0基础入门大模型，transformer、bert这些是要学的，但是你的第一口不一定从这里咬下去。
真的没有必要一上来就把时间精力全部投入到复杂的理论、各种晦涩的数学公式还有编程语言上，这样不仅容易让你气馁，而且特别容易磨光热情。
当我们认识复杂新事物时，最舒适的路径应当是：感性认识现象->理解本质和原理->将所学知识用于解释新现象并指导实践。
所以我给出的这条路径是：先学会如何使用大模型，然后了解其背后的原理，最后探索如何将其应用于实际问题。
**[Prompt工程]：**作为一个普通人，把大模型用起来
如果说大模型像一个矿藏，那么prompt就像是一把铲子，从哪个角度挖，如何挖，决定了你能开采出什么内容。
一个清晰有效的prompt包含角色、任务目标、上下文、输出要求、限定条件、理想示例等一系列内容，只有把prompt设计好了，大模型才有可能发挥出理想的效果。
**[AI编程]：**作为一个程序员，把大模型用起来
学会使用Copilot、通义灵码之类的AI编程工具来提升编码效率。现阶段AI辅助编程在代码补全以及注释生成方面表现还不错，因此需要你来把架子搭好、把模块分好。这样无形中还能提高你的架构能力。
[API]调用： 作为一个大模型套壳程序员，玩一下
掌握如何调用市面上常见的大模型API，结合自己的想法实现具体的小任务，这对初学者来说是一个实际操作的好机会。
这时候你就获得了实践经验和对AI的直观认识。接下来就可以进入更深一层的大模型应用技术了。
大模型应用开发：作为一个大模型应用开发程序员，把大模型用起来
在工具方面，需要学习如LangChain这样的开发库，以及如LlamaIndex这样的数据索引和检索工具。
方向方面：
RAG(Retrieval-Augmented Generation检索增强生成**)：**
RAG 是 LLM 落地最早的一个方向之一。简单来说就是搭建一个私有的知识库，将你的私有知识数据存储在向量数据库里，然后对话的过程中按照某些策略去检索这些知识，然后提供给大模型进行参考。
逻辑流程：数据提取->embedding（向量化）->索引创建->检索->排序->LLM生成。
这部分内容技术细节很多，也非常有趣，很有搞头。
针对所有自学遇到困难的同学们，我帮大家系统梳理大模型学习脉络，将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等,