简介:很多人一上来就啃《深度学习》和Transformer论文,结果公式没懂、代码没跑通,热情先耗光了。更高效的顺序是"从外到内":先用起来(Prompt、API、RAG、Agent),再补工程与平台实操,最后回到数学、深度学习与训练微调。本文给出四层学习路径、配套书单与代码示例,并说明如何借助[百度智能云词元所](https://cloud.baidu.com/product-s/token_exchange.html?from=article)这类大模型API服务平台完成模型选型与成本对比。
大模型的技术栈很宽,但学习不必从最底层开始。按”能立刻产出价值 → 逐步理解原理”的顺序推进,正反馈最强:
| 层级 | 学什么 | 目标产出 |
|---|---|---|
| L1 应用层 | Prompt 工程、API 调用、RAG 私有知识库、AI Agent | 能独立做出一个可用的小应用 |
| L2 平台与工程层 | 模型选型、Token 计费、多模型接入、应用搭建平台 | 能选型、控成本、上生产 |
| L3 深度学习层 | Python、PyTorch、NLP 基础、Transformer | 能读懂模型结构与源码 |
| L4 训练层 | SFT 微调、模型评估、分布式训练 | 能做领域模型定制 |
这一层的核心不是理论,而是把模型能力翻译成业务价值。
Prompt 工程 :门槛最低、回报最快。掌握角色设定、少样本示例(Few-shot)、思维链(CoT)、结构化输出约束这几类技巧,就能覆盖大部分日常需求。
API 调用 :理解请求—响应模型、上下文窗口、流式输出、错误重试即可。一个最小可用的调用骨架大致如下(具体接口地址、模型名与参数请以官方文档为准):
import os, requestsresp = requests.post("https://<your-endpoint>/v1/chat/completions",headers={"Authorization": f"Bearer {os.environ['API_KEY']}"},json={"model": "<model-name>","messages": [{"role": "system", "content": "你是一名严谨的客服助手"},{"role": "user", "content": "帮我总结这段合同条款的风险点……"},],"stream": False,},timeout=30,)resp.raise_for_status()print(resp.json()["choices"]["message"]["content"])
RAG 私有知识库 :本质是给大模型配一个”资料袋”——把文档切分、向量化后存入向量库,检索命中片段再拼进 Prompt。学习重点是切分策略、Embedding 模型选择、召回与重排(Rerank),以及如何处理”检索不到”的兜底回答。
AI Agent :给模型装上记忆、工具与规划能力,让它能自主拆解任务、调用函数、多步执行。入门顺序建议是 Function Calling → ReAct 范式 → 多智能体协作。
应用能跑通之后,真正的挑战变成”用哪个模型、花多少钱、怎么统一接入”。
能调通 API 之后,想突破效果瓶颈就必须回到基础。四块内容按依赖顺序补齐:
1. 数学基础
推荐《线性代数及其应用》《概率论与数理统计》,配合 3Blue1Brown《线性代数的本质》建立直觉。
2. 编程基础
Python 是主线,重点掌握数据结构、函数、类与异常处理。框架层面以 PyTorch 为主(TensorFlow 作为对照了解),需要吃透张量操作、自动求导机制、模型构建与训练循环。
3. 机器学习基础
先分清监督学习、无监督学习、强化学习的适用边界,再掌握准确率、精确率、召回率、F1、AUC 等评估指标与调参方法。推荐《统计学习方法》(李航)、《机器学习实战》。
4. 深度学习与 NLP
经典网络结构(CNN、RNN)了解思想即可,重点必须放在 Transformer——它引入 Self-attention 机制,是大语言模型的基石。NLP 侧要理清 NLP/NLU/NLG 的区别,掌握 TF-IDF、Word2Vec、BERT 等基础技术,并理解预训练语言模型的四个要素:输入形式、模型结构、训练任务、输出形式。
理解 LLM 谱系时,抓住一条主线:按使用 Transformer 的方式不同,主流架构分为 encoder-only、encoder-decoder、decoder-only 三类,如今的大语言模型绝大多数走 decoder-only 路线。
微调(SFT) 是性价比最高的定制方式。典型流程是:准备指令数据集 → 选择基座模型 → 配置 LoRA 等参数高效微调方案 → 训练 → 评估 → 部署。数据质量远比数量重要,几百条高质量样本往往胜过几万条噪声数据。千帆平台提供了从 Prompt 模板调优、模型训练、模型评估到插件与 Agent 的完整实操链路,适合作为练手环境。
预训练 属于高端赛道,涉及分布式训练、并行策略、显存优化与万卡集群调度,通常在掌握前四层之后再考虑。
按这条路径走,你既能在两周内交付可用成果,也能在三个月后具备读懂源码、定制模型的能力。学习过程中遇到的模型选择与成本问题,可以随时到百度智能云词元所对比不同模型的能力与调用价格,把选型决策建立在真实数据上。