本文详细介绍了LangChain大模型应用框架，涵盖其五大核心概念、快速上手指南及核心组件使用方法。通过构建智能文档问答Web应用的实战项目，展示了如何整合LangChain的各项功能，包括模型管理、数据检索、链式调用和记忆功能。文章提供完整代码实现、部署方法和扩展练习，帮助读者从入门到实战掌握LangChain应用开发。

---

第一部分：LangChain基础教程

一、什么是LangChain？为什么你需要它？

想象一下：你想让AI帮你分析一份PDF文档，提取关键信息，然后用这些信息回答用户问题。单独使用GPT-4的话，你需要手动处理文档解析、信息存储、上下文管理等步骤。而LangChain就像一个"AI应用胶水框架"，它能把这些零散的功能模块串联起来，让你快速构建复杂的LLM应用。

核心概念速览 * Model I/O：统一接口对接各类大模型（OpenAI、Claude、本地模型等） * Retrieval：智能检索外部数据（文档、数据库、API等） * Chains：将多个组件串联成工作流 * Agents：让AI自主决策使用哪些工具 * Memory：为对话添加记忆能力

二、5分钟快速上手

1. 环境准备

# 创建项目目录
mkdir langchain_tutorial
cd langchain_tutorial
# 安装核心库
pip install langchain openai chromadb tiktoken
# 设置API密钥（以OpenAI为例）
export OPENAI_API_KEY="your-api-key-here"

2. 第一个Hello World

from langchain.llms import OpenAI
from langchain.prompts import PromptTemplate
# 初始化模型
llm = OpenAI(temperature=0.7)
# 创建提示模板
prompt = PromptTemplate(
input_variables=["product"],
template="请为{product}写一段吸引人的广告文案，要求包含emoji"
)
# 生成内容
result = llm(prompt.format(product="智能咖啡杯"))
print(result)
# 输出示例：☕️ 智能咖啡杯 - 你的私人咖啡师！自动控温，APP远程操控，让每一口都恰到好处～

三、核心组件详解

1. 模型管理（Model I/O）

from langchain.llms import OpenAI, HuggingFaceHub
from langchain.chat_models import ChatOpenAI
# 文本生成模型
text_llm = OpenAI(model_name="text-davinci-003")
# 对话模型
chat_model = ChatOpenAI(model_name="gpt-3.5-turbo")
# 本地模型
local_llm = HuggingFaceHub(
repo_id="google/flan-t5-xl",
model_kwargs={"temperature":0.5}
)

2. 提示工程（Prompt Engineering）

from langchain.prompts import ChatPromptTemplate, SystemMessagePromptTemplate, HumanMessagePromptTemplate
# 系统+用户双角色提示
system_msg = SystemMessagePromptTemplate.from_template(
"你是一个专业的{role}，请用{style}的语气回答问题"
)
human_msg = HumanMessagePromptTemplate.from_template("{query}")
chat_prompt = ChatPromptTemplate.from_messages([system_msg, human_msg])
# 格式化输入
formatted_prompt = chat_prompt.format_messages(
role="美食评论家",
style="幽默风趣",
query="如何评价北京豆汁儿？"
)

3. 数据检索（Retrieval）

from langchain.document_loaders import TextLoader
from langchain.text_splitter import CharacterTextSplitter
from langchain.embeddings import OpenAIEmbeddings
from langchain.vectorstores import Chroma
# 加载文档
loader = TextLoader("company_handbook.txt")
documents = loader.load()
# 分割文本
text_splitter = CharacterTextSplitter(chunk_size=500, chunk_overlap=50)
docs = text_splitter.split_documents(documents)
# 创建向量数据库
embeddings = OpenAIEmbeddings()
db = Chroma.from_documents(docs, embeddings)
# 相似度检索
query = "公司的年假政策是什么？"
results = db.similarity_search(query, k=3)
for doc in results:
print(f"相关段落：{doc.page_content[:200]}...")

4. 链式调用（Chains）

from langchain.chains import LLMChain, SimpleSequentialChain
# 单链：翻译+润色
translate_chain = LLMChain(
llm=llm,
prompt=PromptTemplate(
input_variables=["text"],
template="将以下文本翻译成英文：\n{text}\n然后润色使其更专业："
)
)
# 顺序链：先翻译再总结
summary_chain = LLMChain(
llm=llm,
prompt=PromptTemplate(
input_variables=["text"],
template="用三句话总结以下内容：\n{text}"
)
)
overall_chain = SimpleSequentialChain(
chains=[translate_chain, summary_chain],
verbose=True
)
result = overall_chain.run("人工智能是计算机科学的一个分支...")

5. 记忆功能（Memory）

from langchain.memory import ConversationBufferMemory
memory = ConversationBufferMemory()
# 第一轮对话
response1 = chat_model.predict(
input="我叫小明，今年25岁",
memory=memory
)
print(response1)  # "你好小明！很高兴认识你..."
# 第二轮对话（自动携带历史）
response2 = chat_model.predict(
input="我刚才说了什么？",
memory=memory
)
print(response2)  # "你之前提到你叫小明，今年25岁"

第二部分：实战项目 - 智能文档问答Web应用

一、项目概览

我们将把上面学到的LangChain知识全部整合起来，构建一个功能完整的智能文档问答系统，具有以下特性：

• 📄 支持PDF/TXT/DOCX文档上传
• 🔍 智能语义检索与问答
• 💬 多轮对话记忆功能
• 🎛️ 实时参数调节面板
• 📱 响应式Web界面

二、项目结构

langchain_tutorial/
├── app.py                 # 主应用文件
├── requirements.txt       # 依赖列表
├── run.py                # 启动脚本
├── README.md             # 使用说明
├── chroma_db/           # 向量数据库目录（自动创建）
└── utils/               # 工具模块
├── __init__.py
└── document_processor.py

三、完整代码实现

1. 主应用文件 (app.py)

import streamlit as st
import os
import tempfile
import shutil
from pathlib import Path
from langchain.chains import ConversationalRetrievalChain
from langchain.memory import ConversationBufferWindowMemory
from langchain.vectorstores import Chroma
from langchain.embeddings import OpenAIEmbeddings
from langchain.chat_models import ChatOpenAI
from langchain.prompts import PromptTemplate
from utils.document_processor import process_documents
# 页面配置
st.set_page_config(
page_title="智能文档问答系统 - LangChain实战",
page_icon="🤖",
layout="wide",
initial_sidebar_state="expanded"
)
# 确保chroma_db目录存在
CHROMA_DB_DIR = "./chroma_db"
Path(CHROMA_DB_DIR).mkdir(exist_ok=True)
# 自定义CSS样式
def apply_custom_css():
st.markdown("""
<style>
.main {
background-color:
#f5f7fa
;
}
.stButton>button {
background-color:
#4CAF50
;
color: white;
border-radius: 20px;
padding: 10px 24px;
}
.chat-message {
padding: 1.5rem;
border-radius: 0.8rem;
margin-bottom: 1rem;
display: flex;
}
.user-message {
background-color:
#e3f2fd
;
justify-content: flex-end;
}
.assistant-message {
background-color:
#ffffff
;
box-shadow: 0 2px 4px rgba(0,0,0,0.1);
}
.source-box {
background-color:
#f8f9fa
;
border-left: 4px solid
#4285f4
;
padding: 1rem;
margin-top: 0.5rem;
border-radius: 0 8px 8px 0;
}
</style>
""", unsafe_allow_html=True)
apply_custom_css()
# 初始化会话状态
if "messages" not in st.session_state:
st.session_state.messages = []
if "vector_db" not in st.session_state:
st.session_state.vector_db = None
if "memory" not in st.session_state:
st.session_state.memory = ConversationBufferWindowMemory(
k=3,
return_messages=True,
memory_key="chat_history"
)
# 侧边栏配置
with st.sidebar:
st.title("⚙️ 系统配置")
# API密钥输入
api_key = st.text_input("OpenAI API Key", type="password",
help="在此输入您的OpenAI API密钥")
if api_key:
os.environ["OPENAI_API_KEY"] = api_key
# 模型参数调节
st.subheader("模型参数")
temperature = st.slider("Temperature", 0.0, 1.0, 0.7, 0.1)
max_tokens = st.slider("Max Tokens", 256, 2048, 1024, 128)
# 记忆配置
st.subheader("记忆设置")
memory_window = st.slider("记忆窗口大小", 1, 10, 3)
# 检索设置
st.subheader("检索设置")
top_k = st.slider("检索文档数量", 1, 10, 5)
# 文档管理
st.subheader("文档管理")
uploaded_files = st.file_uploader(
"上传文档 (PDF/TXT/DOCX)",
type=["pdf", "txt", "docx"],
accept_multiple_files=True
)
if uploaded_files and api_key:
with st.spinner("正在处理文档..."):
try:
# 处理文档
documents = process_documents(uploaded_files)
if documents:
# 重新初始化向量数据库
if os.path.exists(CHROMA_DB_DIR):
shutil.rmtree(CHROMA_DB_DIR)
st.session_state.vector_db = Chroma.from_documents(
documents=documents,
embedding=OpenAIEmbeddings(),
persist_directory=CHROMA_DB_DIR
)
st.success(f"✅ 成功处理 {len(documents)} 个文档片段")
else:
st.error("❌ 未能处理任何文档")
except Exception as e:
st.error(f"❌ 处理文档时出错: {str(e)}")
# 清空对话按钮
if st.button("🗑️ 清空对话历史"):
st.session_state.messages = []
st.session_state.memory = ConversationBufferWindowMemory(
k=memory_window,
return_messages=True,
memory_key="chat_history"
)
st.rerun()
# 主界面
st.title("📚 智能文档问答系统")
st.caption("基于LangChain + Streamlit构建")
# 显示LangChain概念说明
with st.expander("🔍 LangChain核心概念"):
st.markdown("""
### 1. Model I/O
- 使用 `ChatOpenAI` 作为大语言模型
- 通过 `temperature` 和 `max_tokens` 控制模型行为
### 2. Retrieval
- 使用 `Chroma` 向量数据库存储文档嵌入
- 通过 `as_retriever()` 方法创建检索器
### 3. Chains
- 使用 `ConversationalRetrievalChain` 组合检索和生成
### 4. Memory
- 使用 `ConversationBufferWindowMemory` 维护对话历史
### 5. Prompts
- 自定义提示模板指导AI回答
""")
# 显示聊天历史
for message in st.session_state.messages:
with st.container():
if message["role"] == "user":
st.markdown(f"""
<div class="chat-message user-message">
<div style="background-color:
#2196F3
; color: white; padding: 10px 15px; border-radius: 18px; max-width: 80%;">
{message["content"]}
</div>
</div>
""", unsafe_allow_html=True)
else:
st.markdown(f"""
<div class="chat-message assistant-message">
<div style="background-color: white; padding: 10px 15px; border-radius: 18px; max-width: 80%; box-shadow: 0 1px 3px rgba(0,0,0,0.12);">
{message["content"]}
</div>
</div>
""", unsafe_allow_html=True)
# 显示来源文档
if "sources" in message and message["sources"]:
with st.expander("📄 参考文档"):
for i, source in enumerate(message["sources"]):
source_name = source.metadata.get('source', '未知')
content_preview = source.page_content[:200].replace('\n', ' ')
st.markdown(f"**来源 {i+1}:** {source_name}")
st.markdown(f"**内容:** {content_preview}...")
# 用户输入
if prompt := st.chat_input("请输入您的问题..."):
if not api_key:
st.error("❌ 请先在侧边栏输入OpenAI API密钥")
st.stop()
if st.session_state.vector_db is None:
st.warning("⚠️ 请先上传并处理文档")
st.stop()
# 添加用户消息
st.session_state.messages.append({"role": "user", "content": prompt})
# 显示用户消息
st.markdown(f"""
<div class="chat-message user-message">
<div style="background-color:
#2196F3
; color: white; padding: 10px 15px; border-radius: 18px; max-width: 80%;">
{prompt}
</div>
</div>
""", unsafe_allow_html=True)
# 生成回答
with st.spinner("🤔 AI正在思考中..."):
try:
# 创建自定义提示模板
custom_prompt = PromptTemplate(
template="""
你是一个专业的文档分析助手，请根据提供的上下文信息回答问题。
如果上下文中没有相关信息，请明确说明无法回答，不要编造答案。
上下文信息:
{context}
对话历史:
{chat_history}
问题: {question}
回答要求:
1. 答案要准确、简洁
2. 使用中文回答
""",
input_variables=["context", "chat_history", "question"]
)
# 创建QA链
qa_chain = ConversationalRetrievalChain.from_llm(
llm=ChatOpenAI(
temperature=temperature,
max_tokens=max_tokens,
model_name="gpt-3.5-turbo"
),
retriever=st.session_state.vector_db.as_retriever(
search_kwargs={"k": top_k}
),
memory=st.session_state.memory,
combine_docs_chain_kwargs={"prompt": custom_prompt},
return_source_documents=True,
verbose=False
)
# 获取回答
response = qa_chain({"question": prompt})
# 添加助手消息
assistant_message = {
"role": "assistant",
"content": response["answer"],
"sources": response.get("source_documents", [])
}
st.session_state.messages.append(assistant_message)
# 显示助手消息
st.markdown(f"""
<div class="chat-message assistant-message">
<div style="background-color: white; padding: 10px 15px; border-radius: 18px; max-width: 80%; box-shadow: 0 1px 3px rgba(0,0,0,0.12);">
{response['answer']}
</div>
</div>
""", unsafe_allow_html=True)
# 显示来源文档
if response.get("source_documents"):
with st.expander("📄 参考文档"):
for i, doc in enumerate(response["source_documents"]):
source_name = doc.metadata.get('source', '未知')
content_preview = doc.page_content[:200].replace('\n', ' ')
st.markdown(f"**来源 {i+1}:** {source_name}")
st.markdown(f"**内容:** {content_preview}...")
except Exception as e:
error_msg = f"❌ 生成回答时出错: {str(e)}"
st.error(error_msg)
st.session_state.messages.append({
"role": "assistant",
"content": error_msg
})
# 显示使用统计
if st.session_state.messages:
col1, col2, col3 = st.columns(3)
with col1:
st.metric("对话轮数", len(st.session_state.messages) // 2)
with col2:
if st.session_state.vector_db:
try:
doc_count = len(st.session_state.vector_db.get()["ids"])
st.metric("文档片段数", doc_count)
except:
st.metric("文档片段数", "N/A")
with col3:
st.metric("记忆窗口", f"{memory_window} 轮")

2. 文档处理器 (utils/document_processor.py)

import os
import tempfile
import shutil
from pathlib import Path
from langchain.document_loaders import (
PyPDFLoader,
TextLoader,
Docx2txtLoader
)
from langchain.text_splitter import RecursiveCharacterTextSplitter
def process_documents(uploaded_files):
"""处理上传的文档并返回分割后的文本块"""
all_docs = []
# 创建临时目录
temp_dir = tempfile.mkdtemp()
try:
for file in uploaded_files:
# 保存临时文件
temp_path = Path(temp_dir) / file.name
with open(temp_path, "wb") as f:
f.write(file.getbuffer())
try:
# 根据文件类型选择加载器
file_extension = temp_path.suffix.lower()
if file_extension == '.pdf':
loader = PyPDFLoader(str(temp_path))
elif file_extension == '.txt':
loader = TextLoader(str(temp_path))
elif file_extension == '.docx':
loader = Docx2txtLoader(str(temp_path))
else:
continue
# 加载文档
documents = loader.load()
# 添加文件来源信息
for doc in documents:
doc.metadata["source"] = file.name
doc.metadata["file_type"] = file_extension
all_docs.extend(documents)
except Exception as e:
print(f"处理文件 {file.name} 时出错: {str(e)}")
continue
if all_docs:
# 分割文本
text_splitter = RecursiveCharacterTextSplitter(
chunk_size=1000,
chunk_overlap=200,
length_function=len,
add_start_index=True,
)
split_docs = text_splitter.split_documents(all_docs)
return split_docs
return []
finally:
# 清理临时目录
if os.path.exists(temp_dir):
shutil.rmtree(temp_dir)

3. 空初始化文件 (utils/init.py)

# 空文件，使utils成为Python包

4. 依赖文件 (requirements.txt)

streamlit==1.28.0
langchain==0.0.340
openai==1.3.0
chromadb==0.4.15
PyPDF2==3.0.1
python-docx==0.8.11
tiktoken==0.5.1

5. 启动脚本 (run.py)

#!/usr/bin/env python3
"""
LangChain 智能文档问答系统启动脚本
"""
import subprocess
import sys
import os
def check_dependencies():
"""检查依赖是否安装"""
required_packages = [
'streamlit',
'langchain',
'openai',
'chromadb',
'PyPDF2',
'python-docx',
'tiktoken'
]
missing_packages = []
for package in required_packages:
try:
__import__(package.replace('-', '_'))
except ImportError:
missing_packages.append(package)
if missing_packages:
print(f"❌ 缺少以下依赖包: {', '.join(missing_packages)}")
print("请运行: pip install -r requirements.txt")
return False
return True
def main():
"""主函数"""
print("🤖 LangChain 智能文档问答系统")
print("=" * 50)
# 检查依赖
if not check_dependencies():
sys.exit(1)
# 检查项目结构
required_files = [
'app.py',
'requirements.txt',
'utils/__init__.py',
'utils/document_processor.py'
]
missing_files = []
for file in required_files:
if not os.path.exists(file):
missing_files.append(file)
if missing_files:
print(f"❌ 缺少以下文件: {', '.join(missing_files)}")
sys.exit(1)
print("✅ 所有文件和依赖检查通过")
print("🚀 启动应用...")
print("📱 应用将在浏览器中打开: http://localhost:8501")
print("⏹️  按 Ctrl+C 停止应用")
print("=" * 50)
# 启动Streamlit应用
try:
subprocess.run([
sys.executable, '-m', 'streamlit', 'run',
'app.py', '--server.port=8501', '--server.address=localhost'
])
except KeyboardInterrupt:
print("\n👋 应用已停止")
except Exception as e:
print(f"❌ 启动应用时出错: {str(e)}")
sys.exit(1)
if __name__ == "__main__":
main()

6. 使用说明 (README.md)

# LangChain 智能文档问答系统
这是一个基于 LangChain + Streamlit 构建的智能文档问答系统，支持 PDF、TXT、DOCX 文档的上传和智能问答。
## 功能特性
- 📄 支持多种文档格式 (PDF, TXT, DOCX)
- 🔍 智能语义检索与问答
- 💬 多轮对话记忆功能
- 🎛️ 可调节的模型参数
- 📱 响应式 Web 界面

## 安装和运行

1. 安装依赖

pip install -r requirements.txt

### 2. 设置 OpenAI API 密钥

- 在 [OpenAI官网](https://platform.openai.com/api-keys) 注册账号并获取 API 密钥
- 或在运行时通过界面输入

### 3. 运行应用

方式1: 使用启动脚本

python run.py

方式2: 直接使用streamlit

streamlit run app.py

### 5. 访问应用

打开浏览器访问: http://localhost:8501
## 使用说明
1. **设置 API 密钥**: 在左侧边栏输入您的 OpenAI API 密钥
2. **上传文档**: 点击"上传文档"按钮，选择 PDF/TXT/DOCX 文件
3. **等待处理**: 系统会自动处理文档并建立索引
4. **开始问答**: 在底部输入框中输入问题，AI 会基于文档内容回答

## 项目结构

langchain_tutorial/
├── app.py                 # 主应用文件
├── requirements.txt       # 依赖列表
├── run.py                # 启动脚本
├── chroma_db/           # 向量数据库目录（自动创建）
└── utils/               # 工具模块
├──
init
.py
└── document_processor.py

## 故障排除

### 常见问题
1. **ModuleNotFoundError**: 运行 `pip install -r requirements.txt`
2. **API 密钥错误**: 检查 OpenAI API 密钥是否正确设置
3. **文档处理失败**: 确保文档格式正确且未损坏
4. **内存不足**: 减少上传文档的大小或数量
### 支持的文档格式
- PDF (.pdf)
- 纯文本 (.txt)
- Word 文档 (.docx)
## 技术栈
- **LangChain**: 大语言模型应用框架
- **Streamlit**: Web 应用框架
- **ChromaDB**: 向量数据库
- **OpenAI GPT**: 大语言模型
- **Python**: 编程语言
## 许可证
MIT License

四、部署与运行

1. 本地运行

# 创建项目目录
mkdir langchain_tutorial
cd langchain_tutorial
# 创建所有文件（复制上面的代码）
# 安装依赖
pip install -r requirements.txt
# 启动应用
python run.py

2. 云部署（Streamlit Cloud）

1. 将代码推送到GitHub仓库
2. 访问 share.streamlit.io
3. 连接GitHub仓库并部署
4. 在设置中添加OpenAI API密钥作为secrets

五、从教程到实战的完美结合

核心概念在实战中的应用

LangChain概念	在实战项目中的应用	具体实现
Model I/O	使用ChatOpenAI处理用户输入	ChatOpenAI(temperature=0.7, max_tokens=1024)
Retrieval	从文档中检索相关信息	Chroma向量数据库 + as_retriever()
Chains	组合检索和生成过程	ConversationalRetrievalChain
Memory	维护对话历史	ConversationBufferWindowMemory
Prompts	指导AI回答的格式和内容	自定义PromptTemplate

六、扩展练习建议

1. 添加Agents功能：让用户可以选择使用网络搜索工具
2. 支持更多文件格式：添加Excel、PowerPoint等格式支持
3. 多语言支持：添加英文等其他语言的问答能力
4. 用户认证：添加登录系统，支持多用户使用
5. API接口：添加REST API，支持第三方集成

七、常见问题解答

Q: 如何处理大型文档？

A: 使用更小的chunk_size，或者实现分层检索策略

Q: 如何提高检索准确性？

A: 调整chunk_size、chunk_overlap，或者使用不同的embedding模型

Q: 如何降低API成本？

A: 使用本地embedding模型，只在必要时调用LLM API

总结

通过这篇完整的教程，我们从LangChain的基础概念开始，逐步深入到实际的Web应用开发。这个项目不仅展示了LangChain的各个核心组件，还提供了一个可以直接使用的智能文档问答系统。

重要提示：

• 确保已安装所有依赖包
• 需要有效的OpenAI API密钥
• 首次运行可能需要较长时间处理文档
• 建议使用较小的文档进行测试

如何系统的学习大模型 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。

一直在更新，更多的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇

01.大模型风口已至：月薪30K+的AI岗正在批量诞生

2025年大模型应用呈现爆发式增长，根据工信部最新数据：

国内大模型相关岗位缺口达47万

初级工程师平均薪资28K（数据来源：BOSS直聘报告）

70%企业存在"能用模型不会调优"的痛点

真实案例：某二本机械专业学员，通过4个月系统学习，成功拿到某AI医疗公司大模型优化岗offer，薪资直接翻3倍！

02.大模型 AI 学习和面试资料

1️⃣ 提示词工程：把ChatGPT从玩具变成生产工具
2️⃣ RAG系统：让大模型精准输出行业知识
3️⃣ 智能体开发：用AutoGPT打造24小时数字员工

📦熬了三个大夜整理的《AI进化工具包》送你：
✔️ 大厂内部LLM落地手册（含58个真实案例）
✔️ 提示词设计模板库（覆盖12大应用场景）
✔️ 私藏学习路径图（0基础到项目实战仅需90天）

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】