系列文章目录

白话大模型增强技术系列之LLM速通
白话大模型增强技术系列之概览篇
白话大模型增强技术系列之Prompt Engineering
白话大模型增强技术系列之Agent
白话大模型增强技术系列之Agent Skills

前言

本章作为该博客系列的概览，说实话没什么干货，仅给大家做简单梳理，着急学具体技术的可以省略不看。

在系统学习大模型增强技术之前，强烈建议您先读一下之前的"白话速通LLM"，先对LLM大模型有一个整体的理解，以便更好的学习后续内容。
为了凑行数😃，让我们再来看一遍流程图：

先来看数据层，要处理几乎互联网上所有的数据，等于全人类古今中外的知识，咱小老百姓的，没能力哎没能力；再看训练层，且不说买数百张A卡的钱，每次数周训练所要花掉的电费也逼近数百万美金，咱这小公司犯不着啊犯不着；那我就只管部署呗？那又要另外掏钱买服务器，再搞几个牛马保证7*24小时的稳定服务，GPU的CPU，划不来啊划不来。这么分析下来，就只有业务应用这一块我们能点施展点拳脚了。

我并不否认底层模型的重要性，在这个大国博弈时代，AI技术是各国关注的重点之一，中国人要在AI领域走在世界前列，光靠一个Deepseek R1是不够的，还需要大模型厂商和专家科研团队的努力，不断投入先进底层模型的开发。而对于绝大多数的中小型企业和数字个体，我们能做的，也是主要发力点，就是学会利用各类增强技术去赋能大模型这个强力底座，实现业务应用，创造业务价值。

技术概览

让我们先看看有哪些大模型增强技术：

以上是我基于当前现状整理的信息，供大家参考，其中一些技术并没有明显的分界线，比如mcp通常跟agent组合使用，而rag本质上是以prompt engineering的形式起作用的。不过实话实说，说不定哪天这个表格就不对了。AI发展真的太快了，大模型增强技术也是日新月异，技术“过时”已经是常态，甚至大模型增强技术本身被模型内置化或淘汰也不一定。焦虑无法解决问题，我们能做的唯有拥抱变化和学习。

接下来，我会根据上述表格，对其中重点技术逐一研究并成篇，我将以尽可能通俗的语言将所学分享给大家（小白适用），欢迎大家加入我一起学习，如有不对的地方，欢迎指正。毕竟还有班要上，且要对读者负责虽然没几个人读，所以本人的写作进度会比较慢，等不及的同学可以依据以上信息去进行搜索，网上也早有大量相关的更成熟的研究和文章。

拓展

我相信现在大部分人对大模型都是小白水平，想转行大模型开发，有必要整体性的从数学基础到机器学习，再从到深度学习到神经网络这样学一遍AI吗？我个人认为对大多数同学来讲完全没有必要，如果你只做应用，或者你是自媒体只想做一个个人助手，完全可以直接从大模型增强技术开始，以实践为本，直接学习Dify，coze这样的框架，两三天就能落地一个agent，解决你目前棘手的问题。就比如我在写文章，有必要先把编辑器的语法全学一遍吗，那黄花菜都凉了。需要插图片了，去了解一下怎么插图，需要插入代码块，再看看怎么写代码块，以写文章的目的去学习。对绝大多数企业和个人来说，实现业务价值才是重中之重，不要为了学而学。

当然，我相信有不少同学是有志之士，对底层更感兴趣，想要在技术领域有长足的发展，那我觉得上面那条长路径是没毛病的。大模型背后的算法Transformer，实际上属于深度学习领域，而深度学习实际上是机器学习的一个子集，只不过最近大模型炒的太火，盖住了这些声音，现实生活中仍有大量场景需求，例如银行信贷风险评估、设备故障检测、医学影像分割等等，都要用传统机器学习来实现。机器学习和深度学习将是永恒的底座，作为AI算法工程师的必备基础。