20 张手绘图讲透 AI 核心概念，从神经网络到 Agent 一次看懂

最近 X 上有一组手绘 AI 科普图刷屏了，作者 @sairahul1 把从神经网络到扩散模型的 20 个核心概念，每个都画成一张一目了然的插图，配上简洁的英文解释。我把这 20 个概念翻译整理成中文版，加上自己的理解，方便大家收藏查阅

---

1. 神经网络 Neural Networks

大脑有神经元，AI 也有。输入层接收数据，经过若干隐藏层的运算，最终输出结果。学习的过程就是不断调整这些连接的权重

整个结构其实很朴素，输入进来，层层传递，输出出去。关键在于中间那些隐藏层，每一层都在提取不同层级的特征

2. 分词 Tokenization

模型不认识"文字"，它只认识数字。所以第一步是把一句话切成小块，每块对应一个数字编号

“She is playing football” 会被切成 She / is / play / ##ing / foot / ##ball 这样的 token。中文也类似，"人工智能"可能被切成"人工"和"智能"两个 token

3. 词嵌入 Embeddings

把每个 token 映射到一个高维空间里的坐标点。语义相近的词，坐标距离就近。Doctor 和 Nurse 挨着，King 和 Queen 挨着

这也是为什么大模型能理解同义词和类比关系。它不是靠字面匹配，是靠空间距离

4. 注意力机制 Attention

“She bought shares in Apple” 这句话里，Apple 是水果还是公司？模型通过注意力机制看整句话的上下文来判断。bought 和 shares 这两个词的权重很高，所以 Apple 被理解为公司

一个词的含义取决于它周围的词。注意力机制让模型能够动态地分配关注度

5. Transformer 架构

2017 年 Google 提出的架构，把上面的分词、嵌入、注意力全串起来，而且所有 token 可以并行处理。传统 RNN 一个词一个词地读，Transformer 一次读完整句话

这个架构是当前所有大模型的基础，GPT、Claude、Gemini、Llama 全都基于它

---

Part 2: 大语言模型是怎么工作的

6. 大语言模型 LLMs

本质上就是一个超大号的 Transformer，用海量文本训练出来。它的工作循环很简单：预测下一个词，检查对不对，调整参数，重复

GPT-4 有超过一万亿参数，训练数据覆盖互联网上大部分公开文本。但它的核心动作始终是"预测下一个 token"

7. 上下文窗口 Context Window

模型一次能看多少内容是有上限的。这个上限就是上下文窗口。早期的 GPT-3 只有 4K token，现在 Claude 3 已经到了 200K token，Gemini 更是做到了百万级别

窗口越大，模型能处理的信息越多，但计算成本也跟着涨。对于长文档分析、代码库理解这类任务，大窗口是刚需

8. 温度 Temperature

温度参数控制模型输出的随机性。Temperature = 0 时，模型每次都选概率最高的词，输出稳定可预测。Temperature 调高到 2，输出变得天马行空

写代码用低温度，写小说用高温度。大多数日常场景 0.7 到 1 之间就够了

9. 幻觉 Hallucination

模型会一本正经地编造事实。它的"自信"不等于"正确"。问它一个不存在的论文标题，它可能会编出完整的作者、期刊和摘要

这是当前大模型最大的可靠性问题。缓解方法包括 RAG（后面会讲）、多路验证、让模型说"我不确定"

10. 提示工程 Prompt Engineering

同一个模型，给它不同的提示词，输出质量差异巨大。一个含糊的提示和一个结构清晰、包含示例的提示，结果可能天差地别

好的提示包含三个要素：角色设定、具体任务描述、输出格式要求。这也是为什么"提示工程师"成了一个新职位

---

Part 3: AI 模型是怎么变强的

11. 迁移学习 Transfer Learning

从零训练一个模型要花几个月和几百万美元。迁移学习的思路是：拿一个已经训练好的基础模型，用少量新数据微调一下，就能适应新任务

训练成本从几百万降到几千块，时间从几个月缩短到几天。这也是为什么开源基础模型（Llama、Mistral）对行业这么重要

12. 微调 Fine-Tuning

在基础模型上用特定领域的数据继续训练。同一个底座模型，微调出来可以变成医疗助手、法律顾问、代码生成器

微调不改变模型的核心架构，只是调整参数权重。类似于一个全科医生去进修某个专科

13. RLHF 人类反馈强化学习

训练出来的原始模型可能会说有毒的话或者给出错误的信息。RLHF 的做法是：让模型生成多个回答，人类标注员选出最好的那个，模型根据这些偏好反馈来调整自己

这个过程重复成千上万次，原始模型逐渐变成一个对齐人类偏好的助手。ChatGPT 能好用，RLHF 功不可没

14. LoRA 低秩适配

全量微调一个大模型需要更新所有参数，代价太高。LoRA 的思路是冻结原始模型的所有参数，只在旁边加一小组可训练的"适配器"

效果几乎一样，成本降低 100 倍。现在社区里大量的开源微调模型都是用 LoRA 做的

15. 量化 Quantization

把模型参数从 32 位浮点数压缩到 8 位甚至 4 位整数。一个 70GB 的模型可以压缩到 4GB 左右，在笔记本上就能跑

精度会有一点损失，但对大多数应用场景来说几乎感觉不到。这也是为什么现在手机上也能跑大模型了

---

Part 4: 真实 AI 系统是怎么搭建的

16. RAG 检索增强生成

让模型在回答前先去检索相关资料，然后基于检索结果生成答案。先查再答，不是凭记忆编

RAG 大幅降低了幻觉率，而且知识可以实时更新，不需要重新训练模型。企业级 AI 应用几乎都在用这个架构

17. 向量数据库 Vector Databases

传统数据库按关键词搜索，向量数据库按语义搜索。搜"如何提高效率"也能匹配到"提升生产力的方法"

这是 RAG 架构的核心组件。把文档切块，每块转成向量存进数据库，查询时用语义相似度来召回最相关的内容

18. AI Agent 智能体

传统的 LLM 只能对话，Agent 能行动。它有一个思考-行动-观察-重复的循环：接到任务后自己拆解步骤，调用工具执行，观察结果，再决定下一步

2025 年是 Agent 爆发的一年，从 Manus 到 Claude Code，从 Cursor 到 Devin，能自主完成复杂任务的 AI Agent 正在重塑工作流

19. 思维链 Chain of Thought

直接问 AI “17 x 24 = ?” 它可能算错。但如果让它分步思考（17x20=340，17x4=68，340+68=408），正确率大幅提升

同一个模型，给更多"思考空间"就能给出更好的答案。这也是 o1、o3、Claude 3.5 Sonnet 等推理模型的核心原理

20. 扩散模型 Diffusion Models

Midjourney、DALL-E、Stable Diffusion 背后的技术。训练时把图片逐步加噪声直到变成纯噪点，推理时反过来，从噪点一步步还原出图片

文本生成图片的关键在于：用文字描述来引导去噪的方向。同样的噪点，不同的文字提示，生成完全不同的图片

---

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。

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👇👇

最后

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】