程序员系统入门大模型的路径和资源，看这篇就够了

标签：入门 AI 模型 LangChain 程序员 only 这篇 LLM 向量

本篇文章面向对大模型领域感兴趣，又不知如何下嘴的程序员。

看一下围绕大模型的应用场景和人才需求：

**Prompt工程：**基于提示词对大模型的使用，会问问题就行。

**基于大模型的应用（狭义的）：**通过预设一些Prompt的方式做业务层应用，俗称大模型套壳。AI主播、AINPC、AI小助手。。。之前是会调API就行。现在有了GPTs，连调用API都可以不用了，动动嘴就可以实现应用生成。

在这里插入图片描述

私有知识库：用RAG技术给大模型配个“资料袋”**——**大模型外挂向量数据库。

**AI Agent：**给大模型“大脑”装上记忆体、手和脚，让它可以作为智能体进行自主决策、任务拆解和执行。

**微调大模型：**基于基座大模型的Fine Tuning。

**训练大模型：**大模型训练，高端赛道的角逐。

因此普通程序员研究大模型，不妨选择从外到内的思路，从套壳应用，再了解部署、微调和训练。

前导篇

Python

Python：AI领域最常用的编程语言。要学会基础语法、数据结构等。Python不难，对于一般程序员来说很容易上手。

向量数据库

随着AI的发展进入新的时代，知识的存储和表示就和向量分不开了。向量这个数学表达，在目前是人与AI交互的中间媒介。向量数据库是一种特殊的数据库，它以多维向量的形式保存信息。让大模型拥有“记忆”，就需要用到向量数据库。

常见的向量数据库包括：Chroma、ES、FAISS、Milvus等，需要了解和会用。

实战篇

LangChain

要将大语言模型的能力开发成产品，就需要LangChain帮忙了。LangChain 是一个 LLM 编程框架，它提供了一套工具、组件和接口，借助LangChain，我们可以更加便利地给大模型这个“大脑”装上记忆和四肢，更轻松地完成基于大模型的应用开发。

比如带有私有知识库的办公助手等AI Agent，都可以借助LangChain来完成。

在这里插入图片描述

LangChain主要支持6种组件：

Models：模型，各种类型的模型和模型集成
Prompts：提示，包括提示管理、提示优化和提示序列化
Memory：记忆，用来保存和模型交互时的上下文状态
Indexes：索引，用来结构化文档，以便和模型交互
Chains：链，一系列对各种组件的调用
Agents：代理，决定模型采取哪些行动，执行并且观察流程，直到完成为止

最近又更新了LangGraph，用于创建多Agent应用。

可以结合市面上的一些开源项目学习Langchain。

在本地搭建部署开源模型

从零入门大模型技术，其实还是有点门槛的，硬件资源就是一关，性能一般有限。但还是可以从参数规模较小的7B左右开源模型开启尝试。比如清华的GLM系列，meta的llama系列都可以。

另外也可以用Ollama工具，Ollama旨在简化在Docker容器中部署和管理大型语言模型（LLM）的过程。Ollama支持的模型库，连包Llama3都包括了，还是很香的。

在这里插入图片描述

如果嫌自己摸索太麻烦，正好最近发现一个程序员的AI大模型进阶之旅免费公开课**。**

这个课正是为了适应当下AI大模型的发展而推出的，由几位业内大佬主讲，主要面向的就是想系统性学习AI大模型的同学。会带你深度解析此轮AI变革和以往有何根本不同，还能学习大模型相关的Langchain技术，以及如何fine-tune模型等。

重要的是有 AI 大模型学习资源包，以及好用的 AI工具等。感兴趣的可以微信扫码免费学习 ↓ ↓ ↓

在这里插入图片描述

提高篇

机器学习基础

了解分类算法、回归算法、聚类算法、降维算法等经典的机器学习算法；
模型评估：交叉验证、偏差和方差、过拟合和欠拟合、性能指标（准确率、召回率、F1分数等）。

深度学习基础

掌握CNN,RNN等经典网络模型，然后就是绕不开的Transformer。

Transformer是一个引入了 Self-attention 机制的模型，它是大语言模型的基石，支撑着庞大的大语言模型家族。

在这里插入图片描述

在代码层面，必须掌握的就是神经网络的框架，主流框架有tenorflow,Pytorch等。

NLP 基础知识

NLP、NLU、NLG的差别；

自然语言处理中的基本任务和相关的应用；

TF-IDF、word2vec、BERT等基本算法和技术；

预训练语言模型：模型的输入、模型的结构、训练的任务、模型的输出；

可以直接从word2vec开始了解，然后到transformer，bert。

了解LLM的3个分支和发展史

根据使用的 Transformer 的方式不同，有3种常见的主流架构：encoder-only，encoder-decoder和decoder-only。

这张图清晰地展示了LLM的3个分支：

在这里插入图片描述

encoder-only：BERT
encoder-decoder：T5, GLM-130B, UL2
decoder-only：GPT系列, LLaMA, OPT, PaLM,BLOOM

了解典型 Decoder-only 语言模型的基础结构和简单原理。

深入篇

掌握 Continue Pre-train、Fine-tuning 已有开源模型的能力；
掌握 Lora、QLora 等最小化资源进行高效模型训练的PEFT技术；
掌握强化学习基础；
Alignment与RLHF；
数据处理技术；
压缩模型、推理加速技术；
分布式训练并行技术；
分布式网络通信技术；
生产环境部署大模型的相关技术。

很多人说，大模型赛道不是普通人能玩的。狭义的大模型赛道，是这样，更多的是看运气。但是大模型之上的生态，目前来看是广阔的蓝海。关于大模型更加体系化的介绍，建议去听一下免费公开课，有业内老师进行系统化的梳理，比自己摸索会高效很多：
在这里插入图片描述