尧图网页设计 
前言AI领域每隔一段时间都有新的概念和技术出来年初DeepSeek火热带动深度推理模型五一前阿里推出的Qwen3就升级为混合推理模型3月份manus展示号称全球首款通用型智能体到现在OpenAI和阿里也都有类似的通用AgentAnthropic去年11月提出MCP标准今年逐渐得到各大厂商的认可以后Google今年4月份又提出A2A协议Google去年底推出的DeepResearch研究报告现在OpenAI和阿里也都有类似产品还有之前的提示词工程7月初大佬Andrej Karpathy提出上下文工程更重要等。这么多层出不穷的新概念和技术我们要怎么学习呢如果我们刚开始入门要进行AI应用场景的落地我们应该掌握哪些技术是否有一套基础技术体系能让我们建立起对AI应用层面的核心认知框架当新的概念和技术出来了我们都能有序应对合理判断在自己的业务场景是否适用。本文以容易理解的信息化视角结合实际项目经验梳理一套AI应用层面的基础技术体系按投入成本和落地难度从小到大分别是LLM基础对话RAGAgentTraining同时将近期出现的一些新技术和新方向都归纳到这个体系层次中去助力读者建立起对AI的核心认知框架。LLM基础模式一些最基础的问答场景中你会要求LLM模仿某种角色来回答用户的提问或者要求LLM根据用户的输入来生成相应的内容同时要求遵守某种结构进行生成答案并做一些限制比如不能随意发挥等。这类LLM的基础使用模式主要就是利用LLM的系统提示词其核心结构非常简单大致如下在LLM这个层面当我们落地部署和使用时经常碰到的基础概念有token、向量、参数、参数量模型尺寸、量化压缩、精度提升等等这部分入门概念和技术有很多文章介绍在此不做赘述只要清楚这些概念都属于LLM层面即可。在LLM基础模式之上我们逐步拓展RAGAI AgentTraining的使用模式和技术体系。RAG检索增强生成模式在以上利用LLM进行对话的基础上当你发现LLM缺少最新知识、或者缺乏某个行业领域内部知识造成大模型产生幻觉时通常就需要采用RAG方案了Retrieval-Augmented Generation 对应检索增强生成也就是要通过检索外挂知识库来增强LLM的生成能力其核心结构演变如下RAG模式里从知识准备到知识检索过程中涉及到一些基础技术概念包括文档解析预处理、文档切片/分段、向量化、知识检索标签筛选、关键词检索、全文检索、语义检索等、检索召回率和准确率等。上图只是简单场景示意在调用LLM之前先利用RAG检索行业知识或内部知识然后输入给LLM来增强生成。但实际场景中远远比这复杂甚至有可能要依据LLM来动态规划何时需要检索知识库动态决策要检索内容这就是Agentic RAG了。AI Agent智能体模式在以上RAG的基础上如果你还需要进一步调用工具比如要调用工具查询数据库比如要调用查询天气、订票的工具等比如在知识库检索之前需要先进行OCR识别或者先基于ASR进行语音识别得到文本再进行检索比如在大模型和工具调用之后需要将文字转成语音输出利用TTS进行转换等。总之就是为了满足某个业务场景就不仅是简单调用LLM也不仅是进行RAG知识检索还需要进行业务逻辑组合包括工具调用和各种小模型的串联等等这就进入到AI Agent的范畴了其核心结构演变如下AI Agent核心就是根据处理逻辑需要组合串联工具、大模型和小模型甚至包含多次LLM调用。其处理逻辑执行范式大概有两种一种是有明确处理流程的workflow模式一种是需要动态决策边执行边修正的ReAct模式。Training训练模式在以上AI Agent基础上假如你发现增加了知识库RAG增加了各种工具调用后实现效果还是不够理想生成结果还是不够精准的话这个时候你可以考虑对LLM进行一定的微调训练利用你知识库中准备好的行业知识来进行微调得到垂域大模型再应用到AI Agent中去其核心结构演变如下这种模式相当于把外挂知识库内化到通用LLM中去了需要依赖一定的硬件算力来做训练比单纯推理使用时需要的算力更多人员能力上的要求也更高所以这种模式从投入成本和落地难度来说都是最高的。当然本文所说的训练主要不是指预训练因为我们不是大模型厂商我们更多是从落地使用角度出发关注微调和强化学习等后训练技术。四个层次的技术发展趋势从落地角度看以上四个层次是逐层递进同时回到本文开头提到近期AI领域涌现的这些新技术、新概念其实都是可以归纳到这四个层次笔者简单梳理如下如图LLM层面技术趋势都是围绕着如何让LLM使用代价更小、能力更强两个方向使用代价更小的技术包括各种量化压缩、推理加速框架的创新、模型蒸馏Distill从大模型蒸馏出小尺寸的模型等能力更强方向包括各家厂商都推出自己的多模态大模型Omni、从DeepSeekR1深度推理模型演变到Qwen3的混合推理模型等。RAG层面技术更多是围绕着如何更精准、如何更智能的知识检索等方向包括图中所列KAG、GraphRAG、AgenticRAG等其中KAG是基于图谱结构的知识来进行增强和传统文本分片知识区别在于图谱知识之间的关联性更强而GraphRAG虽然也是基于知识图谱但其核心是在于社区聚类层层汇总摘要。AI Agent层面上半年最热闹的话题就是MCP和A2A两个协议规范了一个用于规范Agent调用工具的规范另一个用于规范多个Agent之间协作的规范此外还有DeepResearch以及最近比较热的上下文工程Context Engineering等这些技术都是越来越接近应用层面了。Training后训练层面的微调SFT和强化学习RL其实笔者对发展趋势还没有太多研究现阶段能把微调LORA落地实践一把就很不错了。最后感谢你们的阅读和喜欢作为一位在一线互联网行业奋斗多年的老兵我深知在这个瞬息万变的技术领域中持续学习和进步的重要性。为了帮助更多热爱技术、渴望成长的朋友我特别整理了一份涵盖大模型领域的宝贵资料集。这些资料不仅是我多年积累的心血结晶也是我在行业一线实战经验的总结。这些学习资料不仅深入浅出而且非常实用让大家系统而高效地掌握AI大模型的各个知识点。如果你愿意花时间沉下心来学习相信它们一定能为你提供实质性的帮助。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】AI大模型系统学习路线在面对AI大模型开发领域的复杂与深入精准学习显得尤为重要。一份系统的技术路线图不仅能够帮助开发者清晰地了解从入门到精通所需掌握的知识点还能提供一条高效、有序的学习路径。但知道是一回事做又是另一回事初学者最常遇到的问题主要是理论知识缺乏、资源和工具的限制、模型理解和调试的复杂性在这基础上找到高质量的学习资源不浪费时间、不走弯路又是重中之重。AI大模型入门到实战的视频教程项目包看视频学习是一种高效、直观、灵活且富有吸引力的学习方式可以更直观地展示过程能有效提升学习兴趣和理解力是现在获取知识的重要途径光学理论是没用的要学会跟着一起敲要动手实操才能将自己的所学运用到实际当中去这时候可以搞点实战案例来学习。海量AI大模型必读的经典书籍PDF阅读AI大模型经典书籍可以帮助读者提高技术水平开拓视野掌握核心技术提高解决问题的能力同时也可以借鉴他人的经验。对于想要深入学习AI大模型开发的读者来说阅读经典书籍是非常有必要的。600AI大模型报告实时更新这套包含640份报告的合集涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师还是对AI大模型感兴趣的爱好者这套报告合集都将为您提供宝贵的信息和启示。AI大模型面试真题答案解析我们学习AI大模型必然是想找到高薪的工作下面这些面试题都是总结当前最新、最热、最高频的面试题并且每道题都有详细的答案面试前刷完这套面试题资料小小offer不在话下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】 【AI大模型】结合实际项目经验，梳理大模型落地分层技术体系：LLM＜RAG＜AI Agent＜Training
前言AI领域每隔一段时间都有新的概念和技术出来年初DeepSeek火热带动深度推理模型五一前阿里推出的Qwen3就升级为混合推理模型3月份manus展示号称全球首款通用型智能体到现在OpenAI和阿里也都有类似的通用AgentAnthropic去年11月提出MCP标准今年逐渐得到各大厂商的认可以后Google今年4月份又提出A2A协议Google去年底推出的DeepResearch研究报告现在OpenAI和阿里也都有类似产品还有之前的提示词工程7月初大佬Andrej Karpathy提出上下文工程更重要等。这么多层出不穷的新概念和技术我们要怎么学习呢如果我们刚开始入门要进行AI应用场景的落地我们应该掌握哪些技术是否有一套基础技术体系能让我们建立起对AI应用层面的核心认知框架当新的概念和技术出来了我们都能有序应对合理判断在自己的业务场景是否适用。本文以容易理解的信息化视角结合实际项目经验梳理一套AI应用层面的基础技术体系按投入成本和落地难度从小到大分别是LLM基础对话RAGAgentTraining同时将近期出现的一些新技术和新方向都归纳到这个体系层次中去助力读者建立起对AI的核心认知框架。LLM基础模式一些最基础的问答场景中你会要求LLM模仿某种角色来回答用户的提问或者要求LLM根据用户的输入来生成相应的内容同时要求遵守某种结构进行生成答案并做一些限制比如不能随意发挥等。这类LLM的基础使用模式主要就是利用LLM的系统提示词其核心结构非常简单大致如下在LLM这个层面当我们落地部署和使用时经常碰到的基础概念有token、向量、参数、参数量模型尺寸、量化压缩、精度提升等等这部分入门概念和技术有很多文章介绍在此不做赘述只要清楚这些概念都属于LLM层面即可。在LLM基础模式之上我们逐步拓展RAGAI AgentTraining的使用模式和技术体系。RAG检索增强生成模式在以上利用LLM进行对话的基础上当你发现LLM缺少最新知识、或者缺乏某个行业领域内部知识造成大模型产生幻觉时通常就需要采用RAG方案了Retrieval-Augmented Generation 对应检索增强生成也就是要通过检索外挂知识库来增强LLM的生成能力其核心结构演变如下RAG模式里从知识准备到知识检索过程中涉及到一些基础技术概念包括文档解析预处理、文档切片/分段、向量化、知识检索标签筛选、关键词检索、全文检索、语义检索等、检索召回率和准确率等。上图只是简单场景示意在调用LLM之前先利用RAG检索行业知识或内部知识然后输入给LLM来增强生成。但实际场景中远远比这复杂甚至有可能要依据LLM来动态规划何时需要检索知识库动态决策要检索内容这就是Agentic RAG了。AI Agent智能体模式在以上RAG的基础上如果你还需要进一步调用工具比如要调用工具查询数据库比如要调用查询天气、订票的工具等比如在知识库检索之前需要先进行OCR识别或者先基于ASR进行语音识别得到文本再进行检索比如在大模型和工具调用之后需要将文字转成语音输出利用TTS进行转换等。总之就是为了满足某个业务场景就不仅是简单调用LLM也不仅是进行RAG知识检索还需要进行业务逻辑组合包括工具调用和各种小模型的串联等等这就进入到AI Agent的范畴了其核心结构演变如下AI Agent核心就是根据处理逻辑需要组合串联工具、大模型和小模型甚至包含多次LLM调用。其处理逻辑执行范式大概有两种一种是有明确处理流程的workflow模式一种是需要动态决策边执行边修正的ReAct模式。Training训练模式在以上AI Agent基础上假如你发现增加了知识库RAG增加了各种工具调用后实现效果还是不够理想生成结果还是不够精准的话这个时候你可以考虑对LLM进行一定的微调训练利用你知识库中准备好的行业知识来进行微调得到垂域大模型再应用到AI Agent中去其核心结构演变如下这种模式相当于把外挂知识库内化到通用LLM中去了需要依赖一定的硬件算力来做训练比单纯推理使用时需要的算力更多人员能力上的要求也更高所以这种模式从投入成本和落地难度来说都是最高的。当然本文所说的训练主要不是指预训练因为我们不是大模型厂商我们更多是从落地使用角度出发关注微调和强化学习等后训练技术。四个层次的技术发展趋势从落地角度看以上四个层次是逐层递进同时回到本文开头提到近期AI领域涌现的这些新技术、新概念其实都是可以归纳到这四个层次笔者简单梳理如下如图LLM层面技术趋势都是围绕着如何让LLM使用代价更小、能力更强两个方向使用代价更小的技术包括各种量化压缩、推理加速框架的创新、模型蒸馏Distill从大模型蒸馏出小尺寸的模型等能力更强方向包括各家厂商都推出自己的多模态大模型Omni、从DeepSeekR1深度推理模型演变到Qwen3的混合推理模型等。RAG层面技术更多是围绕着如何更精准、如何更智能的知识检索等方向包括图中所列KAG、GraphRAG、AgenticRAG等其中KAG是基于图谱结构的知识来进行增强和传统文本分片知识区别在于图谱知识之间的关联性更强而GraphRAG虽然也是基于知识图谱但其核心是在于社区聚类层层汇总摘要。AI Agent层面上半年最热闹的话题就是MCP和A2A两个协议规范了一个用于规范Agent调用工具的规范另一个用于规范多个Agent之间协作的规范此外还有DeepResearch以及最近比较热的上下文工程Context Engineering等这些技术都是越来越接近应用层面了。Training后训练层面的微调SFT和强化学习RL其实笔者对发展趋势还没有太多研究现阶段能把微调LORA落地实践一把就很不错了。最后感谢你们的阅读和喜欢作为一位在一线互联网行业奋斗多年的老兵我深知在这个瞬息万变的技术领域中持续学习和进步的重要性。为了帮助更多热爱技术、渴望成长的朋友我特别整理了一份涵盖大模型领域的宝贵资料集。这些资料不仅是我多年积累的心血结晶也是我在行业一线实战经验的总结。这些学习资料不仅深入浅出而且非常实用让大家系统而高效地掌握AI大模型的各个知识点。如果你愿意花时间沉下心来学习相信它们一定能为你提供实质性的帮助。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】AI大模型系统学习路线在面对AI大模型开发领域的复杂与深入精准学习显得尤为重要。一份系统的技术路线图不仅能够帮助开发者清晰地了解从入门到精通所需掌握的知识点还能提供一条高效、有序的学习路径。但知道是一回事做又是另一回事初学者最常遇到的问题主要是理论知识缺乏、资源和工具的限制、模型理解和调试的复杂性在这基础上找到高质量的学习资源不浪费时间、不走弯路又是重中之重。AI大模型入门到实战的视频教程项目包看视频学习是一种高效、直观、灵活且富有吸引力的学习方式可以更直观地展示过程能有效提升学习兴趣和理解力是现在获取知识的重要途径光学理论是没用的要学会跟着一起敲要动手实操才能将自己的所学运用到实际当中去这时候可以搞点实战案例来学习。海量AI大模型必读的经典书籍PDF阅读AI大模型经典书籍可以帮助读者提高技术水平开拓视野掌握核心技术提高解决问题的能力同时也可以借鉴他人的经验。对于想要深入学习AI大模型开发的读者来说阅读经典书籍是非常有必要的。600AI大模型报告实时更新这套包含640份报告的合集涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师还是对AI大模型感兴趣的爱好者这套报告合集都将为您提供宝贵的信息和启示。AI大模型面试真题答案解析我们学习AI大模型必然是想找到高薪的工作下面这些面试题都是总结当前最新、最热、最高频的面试题并且每道题都有详细的答案面试前刷完这套面试题资料小小offer不在话下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】