“ 大模型的应用是玩出来的而不是看出来的，多体验和尝试不同的模型之间的功能和区别才能让你真正了解大模型的能力。”

在关于大模型应用方面，虽然也了解和应用过其中的一些技术；但经过这段时间的实践和思考发现，对大模型应用的认识还很浅显，因此在此记录一下自己的思考。

大模型应用的思考

大模型作为人工智能应用的底座技术，所有应用场景和技术都是构建在大模型之上；但很多时候我们都搞错了一件事，那就是我们没有搞清楚大模型能力和其它技术的关联和区别。

因此，在这里我们要搞清楚一个概念，那就是大模型能力；所谓大模型的能力，就是模型开发人员怎么把模型做的更好更强，其中设计到模型的设计，训练等；具体有神经网络架构，模型蒸馏等等。

当然，我们不需要关心大模型是怎么做出来的，以及大模型为什么能做那么好或者那么差；我们仅需要知道大模型有哪些能力和功能即可。

比如爆火的deekseep的V3模型和R1模型，其中V3更多的偏向生成模型，而R1更擅长的是推理。

前面说了这么多，可能很多人还没理解其中的含义；之所以说大模型的能力，那就是说我们要明白大模型就是大模型，其它任何附属于大模型的技术都不属于大模型的范畴。

比如说，RAG技术，function call技术，MCP技术，其实他们并不属于大模型本身的功能；特别是RAG，从技术上来看完全可以说RAG和大模型没什么关系。

而function call和MCP技术只是大模型使用外界功能，也就是调用外部接口的能力；而思维链才属于大模型本身的技术，让模型具备分析和推理的能力。

但至于怎么让大模型使用外部工具，这个就是function call和MCP需要考虑的事情。

所以说，模型就是模型，功能就是功能，工具就是工具；但往往我们很多时候都会把这些混为一谈；导致的直接结果就是，在构建应用的时候分不清什么技术解决了什么问题，也不知道自己能做什么应用。

这也是为什么很多基于大模型开发的功能平台，它的核心能力其实是平台的设计和功能；和具体的大模型没直接关系，市面上有了更好的模型出现，那么直接把现有的模型换掉就行了，并不会影响到这些平台本身的业务和功能。

其实从这个角度来思考，事实上这就是一种方法论，很多人不知道怎么使用人工智能解决自己工作和生活中的问题，原因就在于不懂这种方法论；导致自己的认知和方向有偏差，感觉自己明明学了好多东西，但却不知道能干啥。

大模型是核心，function call和MCP既是一种技术，也是一种工具；大模型可以选择集成function call和MCP的能力，也可以选择不使用这些功能。

function call和MCP属于大模型能力的一种扩展，就类似于一种可插拔组件，其是实现智能体(Agent)的技术手段。而思维链才是属于大模型本身的能力，大模型先具备独立思考的能力，学会分析和拆解任务，其次再使用外部工具来完成任务。

当然，大模型实现function call并不需要具备网络接口调用的能力，大模型只需要按照需求生成调用接口所需要的参数，然后把参数传递给开发者写好的代码中即可。

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】