收藏 | 从0到1成为优秀大模型应用开发工程师：RAG/Agent/部署优化6个月进阶路线
本文为程序员和小白提供了成为优秀大模型应用开发工程师的6个月学习路线图，涵盖Python、AI基础及大模型概念。内容重点聚焦RAG、Agent和推理部署优化三大核心技术，通过分阶段学习计划，帮助读者掌握向量数据库、Embedding模型、检索策略、Agent架构、Function Calling、多Agent协作、模型量化、推理引擎部署等关键技能。最后通过企业智能助手平台和垂直领域专业助手两个实战项目，全面提升工程能力，并附有学习资源汇总和能力评估清单，助力读者在大模型领域快速成长。
技术栈总览
┌─────────────────────────────────────────────────────────────┐ │ 大模型应用工程师技术栈 │ ├─────────────────────────────────────────────────────────────┤ │ 基础层 │ │ ├── Python 编程(必备)│ │ ├── Linux 基础(必备)│ │ ├── Git 版本控制(必备)│ │ └── Docker 容器化(必备)│ ├─────────────────────────────────────────────────────────────┤ │ AI 基础 │ │ ├── 机器学习基础 │ │ ├── 深度学习基础(Transformer 架构)│ │ ├── NLP 基础 │ │ └── 大模型基础概念(Prompt/Token/Context 等)│ ├─────────────────────────────────────────────────────────────┤ │ 核心技术 - RAG │ │ ├── 向量数据库(Chroma/Milvus/Weaviate/Pinecone)│ │ ├── Embedding 模型 │ │ ├── 检索策略(稠密/稀疏/混合)│ │ ├── RAG 优化(重排序/查询改写/多跳检索)│ │ └── 框架(LangChain/LlamaIndex)│ ├─────────────────────────────────────────────────────────────┤ │ 核心技术 - Agent │ │ ├── Agent 架构(ReAct/Plan-and-Solve)│ │ ├── Function Calling │ │ ├── 工具调用与集成 │ │ ├── 多 Agent 协作 │ │ ├── 记忆机制 │ │ └── 框架(LangChain/AutoGen/CrewAI)│ ├─────────────────────────────────────────────────────────────┤ │ 核心技术 - 推理部署 │ │ ├── 模型量化(INT8/INT4/FP8)│ │ ├── 推理引擎(vLLM/TGI/TensorRT-LLM)│ │ ├── 服务化(FastAPI/Triton)│ │ ├── 性能优化(批处理/KV Cache/连续批处理)│ │ └── 监控可观测性 │ ├─────────────────────────────────────────────────────────────┤ │ 工程能力 │ │ ├── API 设计与开发 │ │ ├── 数据库(SQL/NoSQL)│ │ ├── 消息队列(Redis/RabbitMQ)│ │ ├── CI/CD │ │ └── 云服务平台(AWS/Azure/阿里云)│ └─────────────────────────────────────────────────────────────┘学习阶段规划
📅 总体时间线（6 个月）
| 阶段 | 时间 | 主题 | 目标 |
|---|---|---|---|
| 第一阶段 | 第 1-4 周 | 基础筑基 | Python+AI 基础+大模型概念 |
| 第二阶段 | 第 5-10 周 | RAG 专项 | 掌握 RAG 全流程与优化 |
| 第三阶段 | 第 11-16 周 | Agent 专项 | 掌握 Agent 设计与开发 |
| 第四阶段 | 第 17-22 周 | 推理部署 | 掌握模型部署与性能优化 |
| 第五阶段 | 第 23-26 周 | 综合实战 | 完整项目实战与优化 |
RAG 专项学习计划
📍 第 5-10 周（6 周）
第 5 周：RAG 基础与向量数据库
| 天数 | 学习内容 | 实践任务 | 产出 |
|---|---|---|---|
| Day 1-2 | RAG 原理与架构 - 检索增强生成概念 - RAG 基本流程 - 应用场景分析 | 阅读论文： “Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks” | 学习笔记 |
| Day 3-4 | 向量数据库入门 - Chroma 基础使用 - 向量相似度计算 - 索引类型 | 安装 Chroma 完成基础 CRUD 操作 | 代码示例 |
| Day 5-7 | Embedding 模型 - 主流 Embedding 模型对比 - 中文 Embedding 选型 - 嵌入维度选择 | 使用 text-embedding 模型 构建小型向量库 | 向量库 demo |
实践项目：构建一个简单的文档检索系统
# 目标：实现文档分块→向量化→存储→检索的完整流程第 6 周：检索策略与 LangChain 集成
| 天数 | 学习内容 | 实践任务 | 产出 |
|---|---|---|---|
| Day 1-2 | 检索策略 - 稠密检索 vs 稀疏检索 - 混合检索策略 - MMR(Maximal Marginal Relevance) | 对比不同检索策略效果 | 对比报告 |
| Day 3-5 | LangChain RAG - Document Loaders - Text Splitters - VectorStores - Retrievers | 使用 LangChain 重构检索系统 | LangChain 版本代码 |
| Day 6-7 | 检索评估 - Recall@K - Precision@K - MRR(Mean Reciprocal Rank) | 构建评估数据集 量化检索效果 | 评估脚本 |
实践项目：多策略检索对比系统
第 7 周：RAG 优化技术（上）
| 天数 | 学习内容 | 实践任务 | 产出 |
|---|---|---|---|
| Day 1-2 | 查询改写 - HyDE(Hypothetical Document Embeddings) - Query Expansion - 同义词扩展 | 实现查询改写模块 | 改写模块代码 |
| Day 3-4 | 文档分块优化 - 固定长度分块 - 语义分块 - 递归分块 - 父子文档检索 | 对比不同分块策略 | 分块策略对比 |
| Day 5-7 | 重排序 (Rerank) - Cross-Encoder 原理 - BGE-Reranker 使用 - 两阶段检索架构 | 集成 Rerank 模型 优化检索排序 | Rerank 集成代码 |
实践项目：带 Rerank 的高质量检索系统
第 8 周：RAG 优化技术（下）
| 天数 | 学习内容 | 实践任务 | 产出 |
|---|---|---|---|
| Day 1-3 | 多跳检索 (Multi-hop) - 迭代检索 - 子查询分解 - GraphRAG 概念 | 实现多跳检索逻辑 | 多跳检索 demo |
| Day 4-5 | 上下文优化 - 上下文压缩 - 相关片段选择 - 上下文窗口管理 | 优化 Prompt 上下文 | 上下文管理模块 |
| Day 6-7 | RAG 评估框架 - RAGAS 框架 - 评估指标 (Faithfulness, Answer Relevance 等) | 使用 RAGAS 评估系统 | 评估报告 |
实践项目：完整的 RAG 评估体系
第 9 周：高级 RAG 架构
| 天数 | 学习内容 | 实践任务 | 产出 |
|---|---|---|---|
| Day 1-2 | 混合检索进阶 - BM25 + 向量混合 - 加权融合策略 - Reciprocal Rank Fusion | 实现混合检索融合 | 混合检索模块 |
| Day 3-4 | 多向量检索 - ColBERT 原理 - Late Interaction - 多表示检索 | 了解多向量架构 | 技术方案文档 |
| Day 5-7 | 企业级 RAG - 权限控制 - 多租户架构 - 增量更新 | 设计企业 RAG 架构 | 架构设计文档 |
实践项目：企业级 RAG 系统架构设计
第 10 周：RAG 综合实战
完整项目：智能知识库问答系统
功能要求： ├── 多格式文档支持(PDF/Word/Markdown/HTML)├── 智能分块与向量化 ├── 混合检索 + Rerank ├── 查询改写与扩展 ├── 溯源与引用 ├── 检索效果评估 └── Web 界面展示技术栈：
- • Backend: FastAPI + LangChain/LlamaIndex
- • Vector DB: Chroma/Milvus
- • Embedding: BGE-M3 / text-embedding-3-large
- • Rerank: BGE-Reranker
- • Frontend: Streamlit/Gradio
Agent 专项学习计划
📍 第 11-16 周（6 周）
第 11 周：Agent 基础与 ReAct 架构
| 天数 | 学习内容 | 实践任务 | 产出 |
|---|---|---|---|
| Day 1-2 | Agent 基础概念 - Agent 组成要素 - 规划与执行 - 反思机制 | 阅读论文： “ReAct: Synergizing Reasoning and Acting” | 学习笔记 |
| Day 3-5 | ReAct 架构深入 - Thought-Action-Observation 循环 - Prompt 设计 - 停止条件 | 实现基础 ReAct Agent | ReAct Agent 代码 |
| Day 6-7 | LangChain Agent - Agent 类型 (Zero-shot, Plan-and-execute) - Tools 定义 - AgentExecutor | 使用 LangChain 构建 Agent | LangChain Agent |
实践项目：支持工具调用的 ReAct Agent
第 12 周：Function Calling 与工具集成
| 天数 | 学习内容 | 实践任务 | 产出 |
|---|---|---|---|
| Day 1-3 | Function Calling - OpenAI Function Calling - 参数解析与验证 - 多函数选择 | 实现 Function Calling 模块 | 函数调用代码 |
| Day 4-5 | 工具开发 - 工具定义规范 - 错误处理 - 工具描述优化 | 开发 5+ 个实用工具 (搜索/计算/数据库等) | 工具库 |
| Day 6-7 | 工具注册与发现 - 动态工具加载 - 工具描述 Embedding - 工具检索 | 实现工具检索机制 | 工具管理系统 |
实践项目：可扩展的工具调用框架
第 13 周：Agent 规划与记忆
| 天数 | 学习内容 | 实践任务 | 产出 |
|---|---|---|---|
| Day 1-3 | 规划策略 - Plan-and-Solve - Tree of Thoughts - 任务分解 | 实现任务分解模块 | 规划模块代码 |
| Day 4-5 | 记忆机制 - 短期记忆 vs 长期记忆 - 记忆存储与检索 - 记忆压缩 | 实现对话记忆系统 | 记忆模块 |
| Day 6-7 | 反思与自我改进 - 自我批评 - 执行反思 - 迭代优化 | 实现反思机制 | 反思模块 |
实践项目：带记忆和反思的 Agent
第 14 周：多 Agent 协作
| 天数 | 学习内容 | 实践任务 | 产出 |
|---|---|---|---|
| Day 1-2 | 多 Agent 架构 - 角色分工 - 通信机制 - 协调策略 | 阅读 AutoGen/CrewAI 文档 | 架构理解文档 |
| Day 3-5 | AutoGen 框架 - Agent 定义 - Group Chat - 嵌套对话 | 使用 AutoGen 构建多 Agent 系统 | AutoGen 项目 |
| Day 6-7 | CrewAI 框架 - Role-Goal-Task 模型 - 流程编排 - 结果聚合 | 使用 CrewAI 重构项目 | CrewAI 项目 |
实践项目：多 Agent 协作系统（如：研究团队/开发团队）
第 15 周：Agent 高级主题
| 天数 | 学习内容 | 实践任务 | 产出 |
|---|---|---|---|
| Day 1-2 | Agent 安全 - Prompt 注入防护 - 工具调用限制 - 输出验证 | 实现安全防护模块 | 安全模块 |
| Day 3-4 | Agent 评估 - 任务完成率 - 执行效率 - 工具使用准确性 | 构建评估基准 | 评估框架 |
| Day 5-7 | 人机协作 - 人在回路 (Human-in-the-loop) - 审批流程 - 干预机制 | 实现人工审批流程 | 人机协作模块 |
实践项目：安全可控的企业 Agent
第 16 周：Agent 综合实战
完整项目：智能数据分析 Agent
功能要求：├── 自然语言查询数据库├── 自动生成分析代码├── 数据可视化├── 报告生成├── 多轮对话澄清├── 执行审批流程└── 结果解释与溯源技术栈：
- • Agent 框架：LangChain / AutoGen / CrewAI
- • 数据库：SQLite / PostgreSQL
- • 可视化：Matplotlib / Plotly
- • 部署：FastAPI + Docker
推理部署优化专项学习计划
📍 第 17-22 周（6 周）
第 17 周：大模型推理基础
| 天数 | 学习内容 | 实践任务 | 产出 |
|---|---|---|---|
| Day 1-2 | Transformer 推理原理 - Self-Attention 计算 - KV Cache 机制 - 解码策略 (Greedy/Sample/Beam) | 阅读推理相关论文 | 学习笔记 |
| Day 3-5 | 推理指标 - 首 token 延迟 (TTFT) - 解码延迟 - 吞吐量 (tokens/s) - 显存占用 | 基准测试不同模型 | 性能基准报告 |
| Day 6-7 | HuggingFace 推理 - Pipeline 使用 - 批处理 - 设备管理 | HF 模型本地部署 | 部署脚本 |
实践项目：基础推理服务
第 18 周：模型量化
| 天数 | 学习内容 | 实践任务 | 产出 |
|---|---|---|---|
| Day 1-2 | 量化基础 - INT8/INT4/FP8 原理 - 量化类型 (PTQ/QAT) - 量化对精度影响 | 理论学习和实验 | 量化笔记 |
| Day 3-4 | GPTQ 量化 - GPTQ 原理 - AutoGPTQ 使用 - 量化配置 | 量化一个 7B 模型 | 量化模型 |
| Day 5-7 | AWQ 量化 - AWQ 原理 - 激活感知量化 - 与 GPTQ 对比 | AWQ 量化实验 对比 GPTQ | 量化对比报告 |
实践项目：模型量化流水线
# 目标：实现模型量化→评估→部署的完整流程第 19 周：推理引擎（上）- vLLM
| 天数 | 学习内容 | 实践任务 | 产出 |
|---|---|---|---|
| Day 1-2 | vLLM 架构 - PagedAttention - 连续批处理 - 共享 KV Cache | 阅读 vLLM 论文 | 架构理解文档 |
| Day 3-4 | vLLM 部署 - 安装配置 - 模型加载 - API 服务启动 | 部署 vLLM 服务 | 部署文档 |
| Day 5-7 | vLLM 优化 - 并发配置 - 内存优化 - 多 GPU 部署 | 性能调优实验 | 优化报告 |
实践项目：高并发推理服务
第 20 周：推理引擎（下）- TGI & TensorRT-LLM
| 天数 | 学习内容 | 实践任务 | 产出 |
|---|---|---|---|
| Day 1-3 | Text Generation Inference (TGI) - HuggingFace TGI 架构 - 部署配置 - 性能特性 | 部署 TGI 服务 | TGI 部署文档 |
| Day 4-5 | TensorRT-LLM 基础 - NVIDIA 推理栈 - 引擎构建 - 优化策略 | 了解 TensorRT-LLM | 技术方案 |
| Day 6-7 | 推理引擎对比 - vLLM vs TGI vs TensorRT-LLM - 选型指南 - 场景匹配 | 多引擎对比测试 | 对比报告 |
实践项目：多引擎性能对比
第 21 周：服务化与 API 设计
| 天数 | 学习内容 | 实践任务 | 产出 |
|---|---|---|---|
| Day 1-3 | API 设计 - RESTful 设计 - 流式响应 (SSE) - 异步处理 | 设计推理 API | API 文档 |
| Day 4-5 | FastAPI 部署 - 异步处理 - 请求队列 - 限流与熔断 | 实现推理服务 API | 服务代码 |
| Day 6-7 | 服务治理 - 负载均衡 - 健康检查 - 灰度发布 | 设计服务治理方案 | 治理方案 |
实践项目：生产级推理 API 服务
第 22 周：监控与可观测性
| 天数 | 学习内容 | 实践任务 | 产出 |
|---|---|---|---|
| Day 1-2 | 监控指标 - 延迟指标 - 吞吐量指标 - 错误率 - 资源使用 | 定义监控指标体系 | 指标文档 |
| Day 3-4 | 日志与追踪 - 结构化日志 - 分布式追踪 - 请求追踪 | 集成日志系统 | 日志方案 |
| Day 5-7 | 可观测性平台 - Prometheus + Grafana - 告警配置 - 看板设计 | 搭建监控看板 | 监控看板 |
实践项目：完整的监控告警系统
实战项目建议
🎯 综合实战项目（第 23-26 周）
项目一：企业智能助手平台
项目概述：构建一个集成了 RAG、Agent 和优化部署的企业级智能助手平台核心功能：├── 知识库管理│ ├── 多格式文档上传与解析│ ├── 智能分块与向量化│ ├── 版本管理与增量更新│ └── 权限控制├── 智能问答│ ├── 混合检索 + Rerank│ ├── 多轮对话│ ├── 溯源引用│ └── 答案评估├── Agent 能力│ ├── 工具调用 (数据库/API/搜索)│ ├── 任务规划与执行│ ├── 人机协作审批│ └── 执行日志├── 推理服务│ ├── 模型量化部署│ ├── 高并发推理│ ├── 多模型路由│ └── 监控告警└── 管理后台 ├── 用户管理 ├── 使用统计 ├── 效果评估 └── 系统配置技术栈：- 前端：React/Vue + TypeScript- 后端：FastAPI + Python- 向量库：Milvus/Chroma- 推理：vLLM- 部署：Docker + Kubernetes- 监控：Prometheus + Grafana项目二：垂直领域专业助手
选择一个垂直领域深入：
- • 📚 法律助手（合同审查/法律咨询）
- • 🏥 医疗助手（病历分析/健康咨询）
- • 💰 金融助手（研报分析/投资建议）
- • 📖 教育助手（个性化学习/作业辅导）
学习资源汇总
📚 核心课程
| 资源 | 链接/平台 | 说明 |
|---|---|---|
| DeepLearning.AI | deeplearning.ai | Andrew Ng 系列课程 |
| HuggingFace Course | huggingface.co/learn | NLP 与大模型实战 |
| LangChain Docs | docs.langchain.com | LangChain 官方文档 |
| vLLM Docs | docs.vllm.ai | vLLM 官方文档 |
📖 必读论文
| 论文 | 主题 | 重要性 |
|---|---|---|
| Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks | RAG | ⭐⭐⭐⭐⭐ |
| ReAct: Synergizing Reasoning and Acting | Agent | ⭐⭐⭐⭐⭐ |
| PagedAttention: Efficient Memory Management for LLM Inference | vLLM | ⭐⭐⭐⭐⭐ |
| Chain of Thought Prompting | Prompt Engineering | ⭐⭐⭐⭐ |
| Toolformer: Language Models Can Teach Themselves to Use Tools | Tool Use | ⭐⭐⭐⭐ |
🛠️ 实践平台
| 平台 | 用途 |
|---|---|
| HuggingFace | 模型下载与实验 |
| Google Colab | 免费 GPU 环境 |
| Kaggle | 数据集与竞赛 |
| Replicate | 模型部署体验 |
📰 资讯渠道
| 渠道 | 说明 |
|---|---|
| HuggingFace Blog | 最新模型与技术 |
| LLM 周报 | 中文大模型资讯 |
| Twitter/X | 关注领域专家 |
| GitHub Trending | 发现开源项目 |
能力评估清单
✅ 基础能力
- • Python 编程熟练（装饰器、异步、并发）
- • Linux 常用命令熟练
- • Git 工作流熟练
- • Docker 容器化部署
- • RESTful API 设计
✅ RAG 能力
- • 理解 RAG 基本原理与架构
- • 熟练使用向量数据库（Chroma/Milvus）
- • 掌握 Embedding 模型选型与使用
- • 实现混合检索策略
- • 集成 Rerank 优化检索
- • 实现查询改写与扩展
- • 使用 RAGAS 进行评估
- • 构建企业级 RAG 系统
✅ Agent 能力
- • 理解 ReAct 架构原理
- • 实现 Function Calling
- • 开发自定义工具
- • 实现 Agent 记忆机制
- • 实现任务规划与分解
- • 使用 LangChain/AutoGen/CrewAI
- • 构建多 Agent 协作系统
- • 实现人机协作流程
✅ 推理部署能力
- • 理解 Transformer 推理原理
- • 掌握模型量化（GPTQ/AWQ）
- • 部署 vLLM 推理服务
- • 部署 TGI 推理服务
- • 实现高并发 API 服务
- • 性能调优与基准测试
- • 搭建监控告警系统
- • 多 GPU 部署经验
✅ 工程能力
- • 代码规范与重构
- • 单元测试与集成测试
- • CI/CD 流程
- • 日志与错误处理
- • 安全与权限控制
- • 文档编写能力
📝 学习建议
1. 理论与实践并重
- • 每学一个概念，立刻动手实现
- • 不要只看不练，代码量是硬指标
2. 建立知识库
- • 用 Markdown 记录学习笔记
- • 整理代码片段库
- • 积累常见问题解决方案
3. 参与开源
- • 给 LangChain/LlamaIndex 等提交 PR
- • 参与社区讨论
- • 分享自己的项目
4. 持续学习
- • 大模型领域发展极快
- • 保持对新技术的敏感度
- • 定期 review 和更新知识
5. 构建作品集
- • GitHub 上维护项目
- • 写技术博客
- • 参与技术分享
🎯 里程碑检查点
| 时间 | 里程碑 | 验收标准 |
|---|---|---|
| 第 4 周 | 基础完成 | 能独立实现 Prompt Engineering 任务 |
| 第 10 周 | RAG 完成 | 部署完整的 RAG 问答系统 |
| 第 16 周 | Agent 完成 | 实现多 Agent 协作项目 |
| 第 22 周 | 部署完成 | 生产级推理服务上线 |
| 第 26 周 | 综合完成 | 完整作品集 + 技术博客 |
💡记住：学习是一个持续的过程，这份计划是路线图而非束缚。根据自己的背景和兴趣调整节奏，关键是保持动手实践和持续学习的热情。
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。
我在一线科技企业深耕十二载，见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，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大模型的学习中的很多困惑。我们整理出这套AI 大模型突围资料包：
- ✅ 从零到一的 AI 学习路径图
- ✅ 大模型调优实战手册（附医疗/金融等大厂真实案例）
- ✅ 百度/阿里专家闭门录播课
- ✅ 大模型当下最新行业报告
- ✅ 真实大厂面试真题
- ✅ 2026 最新岗位需求图谱
所有资料 ⚡️ ，朋友们如果有需要《AI大模型入门+进阶学习资源包》，下方扫码获取~
① 全套AI大模型应用开发视频教程
（包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点）
② 大模型系统化学习路线
作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！
③ 大模型学习书籍&文档
学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。
④ AI大模型最新行业报告
2025最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。
⑤ 大模型项目实战&配套源码
学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。
⑥ 大模型大厂面试真题
面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。
以上资料如何领取？
为什么大家都在学大模型？
最近科技巨头英特尔宣布裁员2万人，传统岗位不断缩减，但AI相关技术岗疯狂扩招，有3-5年经验，大厂薪资就能给到50K*20薪！
不出1年，“有AI项目经验”将成为投递简历的门槛。
风口之下，与其像“温水煮青蛙”一样坐等被行业淘汰，不如先人一步，掌握AI大模型原理+应用技术+项目实操经验，“顺风”翻盘！
这些资料真的有用吗？
这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。
资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。