大模型應用開發零基礎學習路線：基礎理論、核心技術、高階應用開發

Part.1

AI工程師都要會些什么？

大語言模型（Large Language Model，LLM）技術的興起，正在深刻影響軟件的形態，開發者的工作也從實現業務邏輯、構建獨立應用，轉向以LLM為底層引擎快速搭建智能應用的模式。

當下，傳統軟件也許都要基于AI重寫一遍，而這對開發者提出了新的要求：開發者要從單一的代碼編寫者成為駕馭大模型能力的AI工程師。那么，要如何修煉自己的LLM開發技術棧呢？

首先是深入理解當前主流大模型的核心架構——Transformer模型，明晰自注意力機制如何捕捉文本語義、多頭注意力如何并行處理信息，這是自定義大模型結構的基礎。

接著要知曉LLM可能存在的不足之處，通過提示詞工程、微調、檢索增強生成（Retrieval-Augmented Generation，RAG）等技術工具解決知識過時問題。

此外，還要掌握框架工具的使用，例如LlamaIndex、LangChain等，學會編排大模型應用，比如構建“檢索 + 生成”的問答系統。最后是構建智能體驅動LLM自主決策，部署LLM應用并監控其穩定運行。

針對這些知識，小白要學多久才能上手干活？只需讀完《動手構建大模型》這本書即可。全書沒有廢話，講完必要的理論，直接手把手給出實操案例，讀者照著書做便能積累實戰經驗，在工作中邊用邊提升，穩步成長為LLM應用開發實戰高手。

▼點擊下方，即可購書

事不宜遲，這就動手開始學吧。

Part.2

零基礎進階大模型實戰高手

本書為讀者規劃了一條循序漸進的學習路線，零基礎也能輕松上手。書中內容分為三大篇：基礎理論篇解讀LLM的概念、核心架構及其不完美之處；核心技術篇詳解提示詞工程、RAG、LLM框架工具；高階應用篇講透高級RAG、Agent（智能體）、微調、LLM部署與優化。

為獲得更好的學習體驗，讀者需要具備簡單的Python編程知識，并在計算機上搭建一個版本高于3.8.1的Python編程環境，以使用Visual Studio Code工具。在學習過程中一定要積極動手實踐，從而快速吸收所學知識。

我們現在正式踏上學習之旅。

基礎理論篇

開篇用通俗的語言拆解LLM的組成結構，從Transformer架構的核心邏輯，到分詞、嵌入、上下文窗口這些基礎概念，梳理LLM的發展簡史，并給出用GPT-3.5 API做翻譯、通過小樣本學習控制LLM輸出的實戰小項目。

接著深入講解Transformer架構，闡釋“Attention Is All You Need”論文的核心內容，拆解編碼器 - 解碼器、僅解碼器等設計選擇，對比專有模型與開源模型，還列出了LLM在商業、醫療、教育等9大領域的應用場景。

最后解釋了LLM產生幻覺（生成錯誤信息）、偏見等問題的根源，并給出應對之道：通過控制輸出格式、調整解碼方法減輕幻覺，用基準測試評估模型性能。

核心技術篇

打好基礎之后，本篇就聚焦LLM應用核心技術，教大家如何與LLM對話，向其輸入特定數據，建立知識庫。

首先，講透提示工程的核心技巧：

零樣本提示：不提供示例，直接讓模型完成任務。

上下文學習和小樣本提示：給出一些示例，提示模型給出符合期望的回答。

思維鏈（CoT）提示：驅使LLM逐步思考，以提供推理能力。

角色提示：給模型設定身份，獲得專業方向的精確回答。

然后，以RAG手段解決LLM知識過時、產生幻覺等問題，詳解從頭構建RAG管道，把文檔轉成嵌入向量、存進向量數據庫、查詢時讓模型結合檢索結果生成答案，從此大模型便能引用專屬數據，生成準確內容。

接著，介紹LangChain和LlamaIndex兩大框架的用法，用兩個項目實戰演示：構建新聞摘要器、使用LangChain構建 LLM驅動的應用。動手跟著做一遍，就能秒懂如何搭建LLM應用的骨架。

▲新聞文章摘要器的工作流程

將上述工具和框架綜合運用，書中給出了貼近真實場景的項目開發實例：

用LangChain做知識圖譜：從文本中提取關聯關系，讓LLM輸出更加結構化。

搭建客服問答機器人：把專業領域知識投放給模型，用戶提問時自動匹配答案，解放人工。

做YouTube視頻摘要器：用Whisper轉語音為文本，再讓LLM生成摘要，多模態應用輕松實現。

▲基于文本數據創建知識圖譜的工作流程

這些項目都提供了Google Colab Notebook方式，“開箱即練”，可以直接在云端運行，不用本地配置復雜環境，方便學習并獲得反饋。

高階應用篇

能用工具干活了，接下來學習解決難題、優化性能、部署上線，覆蓋企業級應用的全流程。

首先重點講解基于LlamaIndex的高級RAG技術，包括嵌入模型與LLM微調、RAG監控與評估、混合檢索與嵌入向量檢索。LlamaIndex查詢環節，涵蓋查詢構建、查詢擴展、查詢轉換、重排序、遞歸檢索以及從小到大的檢索邏輯。

還介紹了RAG評估方法，教你如何衡量檢索效果。這些都是企業評估LLM應用的標準流程，掌握后即可與專業工程師對齊。

▲RAG系統中的檢索評估指標

智能體是大模型的進階形態，能自主調用工具、規劃任務。書中給出多種智能體構建案例：用OpenAI Assistants做分析助手、用 LlamaIndex做數據庫查詢智能體，還講解了AutoGPT、BabyAGI等經典智能體的原理。

如果API調用的通用模型滿足不了需求，就需要使用微調技術，書中講透了LoRA、RLHF等微調技術，并給出詳細的行業案例，包括用醫療數據微調LLM、用金融數據做情感分析。

▲RLHF過程的可視化示意圖

最后講解模型部署上線步驟，部署優化環節涵蓋使用模型量化、剪枝、蒸餾、投機解碼，還演示了在谷歌云CPU上部署量化模型的具體過程。

至此，讀者完成了AI工程師的能力閉環。

作者團隊介紹

本書作者團隊有著深厚的學術積淀、一線工程實戰經驗與教育傳播能力。他們創作本書，旨在為讀者打開LLM工程應用的大門，讓更多人參與用AI技術改變世界的行動中。

路易斯 - 弗朗索瓦?布沙爾 蒙特利爾學習算法研究所醫學人工智能博士，2020年起擔任初創公司AI部門負責人，組建團隊推進早期計算機視覺研發項目，開設個人YouTube頻道分享AI知識，專注于AI現實應用落地。

路易?彼得斯 擁有帝國理工學院物理學專業背景，曾就職于摩根大通集團從事投資研究。他現任Towards AI首席執行官，密切關注AI帶來的顛覆性社會影響和經濟影響，持續推動AI在更多實際場景中落地的技術突破。

Towards AI 的使命是通過課程、博客、教程、新聞、圖書和Discord社區，讓AI技術觸手可及。自2019年以來，已經幫助超過40萬人了解AI知識。

Part.3

結語

對于技術人來說，要想盡快讓LLM為業務賦能，就一定要動手真刀真槍地干起來。《動手構建大模型》提供了最直接的實操過程，不繞彎子，精準解決各類實際智能化應用需求。

本書最大特點是實戰導向、項目驅動學習，代碼完整可復用，案例豐富多元。每章均配套“小案例 + 大項目”，且項目貼合真實業務場景。

基礎階段：GPT-3.5 API翻譯、小樣本學習控制輸出，助力新手快速上手；

核心階段：新聞摘要器、客服問答機器人、YouTube視頻摘要器，覆蓋文本處理、多模態交互等高頻需求；

高級階段：醫療數據微調 LLM、谷歌云部署量化模型，直接對標企業級任務。

書中語言通俗易懂，方便零基礎學習者快速入門，每章固定設置理論講解、代碼演示、項目實戰模塊，不同層次的讀者可以快速定位自己的核心內容，切實掌握技術并應用落地。

▲精彩書摘

另外，本書學習體驗優異，提供Google Colab Notebook，所有項目代碼均適配云端環境，讀者無須本地配置復雜依賴，復制鏈接即可運行，大幅降低實踐門檻。

配套資源豐富，在towardsai.net/book提供代碼倉庫、requirements.txt依賴清單、研究論文鏈接，且代碼定期更新以適配LLM生態變化，確保可復現性。

▲代碼示例

無論是想從傳統程序員轉型AI工程師，還是需要落地大模型應用的企業工程師，又或者是高校相關專業的師生，都能在書中找到對應學習模塊，從理論到實踐全貫通。

吃透理論，熟練應用，《動手構建大模型》助你零基礎進階大模型實戰高手！