本文详细介绍了大模型开发的整体流程从确定开发目标、设计功能、搭建架构到数据库搭建、Prompt Engineering、验证迭代最后到前后端搭建和体验优化。文章强调了在大模型开发中掌握使用大模型的实践技巧比深研模型内部原理更为重要并通过实际案例分析展示了如何利用大模型解决实际项目需求提高数据分析和决策的准确性。同时文章还提供了一套完整的学习路线图和丰富的学习资源帮助读者更好地掌握大模型应用开发技能。熟悉我的小伙伴都知道我一直在研究大模型的应用开发。从GPT的Api接入的镜像网站系统到RAG的知识库等等…也是有一段时间了。看到一篇还不错的开发流程文章。一、大模型开发整体流程1. 何为大模型开发我们将开发以大语言模型为功能核心、通过大语言模型的强大理解能力和生成能力、结合特殊的数据或业务逻辑来提供独特功能的应用称为大模型开发。开发大模型相关应用其技术核心点虽然在大语言模型上但一般通过调用 API 或开源模型来实现核心的理解与生成通过 Prompt Enginnering 来实现大语言模型的控制因此虽然大模型是深度学习领域的集大成之作大模型开发却更多是一个工程问题。在大模型开发中我们一般不会去大幅度改动模型而是将大模型作为一个调用工具通过 Prompt Engineering、数据工程、业务逻辑分解等手段来充分发挥大模型能力适配应用任务而不会将精力聚焦在优化模型本身上。因此作为大模型开发的初学者我们并不需要深研大模型内部原理而更需要掌握使用大模型的实践技巧。大模型开发要素同时以调用、发挥大模型为核心的大模型开发与传统的 AI 开发在整体思路上有着较大的不同。大语言模型的两个核心能力指令理解与文本生成提供了复杂业务逻辑的简单平替方案。在传统的 AI 开发中我们首先需要将非常复杂的业务逻辑依次拆解对于每一个子业务构造训练数据与验证数据对于每一个子业务训练优化模型最后形成完整的模型链路来解决整个业务逻辑。然而在大模型开发中我们将尝试用 Prompt Engineering 来替代子模型的训练调优通过 Prompt 链路组合来实现业务逻辑用一个通用大模型 若干业务 Prompt 来解决任务从而将传统的模型训练调优转变成了更简单、轻松、低成本的 Prompt 设计调优。同时在评估思路上大模型开发与传统 AI 开发也有了质的差异。传统 AI 开发需要首先构造训练集、测试集、验证集通过在训练集上训练模型、在验证集上调优模型、在测试集上最终验证模型效果来实现性能的评估。然而大模型开发更敏捷、灵活我们一般不会在初期显式地确定训练集、验证集由于不再需要训练子模型我们不再构造训练集而是直接从实际业务需求出发构造小批量验证集设计合理 Prompt 来满足验证集效果。然后我们将不断从业务逻辑中收集当下 Prompt 的 Bad Case并将 Bad Case 加入到验证集中针对性优化 Prompt最后实现较好的泛化效果。传统 AI 评估LLM 评估 在本章中我们将简述大模型开发的一般流程并结合项目实际需求逐步分析完成项目开发的工作和步骤。2. 大模型开发的整体流程结合上述分析我们一般可以将大模型开发分解为以下几个流程确定目标。在进行开发前我们首先需要确定开发的目标即要开发的应用的应用场景、目标人群、核心价值。对于个体开发者或小型开发团队而言一般应先设定最小化目标从构建一个 MVP最小可行性产品开始逐步进行完善和优化。设计功能。在确定开发目标后需要设计本应用所要提供的功能以及每一个功能的大体实现逻辑。虽然我们通过使用大模型来简化了业务逻辑的拆解但是越清晰、深入的业务逻辑理解往往也能带来更好的 Prompt 效果。同样对于个体开发者或小型开发团队来说首先要确定应用的核心功能然后延展设计核心功能的上下游功能例如我们想打造一款个人知识库助手那么核心功能就是结合个人知识库内容进行问题的回答那么其上游功能的用户上传知识库、下游功能的用户手动纠正模型回答就是我们也必须要设计实现的子功能。搭建整体架构。目前绝大部分大模型应用都是采用的特定数据库 Prompt 通用大模型的架构。我们需要针对我们所设计的功能搭建项目的整体架构实现从用户输入到应用输出的全流程贯通。一般来说我们推荐基于 LangChain 框架进行开发。LangChain 提供了 Chain、Tool 等架构的实现我们可以基于 LangChain 进行个性化定制实现从用户输入到数据库再到大模型最后输出的整体架构连接。搭建数据库。个性化大模型应用需要有个性化数据库进行支撑。由于大模型应用需要进行向量语义检索一般使用诸如 chroma 的向量数据库。在该步骤中我们需要收集数据并进行预处理再向量化存储到数据库中。数据预处理一般包括从多种格式向纯文本的转化例如 pdf、markdown、html、音视频等以及对错误数据、异常数据、脏数据进行清洗。完成预处理后需要进行切片、向量化构建出个性化数据库。Prompt Engineering。优质的 Prompt 对大模型能力具有极大影响我们需要逐步迭代构建优质的 Prompt Engineering 来提升应用性能。在该步中我们首先应该明确 Prompt 设计的一般原则及技巧构建出一个来源于实际业务的小型验证集基于小型验证集设计满足基本要求、具备基本能力的 Prompt。验证迭代。验证迭代在大模型开发中是极其重要的一步一般指通过不断发现 Bad Case 并针对性改进 Prompt Engineering 来提升系统效果、应对边界情况。在完成上一步的初始化 Prompt 设计后我们应该进行实际业务测试探讨边界情况找到 Bad Case并针对性分析 Prompt 存在的问题从而不断迭代优化直到达到一个较为稳定、可以基本实现目标的 Prompt 版本。前后端搭建。完成 Prompt Engineering 及其迭代优化之后我们就完成了应用的核心功能可以充分发挥大语言模型的强大能力。接下来我们需要搭建前后端设计产品页面让我们的应用能够上线成为产品。前后端开发是非常经典且成熟的领域此处就不再赘述我们将主要介绍两种快速开发 Demo 的框架Gradio 和 Streamlit可以帮助个体开发者迅速搭建可视化页面实现 Demo 上线。体验优化。在完成前后端搭建之后应用就可以上线体验了。接下来就需要进行长期的用户体验跟踪记录 Bad Case 与用户负反馈再针对性进行优化即可。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】
大模型开发：从入门到精通，非常详细！
本文详细介绍了大模型开发的整体流程从确定开发目标、设计功能、搭建架构到数据库搭建、Prompt Engineering、验证迭代最后到前后端搭建和体验优化。文章强调了在大模型开发中掌握使用大模型的实践技巧比深研模型内部原理更为重要并通过实际案例分析展示了如何利用大模型解决实际项目需求提高数据分析和决策的准确性。同时文章还提供了一套完整的学习路线图和丰富的学习资源帮助读者更好地掌握大模型应用开发技能。熟悉我的小伙伴都知道我一直在研究大模型的应用开发。从GPT的Api接入的镜像网站系统到RAG的知识库等等…也是有一段时间了。看到一篇还不错的开发流程文章。一、大模型开发整体流程1. 何为大模型开发我们将开发以大语言模型为功能核心、通过大语言模型的强大理解能力和生成能力、结合特殊的数据或业务逻辑来提供独特功能的应用称为大模型开发。开发大模型相关应用其技术核心点虽然在大语言模型上但一般通过调用 API 或开源模型来实现核心的理解与生成通过 Prompt Enginnering 来实现大语言模型的控制因此虽然大模型是深度学习领域的集大成之作大模型开发却更多是一个工程问题。在大模型开发中我们一般不会去大幅度改动模型而是将大模型作为一个调用工具通过 Prompt Engineering、数据工程、业务逻辑分解等手段来充分发挥大模型能力适配应用任务而不会将精力聚焦在优化模型本身上。因此作为大模型开发的初学者我们并不需要深研大模型内部原理而更需要掌握使用大模型的实践技巧。大模型开发要素同时以调用、发挥大模型为核心的大模型开发与传统的 AI 开发在整体思路上有着较大的不同。大语言模型的两个核心能力指令理解与文本生成提供了复杂业务逻辑的简单平替方案。在传统的 AI 开发中我们首先需要将非常复杂的业务逻辑依次拆解对于每一个子业务构造训练数据与验证数据对于每一个子业务训练优化模型最后形成完整的模型链路来解决整个业务逻辑。然而在大模型开发中我们将尝试用 Prompt Engineering 来替代子模型的训练调优通过 Prompt 链路组合来实现业务逻辑用一个通用大模型 若干业务 Prompt 来解决任务从而将传统的模型训练调优转变成了更简单、轻松、低成本的 Prompt 设计调优。同时在评估思路上大模型开发与传统 AI 开发也有了质的差异。传统 AI 开发需要首先构造训练集、测试集、验证集通过在训练集上训练模型、在验证集上调优模型、在测试集上最终验证模型效果来实现性能的评估。然而大模型开发更敏捷、灵活我们一般不会在初期显式地确定训练集、验证集由于不再需要训练子模型我们不再构造训练集而是直接从实际业务需求出发构造小批量验证集设计合理 Prompt 来满足验证集效果。然后我们将不断从业务逻辑中收集当下 Prompt 的 Bad Case并将 Bad Case 加入到验证集中针对性优化 Prompt最后实现较好的泛化效果。传统 AI 评估LLM 评估 在本章中我们将简述大模型开发的一般流程并结合项目实际需求逐步分析完成项目开发的工作和步骤。2. 大模型开发的整体流程结合上述分析我们一般可以将大模型开发分解为以下几个流程确定目标。在进行开发前我们首先需要确定开发的目标即要开发的应用的应用场景、目标人群、核心价值。对于个体开发者或小型开发团队而言一般应先设定最小化目标从构建一个 MVP最小可行性产品开始逐步进行完善和优化。设计功能。在确定开发目标后需要设计本应用所要提供的功能以及每一个功能的大体实现逻辑。虽然我们通过使用大模型来简化了业务逻辑的拆解但是越清晰、深入的业务逻辑理解往往也能带来更好的 Prompt 效果。同样对于个体开发者或小型开发团队来说首先要确定应用的核心功能然后延展设计核心功能的上下游功能例如我们想打造一款个人知识库助手那么核心功能就是结合个人知识库内容进行问题的回答那么其上游功能的用户上传知识库、下游功能的用户手动纠正模型回答就是我们也必须要设计实现的子功能。搭建整体架构。目前绝大部分大模型应用都是采用的特定数据库 Prompt 通用大模型的架构。我们需要针对我们所设计的功能搭建项目的整体架构实现从用户输入到应用输出的全流程贯通。一般来说我们推荐基于 LangChain 框架进行开发。LangChain 提供了 Chain、Tool 等架构的实现我们可以基于 LangChain 进行个性化定制实现从用户输入到数据库再到大模型最后输出的整体架构连接。搭建数据库。个性化大模型应用需要有个性化数据库进行支撑。由于大模型应用需要进行向量语义检索一般使用诸如 chroma 的向量数据库。在该步骤中我们需要收集数据并进行预处理再向量化存储到数据库中。数据预处理一般包括从多种格式向纯文本的转化例如 pdf、markdown、html、音视频等以及对错误数据、异常数据、脏数据进行清洗。完成预处理后需要进行切片、向量化构建出个性化数据库。Prompt Engineering。优质的 Prompt 对大模型能力具有极大影响我们需要逐步迭代构建优质的 Prompt Engineering 来提升应用性能。在该步中我们首先应该明确 Prompt 设计的一般原则及技巧构建出一个来源于实际业务的小型验证集基于小型验证集设计满足基本要求、具备基本能力的 Prompt。验证迭代。验证迭代在大模型开发中是极其重要的一步一般指通过不断发现 Bad Case 并针对性改进 Prompt Engineering 来提升系统效果、应对边界情况。在完成上一步的初始化 Prompt 设计后我们应该进行实际业务测试探讨边界情况找到 Bad Case并针对性分析 Prompt 存在的问题从而不断迭代优化直到达到一个较为稳定、可以基本实现目标的 Prompt 版本。前后端搭建。完成 Prompt Engineering 及其迭代优化之后我们就完成了应用的核心功能可以充分发挥大语言模型的强大能力。接下来我们需要搭建前后端设计产品页面让我们的应用能够上线成为产品。前后端开发是非常经典且成熟的领域此处就不再赘述我们将主要介绍两种快速开发 Demo 的框架Gradio 和 Streamlit可以帮助个体开发者迅速搭建可视化页面实现 Demo 上线。体验优化。在完成前后端搭建之后应用就可以上线体验了。接下来就需要进行长期的用户体验跟踪记录 Bad Case 与用户负反馈再针对性进行优化即可。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】
