今天是 2025-12-20。它并没有任何不同。我从几个噩梦中醒来，才发现今天已到了考研的日子——只是那与我无关。作为一名定向医学生，身边很多人都以为我会考研，甚至曾经我也这么想。可后来慢慢地，我释怀了：也许回乡才是我的归宿。只是曾经那么想逃离那片土地，如今才发现，终究还是不得不回去。
这几年求学的日子里，我一直试图寻找一些学习之外的趣事来填满生活。说到底，那只是我对抗枯燥、乏味的医学学习的一种方式。人嘛，只要还在往前走，那种想要冲破藩篱的欲望，总会把你带到你想去的地方。可对普通人来说，能够顺顺利利走完一生，已经需要拼尽全力。至于其他，又还需要奢求什么呢？
站在 2025 年岁末，我希望自己能留下些什么。回忆过去，陪伴我最多的，是各种各样的 LLM——所以这篇文章，应该算是献给 LLM 的。
今年对于关注科技行业、尤其是 AI 发展的人来说，应该是收获很大的一年。OpenAI 于 2015 年成立，经过十年发展，如今的 ChatGPT 已经成了最通用的人工智能助手之一。这场 AI 的浪潮仍在继续，但也尚未进入 AGI 时代。尽管早在 2023 年，AI 就已经取得了显著进展，但直到 2024 年，我才开始接触国内的 AI 助手。那时我对它们的使用，还停留在聊天、简单绘画这些层面。短短几个月之后，无论国内还是国外，LLM 进一步进入大众视野；紧接着，从“推理模型”转向了 “AI Agent”，开始能够更自主地完成繁琐的工作任务。
在各大顶级科技公司争抢 AI Agent 市场份额的风口上，我们这种“小渣渣”只能玩玩开源模型、调用 API，做一些自己用得上的小玩意儿。即便如此，也依然能感受到自己与时代发展的脱节。qwen2.5:7b 是阿里的开源模型，在一众开源模型中，70 亿参数量这个档位里性能很强。但让我后怕的是：它竟然是去年发布的，最后一次更新也停留在去年；而到现在，Qwen 已经开源到 3 系列了。有时候想想，我的信息来源真的太滞后了。
“做一个属于自己的医学知识库”这个念头，我其实已经有很久了，却一直没找到机会亲手试一试——很多都停留在想法阶段。昨天闲着无事，我花了一下午从 Ollama 下载了 qwen2.5:7b。4.7G 的文件，断断续续花了我两个小时。后来我去问 Gemini，才知道 Ollama 支持断点续传；我在终端里用 Ctrl + C 中断后又重新下载了两次，最后总算完成。
之后的操作还算顺利，几乎都很“傻瓜式”。弄完挺感慨：现在的 UI 工具 + AI 辅助，已经把很多事情的门槛降到“只要你愿意动手，就能搞定”的程度。最后，我把最新版教材《诊断学（第十版）》——大概 600 页左右——喂给了本地嵌入模型（nomic-embed-text）。几分钟后就切分完成了。以前我一直以为“向量化”会很难，但在 Mac M2 的算力下，不到三分钟就拆成了上万条向量，存进了电脑里。
弄好之后，就是不断调试。但结果比我想象中差很多：回答不够稳定，引用不够精确，有时甚至像“看过”却又“没看懂”。我只能安慰自己：这只是第一版。希望在后续迭代中，整个知识库的效果能真正提升起来。
在这个尝试成本很低的时代，一台电脑、一个 AI 助手、一个下午，很多事情就能推进一大截。可反观周围，很多人其实并不喜欢用电脑。以前“组装电脑”像是专业人士才会做的事，但在豆包的帮助下，我舍友直接装起了一台台式机，连系统都是从我 U 盘里拷过去装的 Win11。这样的事，换在以前可能要花很多时间看教程、刷视频；而如今，真的只需要一个下午。
随着实践项目越来越多，我也越来越确信：在今天这个时代，只要你多动手做一些对自己有用的东西，慢慢地，你就会尝试着去做一些对别人也有用的东西。而对别人有用，就意味着你能提供价值——赚钱也就顺势而来。尽管我现在也仍在挣扎，但我非常确信这是一条正确的路径：用正确的方法去做正确的事情，或许就是普通人能够好好生活下去的源泉。
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。
