适合读者已经会编程想系统转向 LLM 应用开发、RAG、Agent、MCP、A2A、多模态和 AI Infra 的程序员。这份路线不是“名词百科”而是一条工程学习路径。目标是让你知道先学什么为什么学学到什么程度能做项目什么时候再进入更难的模型原理、微调和推理优化。先看总路线推荐顺序Python ↓FastAPI / Git / Docker ↓Prompt Engineering ↓OpenAI API / Claude / Gemini / Qwen 等模型 API ↓AI ChatBot / AI 总结 / AI 写作助手 ↓LangChain / LlamaIndex / Workflow ↓RAG ↓Agent / Tool Calling / Memory / Workflow ↓MCP ↓多模态 / GUI Agent / Computer Use ↓A2A / Multi-Agent / Distributed Agent ↓PyTorch / LoRA / QLoRA / PEFT ↓AI Infra / vLLM / Kubernetes / GPU 推理优化大白话理解•Prompt你学会和模型沟通。•RAG你让模型会查企业私有知识。•Tool Calling你让模型能调用函数、数据库、API。•Agent你让模型能规划、调用工具、观察结果、继续执行。•MCP你用标准协议把工具接给模型。•A2A你用标准协议让 Agent 和 Agent 协作。•多模态你让 Agent 能看图、听音频、读文档、操作屏幕。•AI Infra你让模型服务跑得稳、快、省。为什么按这个顺序学很多程序员一上来想学 Transformer、PyTorch、微调、CUDA。不是不对而是投入产出比不高。对多数转型者来说企业最先需要的是•能把模型 API 接进业务系统。•能做企业知识库、文档问答、客服助手。•能做 Agent 工作流和工具调用。•能把 MCP / 多模态 / 权限 / 日志 / 部署做成生产系统。所以路线应该先就业、后深入先就业能力Prompt API RAG Agent 项目再核心能力MCP Workflow Memory 多模态再高级能力A2A 分布式 Agent AI Infra再算法能力PyTorch 微调 模型训练原理第一阶段AI 与大模型认知1 周1.1 什么是大模型学习内容•GPT / Claude / Gemini / DeepSeek / Qwen / Llama 等模型家族•Transformer•Token•Embedding•Attention•Context Window•Prompt 与 Completion / Response为什么要学这一步不是让你推公式而是让你建立“模型到底在干什么”的基本心智。否则后面看到 Token 成本、上下文长度、RAG、向量数据库、KV Cache会全部混在一起。大白话解释Token 可以理解为模型读写文本时的“最小记账单位”。它不完全等于中文的一个字也不完全等于英文的一个单词。模型不是按“句子”理解世界而是把输入拆成 token再预测下一个 token。Embedding 是把文字变成一串数字。比如“猫”和“猫咪”变成的向量距离会比较近“猫”和“挖掘机”的距离通常会远一些。RAG 的语义搜索就靠这个。Context Window 是模型一次能看到的上下文窗口。它像会议桌桌子越大能摊开的资料越多但桌子再大也不能无限堆资料而且堆太多会变贵、变慢、变乱。原理图用户问题 ↓拆成 Token ↓模型基于上下文预测下一个 Token ↓不断生成 Token ↓形成答案最小示例如果你输入请把“用户登录失败”改写成更正式的错误提示。模型不是“真的理解”你公司的登录系统而是根据训练中学到的语言规律和当前上下文生成类似登录失败请检查账号、密码或验证码后重试。学习验收你应该能解释清楚•Token 为什么会影响成本•Embedding 为什么能做搜索•Context Window 为什么不是越大越好•大模型为什么会一本正经地编错内容1.2 当前主流模型生态学习内容•OpenAI GPT 系列•Anthropic Claude 系列•Google Gemini 系列•DeepSeek•Qwen•Llama•开源模型与闭源模型的差异为什么要学AI 工程师不是只会调一个模型而是要知道不同模型的适用场景•闭源 API上手快、能力强、维护成本低。•开源模型可私有化、可定制、对合规更友好但运维成本更高。示例如何选模型场景更常见选择原因快速做原型闭源 API少踩部署坑先验证产品企业知识库API RAG 或私有模型 RAG看数据合规要求内网代码助手私有化模型 / 企业版服务代码和数据不能外泄高并发客服小模型 RAG 缓存成本更重要多模态理解GPT-4o/GPT-5 系列、Gemini、Qwen-VL 等视觉能力更关键注意模型生态变化很快。学习时不要死背型号要掌握评估方法准确率、延迟、成本、上下文长度、工具调用能力、多模态能力、合规与部署方式。1.3 AI 行业岗位方向学习内容•LLM 应用开发工程师•RAG 工程师•Agent 工程师•AI Infra 工程师•大模型算法 / 微调工程师大白话解释•LLM 应用工程师把模型接到产品里。•RAG 工程师让模型会查公司文档。•Agent 工程师让模型会调用工具、执行任务。•AI Infra 工程师让模型服务稳定、可观测、可扩展。•算法 / 微调工程师训练或定制模型。推荐定位对大多数程序员优先路线是LLM 应用工程师 → RAG 工程师 → Agent 工程师 → AI Infra / 多模态 Agent第二阶段Python 与工程基础24 周2.1 Python 基础学习内容•函数、类、模块•async / await•requests / httpx•typing / pydantic•json•文件读写•环境变量为什么要学AI 生态大量工具都优先支持 Python例如 LangChain、LlamaIndex、FastAPI、PyTorch、Transformers、向量数据库 SDK 等。最小示例读取环境变量并请求 APIimport osimport httpxapi_key os.getenv(OPENAI_API_KEY)async def call_api(): async with httpx.AsyncClient(timeout30) as client: response await client.get( https://api.example.com/health, headers{Authorization: fBearer {api_key}}, ) return response.json()大白话解释AI 应用本质上仍然是后端工程接收请求、调用模型、处理工具、保存状态、返回结果。Python 只是这个生态里最顺手的胶水语言。2.2 FastAPI学习内容•REST API•路由•Pydantic 数据模型•Streaming / SSE•文件上传•中间件为什么要学很多 AI 产品都需要把模型能力封装成服务前端传问题后端调用模型模型边生成边返回给前端。最小示例AI 服务接口骨架from fastapi import FastAPIfrom pydantic import BaseModelapp FastAPI()class ChatRequest(BaseModel): message: strapp.post(/chat)async def chat(req: ChatRequest): return {answer: f收到{req.message}}学习验收你能完成•一个/chat接口。•一个/upload文件上传接口。•一个 SSE 流式输出接口。•用 Docker 启动服务。2.3 Git / GitHub学习内容•branch•commit•PR•code review•README•issue为什么要学AI 项目同样是软件项目。没有 Git 协作能力后续做 Agent 工程、RAG 项目、模型服务都会很难维护。学习验收你应该能维护一个作品集仓库包括•清晰 README。•安装步骤。•环境变量说明。•示例截图。•架构图。2.4 Linux / Docker学习内容•Linux 基础命令•Dockerfile•docker-compose•日志查看•端口映射•镜像构建为什么要学AI 应用最终要部署。模型 API、向量数据库、Redis、Postgres、任务队列经常需要容器化编排。示例架构Browser ↓FastAPI AI Server ↓ ↓LLM API Vector DB ↓ ↓Logs Redis / Postgres第三阶段Prompt Engineering12 周3.1 Prompt 基础学习内容•Role Prompt•Few-shot•Chain-of-Thought 的使用边界•ReAct 思想•约束输出•错误示例与反例为什么要学Prompt 是 AI 应用的第一层控制面。虽然 2026 年以后“只会 Prompt”不够但不会 Prompt后面的 RAG、Agent、工具调用都很难做好。大白话解释Prompt 不是“玄学咒语”更像给实习生写任务说明背景、目标、输入、输出格式、限制、例子、验收标准越清楚结果越稳定。示例差 Prompt 与好 Prompt差 Prompt帮我总结一下。好 Prompt你是资深技术编辑。请把下面材料总结成面向后端工程师的学习笔记。要求1. 先给 5 条结论。2. 再按“背景、核心概念、工程实践、常见误区”组织。3. 不要编造材料中没有的信息。4. 如果信息不足请标注“资料未提供”。3.2 Structured Output学习内容•JSON 输出•JSON Schema•Pydantic / Zod•结构化解析•错误处理与重试官方事实OpenAI 官方文档说明Structured Outputs 可以让模型输出遵循你提供的 JSON SchemaJSON mode 只保证有效 JSON不保证符合具体 schema。能用 Structured Outputs 时优先使用它。大白话解释普通回答像一段话程序很难稳定读取结构化输出像表单每个字段都有名字和类型后端才能放心处理。示例需求提取 Schema{ type: object, properties: { feature: { type: string }, user_role: { type: string }, acceptance_criteria: { type: array, items: { type: string } } }, required: [feature, user_role, acceptance_criteria], additionalProperties: false}学习验收你能把一段用户需求解析成稳定 JSON并在字段缺失时让程序报错或重试。3.3 OpenAI API / 模型 API学习内容•Chat / Responses API•Streaming•Tool Calling•图片输入•音频输入输出•错误处理•速率限制最小工程图Frontend ↓ HTTPBackend ↓ Model APILLM ↓ stream tokensBackend ↓ SSE/WebSocketFrontend第四阶段AI 应用开发23 周4.1 AI ChatBot学习内容•对话历史•上下文裁剪•用户会话•系统提示词•安全与拒答大白话解释ChatBot 不是把所有历史一股脑塞给模型。你需要决定哪些历史重要、哪些可以摘要、哪些必须丢弃。示例上下文管理用户第 1 轮介绍项目背景用户第 2 轮提出问题用户第 3 轮补充约束发送给模型时- 保留当前问题- 保留关键约束- 摘要早期背景- 丢弃寒暄和重复内容4.2 AI Web 应用学习内容•前后端联调•SSE / WebSocket•Token Streaming•取消生成•重试•用户反馈示例为什么需要流式输出如果一次性等模型生成完再返回用户可能等 20 秒。流式输出可以让用户 1 秒内看到第一个字体验差别巨大。非流式用户等待 → 等待 → 等待 → 一次性显示流式用户等待 → 逐字/逐段显示 → 可随时停止4.3 项目实践初级项目•AI 翻译•AI 总结•AI 写作助手•会议纪要生成器学习验收每个项目至少包含•后端 API。•前端页面。•模型调用。•错误处理。•README。•部署方式。第五阶段LangChain 与 AI 框架23 周5.1 LangChain学习内容•PromptTemplate•Chain•Tool•Memory•Callback / Streaming为什么要学LangChain 把 Prompt、模型、工具、检索、Agent 组织成可复用组件。它不是必须但能帮你理解 AI 应用工程的通用抽象。大白话解释你可以把 LangChain 理解成“AI 应用的 Spring / Django 式工具箱”不一定每个项目都必须用但它定义了很多行业通用说法。5.2 LlamaIndex学习内容•文档加载•索引•Query Engine•Retrieval•Node / Chunk为什么要学LlamaIndex 更偏数据和文档索引适合学习 RAG 的数据管道。5.3 Workflow学习内容•工作流编排•状态流转•分支•重试•人工确认示例AI 审批工作流用户提交报销单 ↓文档识别 Agent 提取金额和发票 ↓规则校验 Tool 检查金额 ↓财务 Agent 判断风险 ↓需要人工确认 ├─ 是发送审批任务 └─ 否自动归档第六阶段RAG核心阶段12 个月6.1 Embedding官方事实OpenAI 官方文档把 embedding 定义为浮点数向量两个向量之间的距离可衡量文本相关性。常见用途包括搜索、聚类、推荐、异常检测、分类等。大白话解释Embedding 就是给文字办一张“语义身份证”。意思相近的文本身份证号码在向量空间里更接近。RAG 基本流程图离线阶段文档 → 切块 → Embedding → 向量数据库在线阶段用户问题 → Embedding → 相似度检索 → 取回片段 → 拼进 Prompt → 模型回答6.2 向量数据库学习内容•Chroma•Milvus•Qdrant•FAISS•pgvector怎么选选择适合场景Chroma本地原型、教学FAISS嵌入式、高性能向量检索库Milvus大规模向量检索服务Qdrant易用、服务化、过滤能力好pgvector已经使用 PostgreSQL 的团队6.3 文档处理学习内容•Chunk•Overlap•Semantic Chunk•Markdown / PDF / Word 解析•表格处理•元数据大白话解释RAG 不是把整个 PDF 塞给模型而是先把资料切成模型容易使用的小片段。切太大检索不准切太小语义不完整。示例原文一份 80 页制度文档错误切法每 1000 字硬切标题和正文断开更好切法按标题层级切保留章节路径、页码、来源6.4 检索优化学习内容•Hybrid Search•BM25•Rerank•Query Rewrite•Metadata Filter•Answer with citations大白话解释向量检索擅长找“意思相近”BM25 擅长找“关键词精确命中”。企业搜索常常要两者结合。用户问“年假结转规则是什么”向量搜索找到“休假管理制度”相关片段BM25精确命中“年假”“结转”Rerank重新排序选最可靠片段6.5 RAG 项目推荐项目•企业知识库•PDF 问答•AI 客服•研发规范问答•合同条款检索助手学习验收一个合格 RAG 项目要有•文档导入。•切块策略。•向量化。•检索。•Rerank 或至少重排策略。•引用来源。•无答案时拒答。•评测集。第七阶段Agent核心方向12 个月7.1 Tool Calling官方事实OpenAI 官方文档把 Tool Calling 描述为模型访问外部功能和数据的方式。典型流程是应用把可调用工具发给模型模型返回工具调用请求应用执行代码再把工具结果返回给模型模型生成最终回答。大白话解释模型本身不会真的查数据库。它只是说“我想调用get_order_status(order_id123)”。真正执行函数的是你的程序。Tool Calling 流程图用户查一下订单 123 ↓模型我要调用 get_order_status({order_id: 123}) ↓你的后端执行数据库查询 ↓你的后端把查询结果交回模型 ↓模型组织自然语言回答用户最小工具定义示例{ type: function, name: get_order_status, description: 查询订单当前状态, parameters: { type: object, properties: { order_id: { type: string, description: 订单编号 } }, required: [order_id], additionalProperties: false }, strict: true}7.2 Agent Framework学习内容•LangGraph•CrewAI•AutoGen•OpenAI Agents SDK / 各厂商 Agent SDK大白话解释Agent 不是“模型变聪明了”而是你给它搭了一个循环计划、调用工具、观察结果、继续计划直到任务完成或需要人类介入。Plan → Act → Observe → Decide → Act → Observe → Final7.3 Agent Workflow学习内容•Planner•Executor•Router•Coordinator•Human-in-the-loop•Guardrails示例代码修复 Agent用户修复测试失败 ↓Planner分析失败原因 ↓Executor读取文件、修改代码 ↓Tool运行测试 ↓如果失败继续分析 ↓如果通过总结修改7.4 Memory 系统学习内容•Short-term Memory•Long-term Memory•Vector Memory•Profile Memory•Episodic Memory大白话解释Memory 不是“把所有聊天记录存起来”。真正有用的记忆是经过筛选、结构化、可检索、可更新的。短期记忆本次对话里的上下文长期记忆用户偏好、项目规则、长期事实向量记忆用语义搜索找相关历史7.5 Multi-Agent学习内容•多 Agent 协作•Agent Routing•专家 Agent•角色分工•结果合并示例总控 Agent ├─ 需求分析 Agent ├─ 架构设计 Agent ├─ 代码实现 Agent ├─ 测试 Agent └─ 文档 Agent说真的这两年看着身边一个个搞Java、C、前端、数据、架构的开始卷大模型挺唏嘘的。大家最开始都是写接口、搞Spring Boot、连数据库、配Redis稳稳当当过日子。结果GPT、DeepSeek火了之后整条线上的人都开始有点慌了大家都在想“我是不是要学大模型不然这饭碗还能保多久”我先给出最直接的答案一定要把现有的技术和大模型结合起来而不是抛弃你们现有技术掌握AI能力的Java工程师比纯Java岗要吃香的多。即使现在裁员、降薪、团队解散的比比皆是……但后续的趋势一定是AI应用落地大模型方向才是实现职业升级、提升薪资待遇的绝佳机遇这绝非空谈。数据说话2025年的最后一个月脉脉高聘发布了《2025年度人才迁徙报告》披露了2025年前10个月的招聘市场现状。AI领域的人才需求呈现出极为迫切的“井喷”态势2025年前10个月新发AI岗位量同比增长543%9月单月同比增幅超11倍。同时在薪资方面AI领域也显著领先。其中月薪排名前20的高薪岗位平均月薪均超过6万元而这些席位大部分被AI研发岗占据。与此相对应市场为AI人才支付了显著的溢价算法工程师中专攻AIGC方向的岗位平均薪资较普通算法工程师高出近18%产品经理岗位中AI方向的产品经理薪资也领先约20%。当你意识到“技术AI”是个人突围的最佳路径时整个就业市场的数据也印证了同一个事实AI大模型正成为高薪机会的最大源头。最后我在一线科技企业深耕十二载见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事早已在效率与薪资上形成代际优势我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我整理出这套 AI 大模型突围资料包【允许白嫖】✅从入门到精通的全套视频教程✅AI大模型学习路线图0基础到项目实战仅需90天✅大模型书籍与技术文档PDF✅各大厂大模型面试题目详解✅640套AI大模型报告合集✅大模型入门实战训练这份完整版的大模型 AI 学习和面试资料已经上传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】①从入门到精通的全套视频教程包含提示词工程、RAG、Agent等技术点② AI大模型学习路线图0基础到项目实战仅需90天全过程AI大模型学习路线③学习电子书籍和技术文档市面上的大模型书籍确实太多了这些是我精选出来的④各大厂大模型面试题目详解⑤640套AI大模型报告合集⑥大模型入门实战训练获取方式有需要的小伙伴可以保存图片到wx扫描二v码免费领取【保证100%免费】
从编程到AI大师：LLM应用开发工程师进阶路线图（附详细学习路径）
适合读者已经会编程想系统转向 LLM 应用开发、RAG、Agent、MCP、A2A、多模态和 AI Infra 的程序员。这份路线不是“名词百科”而是一条工程学习路径。目标是让你知道先学什么为什么学学到什么程度能做项目什么时候再进入更难的模型原理、微调和推理优化。先看总路线推荐顺序Python ↓FastAPI / Git / Docker ↓Prompt Engineering ↓OpenAI API / Claude / Gemini / Qwen 等模型 API ↓AI ChatBot / AI 总结 / AI 写作助手 ↓LangChain / LlamaIndex / Workflow ↓RAG ↓Agent / Tool Calling / Memory / Workflow ↓MCP ↓多模态 / GUI Agent / Computer Use ↓A2A / Multi-Agent / Distributed Agent ↓PyTorch / LoRA / QLoRA / PEFT ↓AI Infra / vLLM / Kubernetes / GPU 推理优化大白话理解•Prompt你学会和模型沟通。•RAG你让模型会查企业私有知识。•Tool Calling你让模型能调用函数、数据库、API。•Agent你让模型能规划、调用工具、观察结果、继续执行。•MCP你用标准协议把工具接给模型。•A2A你用标准协议让 Agent 和 Agent 协作。•多模态你让 Agent 能看图、听音频、读文档、操作屏幕。•AI Infra你让模型服务跑得稳、快、省。为什么按这个顺序学很多程序员一上来想学 Transformer、PyTorch、微调、CUDA。不是不对而是投入产出比不高。对多数转型者来说企业最先需要的是•能把模型 API 接进业务系统。•能做企业知识库、文档问答、客服助手。•能做 Agent 工作流和工具调用。•能把 MCP / 多模态 / 权限 / 日志 / 部署做成生产系统。所以路线应该先就业、后深入先就业能力Prompt API RAG Agent 项目再核心能力MCP Workflow Memory 多模态再高级能力A2A 分布式 Agent AI Infra再算法能力PyTorch 微调 模型训练原理第一阶段AI 与大模型认知1 周1.1 什么是大模型学习内容•GPT / Claude / Gemini / DeepSeek / Qwen / Llama 等模型家族•Transformer•Token•Embedding•Attention•Context Window•Prompt 与 Completion / Response为什么要学这一步不是让你推公式而是让你建立“模型到底在干什么”的基本心智。否则后面看到 Token 成本、上下文长度、RAG、向量数据库、KV Cache会全部混在一起。大白话解释Token 可以理解为模型读写文本时的“最小记账单位”。它不完全等于中文的一个字也不完全等于英文的一个单词。模型不是按“句子”理解世界而是把输入拆成 token再预测下一个 token。Embedding 是把文字变成一串数字。比如“猫”和“猫咪”变成的向量距离会比较近“猫”和“挖掘机”的距离通常会远一些。RAG 的语义搜索就靠这个。Context Window 是模型一次能看到的上下文窗口。它像会议桌桌子越大能摊开的资料越多但桌子再大也不能无限堆资料而且堆太多会变贵、变慢、变乱。原理图用户问题 ↓拆成 Token ↓模型基于上下文预测下一个 Token ↓不断生成 Token ↓形成答案最小示例如果你输入请把“用户登录失败”改写成更正式的错误提示。模型不是“真的理解”你公司的登录系统而是根据训练中学到的语言规律和当前上下文生成类似登录失败请检查账号、密码或验证码后重试。学习验收你应该能解释清楚•Token 为什么会影响成本•Embedding 为什么能做搜索•Context Window 为什么不是越大越好•大模型为什么会一本正经地编错内容1.2 当前主流模型生态学习内容•OpenAI GPT 系列•Anthropic Claude 系列•Google Gemini 系列•DeepSeek•Qwen•Llama•开源模型与闭源模型的差异为什么要学AI 工程师不是只会调一个模型而是要知道不同模型的适用场景•闭源 API上手快、能力强、维护成本低。•开源模型可私有化、可定制、对合规更友好但运维成本更高。示例如何选模型场景更常见选择原因快速做原型闭源 API少踩部署坑先验证产品企业知识库API RAG 或私有模型 RAG看数据合规要求内网代码助手私有化模型 / 企业版服务代码和数据不能外泄高并发客服小模型 RAG 缓存成本更重要多模态理解GPT-4o/GPT-5 系列、Gemini、Qwen-VL 等视觉能力更关键注意模型生态变化很快。学习时不要死背型号要掌握评估方法准确率、延迟、成本、上下文长度、工具调用能力、多模态能力、合规与部署方式。1.3 AI 行业岗位方向学习内容•LLM 应用开发工程师•RAG 工程师•Agent 工程师•AI Infra 工程师•大模型算法 / 微调工程师大白话解释•LLM 应用工程师把模型接到产品里。•RAG 工程师让模型会查公司文档。•Agent 工程师让模型会调用工具、执行任务。•AI Infra 工程师让模型服务稳定、可观测、可扩展。•算法 / 微调工程师训练或定制模型。推荐定位对大多数程序员优先路线是LLM 应用工程师 → RAG 工程师 → Agent 工程师 → AI Infra / 多模态 Agent第二阶段Python 与工程基础24 周2.1 Python 基础学习内容•函数、类、模块•async / await•requests / httpx•typing / pydantic•json•文件读写•环境变量为什么要学AI 生态大量工具都优先支持 Python例如 LangChain、LlamaIndex、FastAPI、PyTorch、Transformers、向量数据库 SDK 等。最小示例读取环境变量并请求 APIimport osimport httpxapi_key os.getenv(OPENAI_API_KEY)async def call_api(): async with httpx.AsyncClient(timeout30) as client: response await client.get( https://api.example.com/health, headers{Authorization: fBearer {api_key}}, ) return response.json()大白话解释AI 应用本质上仍然是后端工程接收请求、调用模型、处理工具、保存状态、返回结果。Python 只是这个生态里最顺手的胶水语言。2.2 FastAPI学习内容•REST API•路由•Pydantic 数据模型•Streaming / SSE•文件上传•中间件为什么要学很多 AI 产品都需要把模型能力封装成服务前端传问题后端调用模型模型边生成边返回给前端。最小示例AI 服务接口骨架from fastapi import FastAPIfrom pydantic import BaseModelapp FastAPI()class ChatRequest(BaseModel): message: strapp.post(/chat)async def chat(req: ChatRequest): return {answer: f收到{req.message}}学习验收你能完成•一个/chat接口。•一个/upload文件上传接口。•一个 SSE 流式输出接口。•用 Docker 启动服务。2.3 Git / GitHub学习内容•branch•commit•PR•code review•README•issue为什么要学AI 项目同样是软件项目。没有 Git 协作能力后续做 Agent 工程、RAG 项目、模型服务都会很难维护。学习验收你应该能维护一个作品集仓库包括•清晰 README。•安装步骤。•环境变量说明。•示例截图。•架构图。2.4 Linux / Docker学习内容•Linux 基础命令•Dockerfile•docker-compose•日志查看•端口映射•镜像构建为什么要学AI 应用最终要部署。模型 API、向量数据库、Redis、Postgres、任务队列经常需要容器化编排。示例架构Browser ↓FastAPI AI Server ↓ ↓LLM API Vector DB ↓ ↓Logs Redis / Postgres第三阶段Prompt Engineering12 周3.1 Prompt 基础学习内容•Role Prompt•Few-shot•Chain-of-Thought 的使用边界•ReAct 思想•约束输出•错误示例与反例为什么要学Prompt 是 AI 应用的第一层控制面。虽然 2026 年以后“只会 Prompt”不够但不会 Prompt后面的 RAG、Agent、工具调用都很难做好。大白话解释Prompt 不是“玄学咒语”更像给实习生写任务说明背景、目标、输入、输出格式、限制、例子、验收标准越清楚结果越稳定。示例差 Prompt 与好 Prompt差 Prompt帮我总结一下。好 Prompt你是资深技术编辑。请把下面材料总结成面向后端工程师的学习笔记。要求1. 先给 5 条结论。2. 再按“背景、核心概念、工程实践、常见误区”组织。3. 不要编造材料中没有的信息。4. 如果信息不足请标注“资料未提供”。3.2 Structured Output学习内容•JSON 输出•JSON Schema•Pydantic / Zod•结构化解析•错误处理与重试官方事实OpenAI 官方文档说明Structured Outputs 可以让模型输出遵循你提供的 JSON SchemaJSON mode 只保证有效 JSON不保证符合具体 schema。能用 Structured Outputs 时优先使用它。大白话解释普通回答像一段话程序很难稳定读取结构化输出像表单每个字段都有名字和类型后端才能放心处理。示例需求提取 Schema{ type: object, properties: { feature: { type: string }, user_role: { type: string }, acceptance_criteria: { type: array, items: { type: string } } }, required: [feature, user_role, acceptance_criteria], additionalProperties: false}学习验收你能把一段用户需求解析成稳定 JSON并在字段缺失时让程序报错或重试。3.3 OpenAI API / 模型 API学习内容•Chat / Responses API•Streaming•Tool Calling•图片输入•音频输入输出•错误处理•速率限制最小工程图Frontend ↓ HTTPBackend ↓ Model APILLM ↓ stream tokensBackend ↓ SSE/WebSocketFrontend第四阶段AI 应用开发23 周4.1 AI ChatBot学习内容•对话历史•上下文裁剪•用户会话•系统提示词•安全与拒答大白话解释ChatBot 不是把所有历史一股脑塞给模型。你需要决定哪些历史重要、哪些可以摘要、哪些必须丢弃。示例上下文管理用户第 1 轮介绍项目背景用户第 2 轮提出问题用户第 3 轮补充约束发送给模型时- 保留当前问题- 保留关键约束- 摘要早期背景- 丢弃寒暄和重复内容4.2 AI Web 应用学习内容•前后端联调•SSE / WebSocket•Token Streaming•取消生成•重试•用户反馈示例为什么需要流式输出如果一次性等模型生成完再返回用户可能等 20 秒。流式输出可以让用户 1 秒内看到第一个字体验差别巨大。非流式用户等待 → 等待 → 等待 → 一次性显示流式用户等待 → 逐字/逐段显示 → 可随时停止4.3 项目实践初级项目•AI 翻译•AI 总结•AI 写作助手•会议纪要生成器学习验收每个项目至少包含•后端 API。•前端页面。•模型调用。•错误处理。•README。•部署方式。第五阶段LangChain 与 AI 框架23 周5.1 LangChain学习内容•PromptTemplate•Chain•Tool•Memory•Callback / Streaming为什么要学LangChain 把 Prompt、模型、工具、检索、Agent 组织成可复用组件。它不是必须但能帮你理解 AI 应用工程的通用抽象。大白话解释你可以把 LangChain 理解成“AI 应用的 Spring / Django 式工具箱”不一定每个项目都必须用但它定义了很多行业通用说法。5.2 LlamaIndex学习内容•文档加载•索引•Query Engine•Retrieval•Node / Chunk为什么要学LlamaIndex 更偏数据和文档索引适合学习 RAG 的数据管道。5.3 Workflow学习内容•工作流编排•状态流转•分支•重试•人工确认示例AI 审批工作流用户提交报销单 ↓文档识别 Agent 提取金额和发票 ↓规则校验 Tool 检查金额 ↓财务 Agent 判断风险 ↓需要人工确认 ├─ 是发送审批任务 └─ 否自动归档第六阶段RAG核心阶段12 个月6.1 Embedding官方事实OpenAI 官方文档把 embedding 定义为浮点数向量两个向量之间的距离可衡量文本相关性。常见用途包括搜索、聚类、推荐、异常检测、分类等。大白话解释Embedding 就是给文字办一张“语义身份证”。意思相近的文本身份证号码在向量空间里更接近。RAG 基本流程图离线阶段文档 → 切块 → Embedding → 向量数据库在线阶段用户问题 → Embedding → 相似度检索 → 取回片段 → 拼进 Prompt → 模型回答6.2 向量数据库学习内容•Chroma•Milvus•Qdrant•FAISS•pgvector怎么选选择适合场景Chroma本地原型、教学FAISS嵌入式、高性能向量检索库Milvus大规模向量检索服务Qdrant易用、服务化、过滤能力好pgvector已经使用 PostgreSQL 的团队6.3 文档处理学习内容•Chunk•Overlap•Semantic Chunk•Markdown / PDF / Word 解析•表格处理•元数据大白话解释RAG 不是把整个 PDF 塞给模型而是先把资料切成模型容易使用的小片段。切太大检索不准切太小语义不完整。示例原文一份 80 页制度文档错误切法每 1000 字硬切标题和正文断开更好切法按标题层级切保留章节路径、页码、来源6.4 检索优化学习内容•Hybrid Search•BM25•Rerank•Query Rewrite•Metadata Filter•Answer with citations大白话解释向量检索擅长找“意思相近”BM25 擅长找“关键词精确命中”。企业搜索常常要两者结合。用户问“年假结转规则是什么”向量搜索找到“休假管理制度”相关片段BM25精确命中“年假”“结转”Rerank重新排序选最可靠片段6.5 RAG 项目推荐项目•企业知识库•PDF 问答•AI 客服•研发规范问答•合同条款检索助手学习验收一个合格 RAG 项目要有•文档导入。•切块策略。•向量化。•检索。•Rerank 或至少重排策略。•引用来源。•无答案时拒答。•评测集。第七阶段Agent核心方向12 个月7.1 Tool Calling官方事实OpenAI 官方文档把 Tool Calling 描述为模型访问外部功能和数据的方式。典型流程是应用把可调用工具发给模型模型返回工具调用请求应用执行代码再把工具结果返回给模型模型生成最终回答。大白话解释模型本身不会真的查数据库。它只是说“我想调用get_order_status(order_id123)”。真正执行函数的是你的程序。Tool Calling 流程图用户查一下订单 123 ↓模型我要调用 get_order_status({order_id: 123}) ↓你的后端执行数据库查询 ↓你的后端把查询结果交回模型 ↓模型组织自然语言回答用户最小工具定义示例{ type: function, name: get_order_status, description: 查询订单当前状态, parameters: { type: object, properties: { order_id: { type: string, description: 订单编号 } }, required: [order_id], additionalProperties: false }, strict: true}7.2 Agent Framework学习内容•LangGraph•CrewAI•AutoGen•OpenAI Agents SDK / 各厂商 Agent SDK大白话解释Agent 不是“模型变聪明了”而是你给它搭了一个循环计划、调用工具、观察结果、继续计划直到任务完成或需要人类介入。Plan → Act → Observe → Decide → Act → Observe → Final7.3 Agent Workflow学习内容•Planner•Executor•Router•Coordinator•Human-in-the-loop•Guardrails示例代码修复 Agent用户修复测试失败 ↓Planner分析失败原因 ↓Executor读取文件、修改代码 ↓Tool运行测试 ↓如果失败继续分析 ↓如果通过总结修改7.4 Memory 系统学习内容•Short-term Memory•Long-term Memory•Vector Memory•Profile Memory•Episodic Memory大白话解释Memory 不是“把所有聊天记录存起来”。真正有用的记忆是经过筛选、结构化、可检索、可更新的。短期记忆本次对话里的上下文长期记忆用户偏好、项目规则、长期事实向量记忆用语义搜索找相关历史7.5 Multi-Agent学习内容•多 Agent 协作•Agent Routing•专家 Agent•角色分工•结果合并示例总控 Agent ├─ 需求分析 Agent ├─ 架构设计 Agent ├─ 代码实现 Agent ├─ 测试 Agent └─ 文档 Agent说真的这两年看着身边一个个搞Java、C、前端、数据、架构的开始卷大模型挺唏嘘的。大家最开始都是写接口、搞Spring Boot、连数据库、配Redis稳稳当当过日子。结果GPT、DeepSeek火了之后整条线上的人都开始有点慌了大家都在想“我是不是要学大模型不然这饭碗还能保多久”我先给出最直接的答案一定要把现有的技术和大模型结合起来而不是抛弃你们现有技术掌握AI能力的Java工程师比纯Java岗要吃香的多。即使现在裁员、降薪、团队解散的比比皆是……但后续的趋势一定是AI应用落地大模型方向才是实现职业升级、提升薪资待遇的绝佳机遇这绝非空谈。数据说话2025年的最后一个月脉脉高聘发布了《2025年度人才迁徙报告》披露了2025年前10个月的招聘市场现状。AI领域的人才需求呈现出极为迫切的“井喷”态势2025年前10个月新发AI岗位量同比增长543%9月单月同比增幅超11倍。同时在薪资方面AI领域也显著领先。其中月薪排名前20的高薪岗位平均月薪均超过6万元而这些席位大部分被AI研发岗占据。与此相对应市场为AI人才支付了显著的溢价算法工程师中专攻AIGC方向的岗位平均薪资较普通算法工程师高出近18%产品经理岗位中AI方向的产品经理薪资也领先约20%。当你意识到“技术AI”是个人突围的最佳路径时整个就业市场的数据也印证了同一个事实AI大模型正成为高薪机会的最大源头。最后我在一线科技企业深耕十二载见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事早已在效率与薪资上形成代际优势我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我整理出这套 AI 大模型突围资料包【允许白嫖】✅从入门到精通的全套视频教程✅AI大模型学习路线图0基础到项目实战仅需90天✅大模型书籍与技术文档PDF✅各大厂大模型面试题目详解✅640套AI大模型报告合集✅大模型入门实战训练这份完整版的大模型 AI 学习和面试资料已经上传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】①从入门到精通的全套视频教程包含提示词工程、RAG、Agent等技术点② AI大模型学习路线图0基础到项目实战仅需90天全过程AI大模型学习路线③学习电子书籍和技术文档市面上的大模型书籍确实太多了这些是我精选出来的④各大厂大模型面试题目详解⑤640套AI大模型报告合集⑥大模型入门实战训练获取方式有需要的小伙伴可以保存图片到wx扫描二v码免费领取【保证100%免费】
