“ 寻找大模型的应用场景，就是把大模型带入人的角色；人在不同场景中扮演什么角色，就可以尝试让大模型去扮演这个角色。”

最近一直在做大模型应用方面的开发，从刚开始的迷茫和无措到现在对大模型有了一定的了解。因此，这时才发现自己陷入了一个很大的误区，那就是对大模型认识不够深刻，甚至很多时候不知道大模型是个什么东西。

但经过这段时间的摸索之后才发现，我们应该把大模型当做一个人，而不是把大模型当做一个神。

大模型就是一个人

为什么说我们要把大模型当做一个人，而不是把大模型当做一个神？

原因就在于大模型有其自己的能力边界，并且当我们把大模型当做一个人时，我们才能知道大模型能做什么，不能做什么，以及应该怎么做。

以作者最近一直在搞的数据分析为例，在此之前虽然也用大模型做过一些AIGC和RAG方面的东西，但主要用的就是大模型的生成能力和基础的推理能力。

但怎么把大模型应用于数据分析，刚开始拿到这个需求的时候一脸懵逼，也不知道该怎么做；然后就从网上找一下关于大模型做数据分析的框架和案例。

刚开始的时候，只知道把按照案例里的方式进行开发测试；甚至一度认为，让大模型做数据分析就是数据丢给大模型，然后让大模型分析一个结果。

但等到真正开始做的时候才发现，原来自己想的太简单了，也太理想了，最重要的是也不符合逻辑。

直到这两天才突然明白过来，其实我们使用大模型做应用，一直都是在把大模型当做一个“人”来用，而不是当做一个模型来用。

以AIGC为例，大模型在这里面扮演的就是其实就是一个创作者，它有一定的绘画和设计能力，懂得PS和剪辑技术；这样它才能帮我们生成各种图片和视频，当然也包括音乐。

而把大模型应用到数据分析里面，其实就是让大模型扮演一个DBA的角色；想想以往的数据分析都是怎么做的？

之前基于人力做数据分析时，都是接到需求之后，由DBA对需求进行理解；然后按照理解编写SQL或代码来分析数据并获得结果。

那么，大模型在数据分析里面是怎么做的呢？

大模型在数据分析里面并不是直接拿到数据然后直接进行分析；其原理就是让大模型接替DBA的工作，让大模型去理解用户需求，然后根据需求生成相应的SQL或Pandas或其它语言的代码，然后把这些SQL或代码交给数据库引擎或解释器执行，然后再获取结果。

因为现在大模型可以通过工具集成代码解释器直接执行代码，其实本质上还是基于大模型的生成能力，只不过其中可能加入了部分推理能力；比如说理解用户需求，生成代码，这就需要大模型能力理解需求，并给出解决方案。

从这里看，大模型是不是就是一个人；而把这个思路扩展一下，大模型的所有应用是不是都是基于“人”这个角色来做的？只不过不同的大模型就类似于擅长不同领域的人，能够处理不同领域的问题。

而以此作为切入点，这时我们在去探索大模型的应用时就会发现，使用这个思路，大模型的应用场景突然变得丰富起来，之前不知道把一些场景与大模型结合起来，现在也能想明白了。

只要把大模型带入人的角色，然后之前人在这些场景中做什么，就可以尝试让大模型去做；用这样的思考方式好像就发现，寻找大模型的应用场景就简单多了。

不管是AIGC还是现在爆火的Agent智能体，无外乎如此。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

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人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

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
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

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】