大模型应用开发零基础学习路线：基础理论、核心技术、高阶应用开发

Part.1

AI工程师都要会些什么？

大语言模型（Large Language Model，LLM）技术的兴起，正在深刻影响软件的形态，开发者的工作也从实现业务逻辑、构建独立应用，转向以LLM为底层引擎快速搭建智能应用的模式。

当下，传统软件也许都要基于AI重写一遍，而这对开发者提出了新的要求：开发者要从单一的代码编写者成为驾驭大模型能力的AI工程师。那么，要如何修炼自己的LLM开发技术栈呢？

首先是深入理解当前主流大模型的核心架构——Transformer模型，明晰自注意力机制如何捕捉文本语义、多头注意力如何并行处理信息，这是自定义大模型结构的基础。

接着要知晓LLM可能存在的不足之处，通过提示词工程、微调、检索增强生成（Retrieval-Augmented Generation，RAG）等技术工具解决知识过时问题。

此外，还要掌握框架工具的使用，例如LlamaIndex、LangChain等，学会编排大模型应用，比如构建“检索 + 生成”的问答系统。最后是构建智能体驱动LLM自主决策，部署LLM应用并监控其稳定运行。

针对这些知识，小白要学多久才能上手干活？只需读完《动手构建大模型》这本书即可。全书没有废话，讲完必要的理论，直接手把手给出实操案例，读者照着书做便能积累实战经验，在工作中边用边提升，稳步成长为LLM应用开发实战高手。

▼点击下方，即可购书

事不宜迟，这就动手开始学吧。

Part.2

零基础进阶大模型实战高手

本书为读者规划了一条循序渐进的学习路线，零基础也能轻松上手。书中内容分为三大篇：基础理论篇解读LLM的概念、核心架构及其不完美之处；核心技术篇详解提示词工程、RAG、LLM框架工具；高阶应用篇讲透高级RAG、Agent（智能体）、微调、LLM部署与优化。

为获得更好的学习体验，读者需要具备简单的Python编程知识，并在计算机上搭建一个版本高于3.8.1的Python编程环境，以使用Visual Studio Code工具。在学习过程中一定要积极动手实践，从而快速吸收所学知识。

我们现在正式踏上学习之旅。

基础理论篇

开篇用通俗的语言拆解LLM的组成结构，从Transformer架构的核心逻辑，到分词、嵌入、上下文窗口这些基础概念，梳理LLM的发展简史，并给出用GPT-3.5 API做翻译、通过小样本学习控制LLM输出的实战小项目。

接着深入讲解Transformer架构，阐释“Attention Is All You Need”论文的核心内容，拆解编码器 - 解码器、仅解码器等设计选择，对比专有模型与开源模型，还列出了LLM在商业、医疗、教育等9大领域的应用场景。

最后解释了LLM产生幻觉（生成错误信息）、偏见等问题的根源，并给出应对之道：通过控制输出格式、调整解码方法减轻幻觉，用基准测试评估模型性能。

核心技术篇

打好基础之后，本篇就聚焦LLM应用核心技术，教大家如何与LLM对话，向其输入特定数据，建立知识库。

首先，讲透提示工程的核心技巧：

零样本提示：不提供示例，直接让模型完成任务。

上下文学习和小样本提示：给出一些示例，提示模型给出符合期望的回答。

思维链（CoT）提示：驱使LLM逐步思考，以提供推理能力。

角色提示：给模型设定身份，获得专业方向的精确回答。

然后，以RAG手段解决LLM知识过时、产生幻觉等问题，详解从头构建RAG管道，把文档转成嵌入向量、存进向量数据库、查询时让模型结合检索结果生成答案，从此大模型便能引用专属数据，生成准确内容。

接着，介绍LangChain和LlamaIndex两大框架的用法，用两个项目实战演示：构建新闻摘要器、使用LangChain构建 LLM驱动的应用。动手跟着做一遍，就能秒懂如何搭建LLM应用的骨架。

▲新闻文章摘要器的工作流程

将上述工具和框架综合运用，书中给出了贴近真实场景的项目开发实例：

用LangChain做知识图谱：从文本中提取关联关系，让LLM输出更加结构化。

搭建客服问答机器人：把专业领域知识投放给模型，用户提问时自动匹配答案，解放人工。

做YouTube视频摘要器：用Whisper转语音为文本，再让LLM生成摘要，多模态应用轻松实现。

▲基于文本数据创建知识图谱的工作流程

这些项目都提供了Google Colab Notebook方式，“开箱即练”，可以直接在云端运行，不用本地配置复杂环境，方便学习并获得反馈。

高阶应用篇

能用工具干活了，接下来学习解决难题、优化性能、部署上线，覆盖企业级应用的全流程。

首先重点讲解基于LlamaIndex的高级RAG技术，包括嵌入模型与LLM微调、RAG监控与评估、混合检索与嵌入向量检索。LlamaIndex查询环节，涵盖查询构建、查询扩展、查询转换、重排序、递归检索以及从小到大的检索逻辑。

还介绍了RAG评估方法，教你如何衡量检索效果。这些都是企业评估LLM应用的标准流程，掌握后即可与专业工程师对齐。

▲RAG系统中的检索评估指标

智能体是大模型的进阶形态，能自主调用工具、规划任务。书中给出多种智能体构建案例：用OpenAI Assistants做分析助手、用 LlamaIndex做数据库查询智能体，还讲解了AutoGPT、BabyAGI等经典智能体的原理。

如果API调用的通用模型满足不了需求，就需要使用微调技术，书中讲透了LoRA、RLHF等微调技术，并给出详细的行业案例，包括用医疗数据微调LLM、用金融数据做情感分析。

▲RLHF过程的可视化示意图

最后讲解模型部署上线步骤，部署优化环节涵盖使用模型量化、剪枝、蒸馏、投机解码，还演示了在谷歌云CPU上部署量化模型的具体过程。

至此，读者完成了AI工程师的能力闭环。

作者团队介绍

本书作者团队有着深厚的学术积淀、一线工程实战经验与教育传播能力。他们创作本书，旨在为读者打开LLM工程应用的大门，让更多人参与用AI技术改变世界的行动中。

路易斯 - 弗朗索瓦・布沙尔 蒙特利尔学习算法研究所医学人工智能博士，2020年起担任初创公司AI部门负责人，组建团队推进早期计算机视觉研发项目，开设个人YouTube频道分享AI知识，专注于AI现实应用落地。

路易・彼得斯 拥有帝国理工学院物理学专业背景，曾就职于摩根大通集团从事投资研究。他现任Towards AI首席执行官，密切关注AI带来的颠覆性社会影响和经济影响，持续推动AI在更多实际场景中落地的技术突破。

Towards AI 的使命是通过课程、博客、教程、新闻、图书和Discord社区，让AI技术触手可及。自2019年以来，已经帮助超过40万人了解AI知识。

Part.3

结语

对于技术人来说，要想尽快让LLM为业务赋能，就一定要动手真刀真枪地干起来。《动手构建大模型》提供了最直接的实操过程，不绕弯子，精准解决各类实际智能化应用需求。

本书最大特点是实战导向、项目驱动学习，代码完整可复用，案例丰富多元。每章均配套“小案例 + 大项目”，且项目贴合真实业务场景。

基础阶段：GPT-3.5 API翻译、小样本学习控制输出，助力新手快速上手；

核心阶段：新闻摘要器、客服问答机器人、YouTube视频摘要器，覆盖文本处理、多模态交互等高频需求；

高级阶段：医疗数据微调 LLM、谷歌云部署量化模型，直接对标企业级任务。

书中语言通俗易懂，方便零基础学习者快速入门，每章固定设置理论讲解、代码演示、项目实战模块，不同层次的读者可以快速定位自己的核心内容，切实掌握技术并应用落地。

▲精彩书摘

另外，本书学习体验优异，提供Google Colab Notebook，所有项目代码均适配云端环境，读者无须本地配置复杂依赖，复制链接即可运行，大幅降低实践门槛。

配套资源丰富，在towardsai.net/book提供代码仓库、requirements.txt依赖清单、研究论文链接，且代码定期更新以适配LLM生态变化，确保可复现性。

▲代码示例

无论是想从传统程序员转型AI工程师，还是需要落地大模型应用的企业工程师，又或者是高校相关专业的师生，都能在书中找到对应学习模块，从理论到实践全贯通。

吃透理论，熟练应用，《动手构建大模型》助你零基础进阶大模型实战高手！