等，并按梯队划分其发展前景。重点分析了各方向的技术难点与未来趋势，如开放域推理奖励设计、长链路推理稳定性、多模态后训练等。文章强调RL训练能力的重要性，并针对校招与社招提出选方向建议。最后指出面试重点转向项目深度与业务链路闭环，coding和系统设计权重上升，建议求职者根据岗位方向进行针对性准备。

我最近几个月面了不少人，也被不少人问过同一个问题：现在入行大模型算法，到底该选什么方向？

我翻了一圈各家最近的JD，也跟几个在字节、阿里做招聘的朋友聊了聊。把我的判断整理出来，不一定全对，但至少是一线视角。

下面11个方向都围绕模型能力本身，RL训练、SFT、Reward设计、数据工程这些。大厂JD通常写"大模型算法工程师"“LLM Research Engineer"或者"AI Scientist”。我按自己的判断分了个梯队，你对照着看哪个跟自己的背景和兴趣最匹配。

---

第一梯队：HC最多、确定性最强

1. 推理能力训练（Reasoning）

2026年HC最多的方向，没有之一。字节Doubao、阿里通义、腾讯混元、DeepSeek、智谱，全在这上面砸人砸GPU。

训练模型的推理能力，RLVR基本流程已经是标配了，各家卷的是更深层的问题。开放域推理的奖励怎么设计？推理链超过10步以后策略为什么会崩溃？模型怎么判断"这个问题值不值得想这么久"？

我觉得最有意思的课题：

开放域推理的奖励设计。数学和代码有标准答案，奖励好给。但逻辑分析、常识推理这些没标准答案的场景怎么办？前沿做法是混合多种奖励信号——可验证的部分用规则，主观偏好用RM，过程质量用PRM。三者怎么加权、怎么避免互相干扰，还没有人真正解决得漂亮。2026年一个值得关注的趋势是Constitutional Reward——用一组原则规则自动派生reward信号，减少对人工偏好标注的依赖，但校准难度极高。

长链路推理的稳定性。推理链一长，策略崩溃、奖励稀疏、遗忘全来了。头部团队有个共识：崩溃的根因通常不在RL算法本身，而在reward的稀疏性和KV cache的管理。 面试时能讲清楚这两个点的人，跟只会背GRPO原理的人，评分差一个档次。

推理预算分配（Test-Time Compute Scaling）。不是所有问题都需要长推理。简单问题快速出答案，复杂问题多分配token，直接影响推理成本和体验。Adaptive Depth、Thinking Budget Controller、Speculative Reasoning几种做法都还在探索。

Reward Hacking的深度对抗。模型学会了各种刷奖励的取巧策略，花样层出不穷——重复搜索刷检索奖励、模糊回答骗LLM-Judge、格式正确但内容空洞、通过不断self-reflection刷过程奖励。2026年的对抗手段已经从简单的reward clipping升级到多RM交叉验证+行为指纹检测+动态reward衰减。

RL算法本身的迭代。GRPO不是终点。GRPO的token-level变体、Iterative DPO与Online RLHF的融合、Advantage-weighted Regression的回归……这些工程细节论文上不写，但直接决定训练效果。

自我改进与数据飞轮。用模型自己产出的高质量轨迹做SFT回训，再做RL继续提升。关键是筛选标准怎么定，多轮迭代后数据多样性怎么保持。2026年的核心挑战是模型坍缩（model collapse）的早期检测——自生成数据分布开始收窄时，怎么用混合外部数据或重新引入探索噪声拉回来。

推理能力的跨域迁移。工业实践表明，数学→代码的迁移效果显著，但代码/数学→开放域的迁移依然困难，原因是开放域缺乏统一的验证信号。这又把问题推回了开放域奖励设计。

面试考的不是你跑没跑过GRPO。面试官真正看的是：你能不能设计和迭代多维度reward，你有没有分析过长链路训练中的崩溃模式并定位到具体原因（是reward sparse、是KV cache OOM、还是policy entropy collapse），你理不理解过程奖励和结果奖励在不同training stage的组合策略。头部大厂的高频考察点是：给你一个具体的reward hacking案例，你怎么诊断、怎么修。

竞争很激烈。能背GRPO原理的人一大把，但在开放域奖励设计和长链路稳定性上真有深度的人，没几个。

2. Agentic Search训练

增长第二快的方向。注意，传统RAG pipeline的算法岗位基本消失了，现在都叫Agentic Search。

变化在于，搜索能力被内化成模型推理的一部分，不再是外挂一个检索模块。模型要自己判断什么时候该搜、搜什么query、搜到的结果靠不靠谱。

两种产品形态。一种是独立的AI搜索入口（豆包搜索、淘宝AI万能搜），用户直接对着AI提问。另一种是App内的Search Tool优化，模型在对话过程中自己调搜索。

具体做什么：

搜索Agent的RL训练，包括知识边界感知、搜索触发决策、多轮搜索策略。前沿是自适应搜索深度，模型根据问题复杂度和已有信息的充分度，动态决定搜几轮、每轮搜多少条。不是简单的if-else规则，是RL训练出来的策略。

检索质量奖励+证据奖励。不只是搜了，还要确保模型真用了检索结果。我觉得最被低估的课题是幻觉锚定：模型明明搜到了正确信息，回答时还是编造。或者搜到多个矛盾信息时选择性忽略。这类行为的reward设计需要细粒度的citation grounding评估。

信息提炼与事实核查。多源信息冲突消解（不同来源说法不一致时怎么处理）是目前最活跃的研究点。

推理-检索深度集成。搜索不再是"插入式"操作，Interleaved Reasoning-Retrieval（推理中间步骤触发检索，检索结果影响后续推理路径）是当前主流架构。

面试高分项：你做过的Agentic Search系统在citation准确率和hallucination rate上的指标，以及你用了什么reward信号来优化这些指标。

方向很热但候选人池子小，懂搜索又懂RL训练的人不多，属于供不应求。 传统搜索/推荐背景转型做这个有天然优势。

3. Agent / Tool Use训练

从概念验证进入了生产化阶段。几乎所有重量级App都在投资源，而且相对容易做出可量化的成果。

变化路径：从"调一个工具"到"编排一条工具链"再到"在真实环境完成多步任务"。MCP和A2A协议的标准化正在重塑技术栈。

几个细分：

工具调用的SFT数据构造。进展是环境交互式数据合成，不再是静态构造tool-call轨迹，而是让模型在沙盒环境中实际执行工具链，基于执行结果自动生成正负样本。

轨迹级RL训练。在真实工具环境中做rollout，用最终任务完成率作为奖励。难点在于工具调用的延迟和不确定性：外部API可能超时、返回格式变化、甚至直接挂掉，RL训练需要handle这些真实场景。

多Agent协作训练。趋势是角色分化训练：先用同一个base model，通过不同的RL reward分化出planner/executor/critic三个角色，再做联合训练。

MCP/A2A协议兼容性训练。模型要学会解析和调用标准协议定义的工具接口，理解schema描述，在协议约束下完成任务。这是新增的重要课题。

面试里区分度最高的问题就几个：你的Agent在真实环境任务成功率多少？失败案例的root cause分析做了哪些？reward信号怎么跟任务成功率对齐？能回答这些的人和只搭过demo的人，面试评分差距巨大。

竞争偏高。面试官对"真Agent训练"和"套LangChain写demo"分得很清楚。

---

第二梯队：需求明确、性价比高

4. 奖励模型 / 评估模型（Reward Model / Judge）

越来越独立的方向了，从RLHF的附属品变成了独立研究和工程方向。重要性被拉高的原因很直接：随着推理训练的深入，RM的质量直接成了模型能力的天花板。 你的RL训练再牛，RM不行，模型能力就卡在那里。

训练用于评估模型输出质量的判别器——可以是判别式RM、生成式Judge，或者针对特定维度的专项评估器。

判别式RM训练：核心问题是RM的泛化性与退化。RM在训练数据分布内表现好，但policy一旦偏离训练分布，RM评分就不可靠了。Iterative RM re-training（随policy更新同步更新RM）是当前的标准做法。

生成式Judge：用大模型做评估。2026年前沿是结构化评估（拆成多个独立维度分别打分再加权）和自洽性检验（同一Judge对同一输出多次评估的一致性作为置信度估计）。

PRM（过程奖励模型）：给推理每一步打分，跟方向1深度耦合。

安全评估器：2026年jailbreak对抗进入新阶段——多模态jailbreak（通过图片/音频绕过文本安全层）的检测和防范。

多模态Judge：2026年新增重点——对VLM输出的图文一致性、视觉理解准确性、多模态幻觉的评估。

面试中，对RM局限性的认知（比如reward over-optimization、length bias、position bias）往往比RM训练流程本身更能拉开分数。

竞争中等偏低。方向重要但知名度不高，很多人压根不知道这是一个独立方向，也正因为如此，进去了反而不卷。

5. 对齐与安全（Alignment & Safety）

稳定需求，不会爆发式增长但一直有HC。随着各地AI监管法规落地（欧盟AI Act、国内《生成式人工智能服务管理暂行办法》细则），安全合规团队编制有所扩充。

这个方向说实话有点拧巴。让模型输出符合人类价值观，不输出有害内容、不过度拒绝、遵循指令、保持一致性。听起来清楚，做起来全是矛盾。

对齐算法格局已经稳定了：DPO及其变体（IPO、cDPO）在效率和稳定性上的优势使其成为多数团队的默认选择，PPO-based RLHF退为需要细粒度控制时的备选。

最头疼的问题是过度安全。用户投诉"模型什么都不能回答"的频率在上升，安全团队需要精细化的分级拒绝策略。安全做多了用户骂，做少了出事故，中间那条线很难踩。

Red teaming方面，自动化红队（用模型攻击模型，结合遗传算法/梯度优化自动生成对抗性prompt）是当前方向。

加分项：对AI监管法规有理解，能把合规要求翻译成技术指标。

竞争不高。需求稳定但不大，而且很多团队把安全工作分散在各子方向内，不单独设岗。想专门做这个方向，要找对团队。

6. 多模态后训练（Multimodal Post-Training）

增长中，2026年增速明显提升。原因是各家都在从"纯文本模型"全面转向"原生多模态模型"。门槛较高。

在VLM上做后训练——图文理解、视觉推理、多模态Agent。2026年的关键变化是视频理解和实时多模态交互成为新核心课题。

视觉CoT（Chain-of-Thought）——让模型在图片上"一步步看"，先定位关键区域、再提取信息、最后推理，整个过程可追溯。

Streaming Video Understanding——模型能实时处理视频流、在关键时刻自动触发分析，不再只能处理预切好的视频片段。

多模态推理训练——在VLM上做reasoning RL，reward设计需要同时考虑文本和视觉两个模态的正确性，是方向1在多模态维度的延伸。

语音-文本-视觉三模态联合——随着GPT-4o模式的产品形态成为标配，三模态联合后训练的需求在爆发。

竞争中等。方向在增长但候选人池子更小，有相关经验的人很容易拿到好offer。如果你之前做过视觉相关的课题，往这个方向靠会顺很多。

7. 后训练数据工程（Data Engineering for Post-Training）

被严重低估的方向。大部分候选人觉得"做数据"不够酷不愿意投，但这恰恰是团队最急需的人。RL算法趋同的背景下，数据质量的边际收益远高于算法创新。 数据就是决定胜负的变量。

后训练的数据构造、筛选、清洗、配比——直接决定训练效果的上限。

Skill-Targeted Data Synthesis——根据模型在各能力维度的短板定向合成补强数据。从能力诊断到数据处方到效果验证，需要一套完整闭环。

RL数据挖掘：用reward信号定位模型薄弱点，定向补充训练数据。

偏好数据的构造和清洗：2026年前沿做法是动态偏好标注——标注标准随训练阶段调整，早期侧重基本质量、后期侧重细粒度偏好。

数据污染检测：2026年挑战升级，开源社区的数据集互相引用、合成数据和评测数据的来源交叉，污染路径越来越隐蔽。

多模态数据的规模化处理：图文、视频、音频数据的清洗和标注工具链建设，2026年各大厂的重点投入方向。

面试时能讲清楚"你怎么判断一批数据好不好"“数据配比怎么调”“训练效果异常时怎么从数据角度排查”，这些回答的质量基本决定一切。

竞争很低——大部分人觉得不够高大上不愿意投，但这恰恰意味着你去了就是团队急需的人。

---

第三梯队：窗口期好、先发优势大

8. 长记忆训练（Memory）

我个人今年最看好的方向之一。大部分人还没反应过来。2026年Memory的内涵已经从"上下文窗口扩展"转向了Agentic Memory系统。

分层记忆架构：工作记忆（当前会话的短期上下文）、情景记忆（关键交互事件的压缩存储）、语义记忆（用户画像和知识图谱的长期沉淀），三层的读写、更新、遗忘策略各不同。

最有意思的课题是选择性遗忘——不是所有信息都值得记，模型需要学会忘掉过时的、矛盾的、低价值的东西，这本身需要一个RL训练的遗忘策略。

Memory-Augmented Reasoning——在推理过程中动态检索相关记忆，将记忆作为推理上下文的一部分。Claude、ChatGPT、Doubao都上线了类似功能，但坦率讲效果参差不齐，没有谁做到真正好用。

Workspace Memory——2026年新增的重要课题。模型在执行复杂任务（Deep Research、长代码项目）时需要维护一个任务级别的"工作区"来跟踪进度、中间结果、待处理事项。跟对话级记忆的设计逻辑完全不同。

竞争中等偏低——先进场的人优势会很明显。

9. Deep Research / Long-Horizon规划

跟Memory相关但本质不同的独立方向。2026年随着各家Deep Research产品上线（Claude、Gemini、Doubao），从研究探索进入了产品化阶段。

让模型能针对一个复杂问题做数小时级别的深度调研——自主规划研究路径、多轮迭代搜索-阅读-分析-总结，最终生成结构化的长篇报告。

研究路径规划——当搜索结果推翻之前的假设时，模型需要实时调整研究计划，这要求规划能力和反思能力的深度结合。

Long-Horizon RL——轨迹可能长达数十步甚至上百步，传统RL的credit assignment完全失效。主流方案包括层次化RL（高层规划者产出子目标、底层执行者完成子任务）和Goal-Conditioned RL（用中间里程碑作为辅助奖励信号）。

长报告的评估——2026年趋势是原子化评估，把长报告拆成原子声明，逐条核查事实性、标注来源、检测逻辑跳跃。

跟Agentic Search的区别：Agentic Search解决"搜得准"，Deep Research解决"研究得深"——前者是几轮搜索，后者是几十轮的迭代规划。

竞争很低——产品和代码虽然有不少了，但对深度研究来说还没有形成终极方案，学术界和工业界都在摸索，正是做突破的好时机。

10. 代码Agent（Code Agent）

从"代码生成"升级为"自主编程Agent"。爆发速度超出大部分人预期。Cursor、Claude Code、Devin、通义灵码这些产品DAU在指数级涨，各大厂纷纷加码。

训练模型自主完成软件工程任务——理解需求、规划方案、写代码、跑测试、调试修复、提交PR，完整闭环。

代码Agent的RL训练——SWE-bench类任务的训练环境标准化，各家建了大规模代码仓库沙盒，模型可以在数千个真实repo中做RL训练。

多轮调试链——模型不只是看报错信息，还能主动添加logging、分析运行时状态、甚至回溯git history定位regression。

仓库级别的上下文理解——大型代码仓库（100k+行）的上下文远超context window，怎么用检索+摘要+结构化索引让模型在有限上下文内理解整个项目。这把RAG和代码理解揉在了一起。

这个方向的特殊之处在于，纯ML背景但不懂软件工程的人做不了。 同时有CS工程能力和ML背景的人极度稀缺，两边都有的话天花板很高。

面试越来越务实：你训的代码Agent在SWE-bench上的resolve rate是多少？reward信号除了测试通过率还有什么？代码质量怎么量化评估？

11. 生成式搜索与推荐（Generative Search & Recommendation）

传统搜索/推荐团队和大模型团队的交叉地带，正在快速扩张。

用大模型重构搜索和推荐的核心链路——不是在搜索结果上面套一层LLM做摘要，而是用生成式模型直接参与召回、相关性判断、排序。

落地现状说实话有点分裂：

召回侧已经全面落地了，用大模型做query理解和语义召回效果显著优于传统方法，延迟也在可接受范围。2026年进展是多模态召回——在电商、内容平台上用VLM做图文联合召回。

相关性和排序是最大的卡点。大模型做排序效果很好，但latency是个巨大瓶颈——传统排序模型几毫秒搞定，LLM排序动辄几百毫秒到秒，在线服务扛不住。

折中方案：用大模型离线做标注/蒸馏，训练轻量级排序模型上线。或者只在rerank阶段对top-k结果用LLM精排。2026年新趋势是投机排序（Speculative Ranking），类似投机解码的思想，用小模型快速初排、仅对高不确定性的候选用大模型精排。

个性化生成式推荐是2026年新方向——LLM不仅排序候选内容，还能生成个性化的推荐理由、基于用户画像动态组合内容。

竞争中等——跨界门槛高，传统搜推的人不懂LLM训练，LLM的人不懂搜推系统，两边都搭上的人很抢手。

---

怎么选方向？我的建议

校招

优先方向1（推理训练），技术成长和薪资上限都是最高的。推理训练方向的tech lead普遍级别高、资源充足，进去之后能接触到的技术深度和实验规模是其他方向比不了的。而且RL训练、reward设计、训练稳定性这些经验可迁移——换到Agent、搜索、代码任何一个方向都能用。

然后是方向2和3（Agentic Search / Agent Tool-Use训练），需求大但竞争没方向1那么卷。有搜索或工具调用相关课题的同学很容易脱颖而出。

偏research背景的同学，可以投方向8（Memory）和方向9（Deep Research）。这些方向暂时还没形成终极方案，学术界和工业界都在摸索，正是出论文和做突破的好时机。再过一两年方向成熟了，先发优势就没了。

想赌未来的去方向10（代码Agent）。代码Agent正在重塑整个软件工程的工作方式，需求在爆发式增长，但学术界的研究还跟不上工业界的需求。如果你同时有CS工程能力和ML背景，天花板很高。

社招

首选方向2（Agentic Search）和方向3（Agent训练），供不应求、薪资溢价高。如果你在上一家做过搜索Agent或Tool Use的完整训练闭环，从数据构造到reward设计到训练调参到上线评估都走过一遍，这种经验直接平移，面试评分通常不低。

方向11（生成式搜索推荐）HC也够，但薪资溢价会低一些——因为这个方向更多是传统搜推团队在转型，薪资体系还沿用搜推标准。好处是竞争温和，传统搜推背景补上LLM训练的短板就很有竞争力。

方向10（代码Agent）对有强工程背景的社招特别友好。很多做了几年后端/基础架构的工程师，转型做代码Agent反而比纯ML背景的人更有优势——这个方向需要的不只是模型训练能力，更需要对真实软件工程流程的深度理解。

方向7（数据工程）不激进但非常稳。社招里有一类画像很吃香：在大厂做过大规模数据处理、理解数据质量对训练效果的影响、有过从"数据问题"反推"训练问题"的经验。这种人不愁找工作。

---

面试的几个信号

从最近的面试情况看，几个趋势很明显：

八股文权重在持续下降，项目深度才是胜负手。 最忌讳的是项目重复度高——换个数据集跑一遍、把开源repo魔改一下。面试官每周面几十个人，一眼就看穿。

"业务链路闭环"的考察权重涨了很多。 面试官不只问你用了什么算法，更关心你的方案在线上效果怎么样、上线后遇到什么问题、怎么发现和解决的。能讲一个从训练到上线到迭代的完整故事，比只能讲论文复现值钱得多。

coding和系统设计的权重在上升。 算法岗不再只考论文理解和模型原理了，越来越多的面试包含LeetCode编程题（中等难度为主）和系统设计题（比如"设计一个reward model的在线服务架构"）。纯理论型候选人coding不过关，在一线大厂直接被刷。

准备面试最有效的一条：搞清楚你投的岗位属于哪个方向。 不同方向面试重点完全不同。推理训练考RL和reward设计，Agent训练考多步决策和tool use，数据工程考数据质量分析和pipeline设计。盲投加通用准备，是效率最低的方式。

最后准备一个"技术判断力"的例子。面试官最想看的不是你执行了什么，而是你在不确定的情况下做了什么决策、为什么。比如：“我在两种reward设计方案之间选了A而不是B，因为B在我们的场景下会导致reward hacking，具体表现是……”——这种回答比单纯描述方案本身有价值得多。

最后说点个人感受。这两年大模型行业变化太快，我写的这些判断可能半年后就得更新。但有一个大方向我比较确定——RL训练能力是算法赛道的硬通货。 方向可以换，底层能力攒下来不会浪费。

最后

2026年技术圈的分化愈发明显：降薪裁员潮持续蔓延，传统开发、测试等岗位大批缩水，不少从业者陷入职业焦虑；与之形成鲜明对比的是，AI大模型相关岗位迎来疯狂扩招，薪资逆势飙升150%，大厂更是直接开出70-100W年薪，疯抢具备实战能力的大模型人才，甚至放宽年龄限制，只求能快速落地技术、创造价值！

很多程序员、职场新人纷纷入局大模型领域，绝非盲目跟风，而是实实在在看到了不可替代的价值优势，这也是2026年最值得抓住的职业风口：

1、窗口期红利，入门门槛友好：不同于成熟赛道的“内卷式招聘”，2026年大模型人才缺口巨大，简历只要达标（掌握基础AI应用+具备简单项目经验），年龄、学历均非硬性要求，小白可快速入门，转行程序员也能无缝衔接；

2、技术可复用，上手速度翻倍：如果你有前后端开发、测试、数据分析等基础，在大模型落地、系统部署、Prompt工程等环节会更具优势，无需从零开始，复用原有技术能力就能快速进阶；

3、懂业务更吃香，竞争力翻倍：单纯懂技术已不够，2026年大厂更看重“技术+业务”的复合型人才，有垂直领域（金融、医疗、工业等）经验者，能精准定位模型落地痛点，薪资比纯技术岗高出30%以上；

更重要的是，即便没有转型需求，用AI大模型工具为工作赋能、提升效率，也已经成为80%企业的硬性要求——不会用大模型提效，未来很可能被行业淘汰！

那么2026年，小白/程序员该如何高效学习大模型？

很多人想入门大模型，却陷入两大困境：要么到处搜集零散资料，不成体系，越学越懵；要么被收费高昂的课程割韭菜，花了钱却学不到实战技能，白白浪费时间走弯路。

今天就给大家精心整理了一份2026年最新、免费、系统化的AI大模型学习资源包，覆盖从零基础入门到商业实战、从理论沉淀到面试通关的全流程，所有资料均已整理归档，无需拼凑，直接领取就能上手学习，小白可照做，程序员可进阶！

👇👇扫码免费领取全部内容👇👇

1、大模型系统化学习路线

这份学习路线结合2026年行业趋势和新手学习规律，由行业专家精心设计，从零基础到精通，每一步都有明确指引，帮你节省80%的无效学习时间，少走弯路、高效进阶，避免踩坑。

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、大模型学习书籍&电子文档

涵盖2026年最新技术要点，包括基础入门、Transformer核心原理、Prompt工程、RAG实战、模型微调与部署等内容

4、AI大模型最新行业报告

报告包含腾讯、阿里、甲子光年等权威机构发布的核心内容，还有2026年中文大模型基准测评报告、AI Agent行业研究报告等，帮你站在行业前沿，把握技术风口。

5、大模型项目实战&配套源码

项目包含Deepseek R1、GPT项目、MCP项目、RAG实战等热门方向，还有视频配套代码，手把手教你从0到1完成项目开发，既能练手提升技术，又能丰富简历，为求职和职业发展加分。

6、2026大模型大厂面试真题

2026年大模型面试已全面升级，不再单纯考察基础原理，而是转向侧重技术落地和业务结合的综合考察，很多程序员和新手因为缺乏针对性准备，明明技术不错，却在面试中失利。

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👇👇

7、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】