本文基于 LangChain 官网文档与官方博客，系统梳理 0.1、0.2、0.3 到生产级 1.0 的演进脉络、核心架构理念与每个版本重点优化方向。

掌握 LangChain 的“工程化能力曲线”，把控方案选型、风险与里程碑。 理解标准接口、LCEL 组合式编程、Agent 运行时、中间件与结构化输出，能独立完成从 0.x 迁移到 1.0 的基础工作。

一、演进总览

横向为版本递进，方块概述各版本核心演进重点与设计取舍。

二、版本与架构设计理念

0.1：首次稳定版与 LCEL（LangChain Expression Language）

• 时间与背景：0.1 作为首个稳定版，确立明确版本策略与核心一致性。
• 架构要点：

• 分层架构：langchain-core（核心抽象与 LCEL）、langchain（高阶用例入口）、langchain-community（第三方集成）。
• LCEL 与 Runnable：统一的可组合运行时，暴露单次、批量、流式与异步方法，降低自定义链路成本，支持中间步骤流式可视化与更强可观测性。
• 兼容性与可维护性：以“稳定核心 + 社区集成拆分”的方式控制变更风险。

• 主要解决的问题：

• 早期“不可组合”的痛点：让链路真正通过 LCEL 可组合、可替换、可扩展。
• 集成膨胀与依赖复杂：将集成迁往 community 或独立包，改善安装与版本管理。
• 观测与调试：与 LangSmith 协同，提升可观测性与调试体验。

0.2：包分层与统一接口、迁移工具上线

• 时间：2024 年 5 月发布，包含多项破坏性变更与弃用项，提供官方迁移脚本与指南。
• 架构要点：

• 标准调用接口：统一使用 invoke，清理历史分散入口（如 predictMessages）。
• 迁移工具：langchain-cli migrate 辅助自动化改造 import 与 API 使用。
• 代理推荐：将复杂代理构建推荐迁移到 LangGraph（更可控的低层运行时），LangChain 自身聚焦“易上手的高层入口”。
• 集成治理：更多第三方集成拆分为独立 langchain-{name} 包，community 保留兼容但标记弃用。

• 主要优化与解决：

• 统一接口与稳定边界，降低跨版本升级成本。
• 强化工程化支持（迁移脚本、文档分版），降低团队改造工作量与风险。
• 明确代理构建两条路径：LangChain 快速起步 vs LangGraph 深度定制与生产可靠性。

0.3：类型升级与多模态适配、集成/回调治理

• 时间：2024 年 9 月发布。
• 架构要点：

• Python 端全面升级至 Pydantic v2，移除 v1 依赖桥；停止支持 Python 3.8（EOL）。
• 集成入口进一步清理与迁移至独立包（如 Google Vertex AI/GenAI 系列）。

• 主要优化与解决：

• 类型系统与性能提升：Pydantic v2 改善验证开销与生态一致性。
• 更健壮的集成版本化与测试治理，降低集成更新带来的破坏性影响。
• 服务端与事件模型适配，提升可扩展性与可维护性。

1.0：生产级 Agent 框架与中间件、标准化内容块

• 时间与里程碑：发布 1.0 与全新文档站，明确“无破坏性变更直到 2.0”。并有 1.0 alpha 公告与核心信息。
• 架构要点：

• create_agent 抽象：围绕“标准代理主循环（core agent loop）”设计，极简上手，与多模型/工具无厂商锁定。
• LangGraph 运行时：LangChain 的代理内核基于 LangGraph，提供持久化、流式、人审、耐久执行等生产能力。
• Middleware 中间件：内置人审（HITL）、会话总结、PII 脱敏等；支持用户自定义钩子前后置控制，细粒度调优代理每一步。
• 标准化 content blocks：适配现代 LLM 的多内容块输出（兼容历史 message），统一跨厂商的消息结构。
• 命名空间瘦身：核心能力聚焦 langchain.agents/messages/tools/...；旧接口迁入 langchain-classic 兼容层，避免硬性割裂。

• 主要优化与解决：

• 生产可靠性：把“ durable runtime + 可观测 + 人审 + 结构化输出”纳入标准路径，降低自建成本与不可控风险。
• 可扩展与治理：以中间件为单位组织策略（安全、总结、限流等），让团队在不下沉到 LangGraph 的前提下实现可控定制。
• 跨模型与多模态：标准化消息与内容块，统一多家厂商的输出语义，降低联邦式集成的复杂度。

三、包结构与生态关系图

蓝色代表核心抽象、黄色代表高层入口、灰色代表社区/兼容层、绿色代表独立集成包、粉色代表 LangGraph 运行时；箭头表示关系与迁移方向。

四、Agent 主循环与中间件（1.0）

Agent(create_agent)

Middleware

五、LCEL 组合式管线示意

六、迁移与选型建议

团队选型

• 快速上线型：以 create_agent 为入口，默认中间件满足人审/总结/合规，优先稳定与跨模型兼容。
• 高度可控型：采用 LangGraph 作为运行时（或与 create_agent 结合），构建复杂状态机与长运行任务，场景如客服自动化、内部工具代理、数据工作流。
• 多厂商策略：基于标准 content blocks 与统一消息抽象，动态选择不同模型以平衡成本/质量/延迟。

工程落地

• 从 0.1/0.2 → 0.3：

• Python：升级到 Pydantic v2，清理旧版桥接；确认运行时 Python 版本要求。
• 集成迁移：优先使用独立集成包，减少 community 依赖；保持版本上限与语义化版本管理。

• 从 0.x → 1.0：

• 入口统一：优先使用 langchain.agents.create_agent；旧接口迁往 langchain-classic，按需引入。
• 中间件治理：将人审、总结、PII、防滥用等策略以中间件模块化管理，便于复用与审计。
• 结构化输出：使用工具策略/提供方策略统一 schema 校验，避免“提示工程式结构化”易碎方案。
• 可观测性：结合 LangSmith 与流式事件，完善链路追踪与错误处理，优先在边界处做幂等与重试。

七、常见陷阱与最佳实践

• 避免“隐式集成版本漂移”：Python 端优先使用独立集成包并统一版本策略。
• 结构化输出优先走工具/模型原生能力：减少“纯提示格式化”，降低脆弱性与解析失败。
• 代理主循环的“人审”插点：在工具调用前后插入中间件，控制风险操作（外部系统写入、通信发送）。
• LCEL 可组合但要克制：将可变逻辑收敛到中间件/策略层，避免把业务散落到各 Runnable 里难以治理。

八、入门速览（Quickstart）

• 核心能力：

• 快速构建 Agent：统一“代理主循环”，标准工具调用与多厂商模型集成。
• 低层运行时：LangGraph 提供耐久执行、流式、人审与持久化，LangChain 的 create_agent 在其之上简化上手。
• 组合式编程（LCEL）：以 Runnable 接口拼装 Prompt/Model/Parser，天然支持单次、批量与流式。
• 标准消息与内容块：1.0 引入 content blocks 适配新一代 LLM 输出，兼容历史消息结构。

九、安装与环境（Python）

• Python：

• 版本建议：Python 3.10–3.12（v0.3 停止 3.8；1.0 建议 ≥3.10，3.9 接近 EOL）。
• Pydantic：确保 pydantic>=2，移除 v1 兼容桥（如 pydantic-settings 的 v1 版本），避免类型/性能问题。
• 基础安装：pip install -U langchain 并按模型选择集成包（如 langchain-openai 或 langchain[anthropic]）。
• 环境变量：使用 .env 管理 OPENAI_API_KEY，可选 OPENAI_MODEL 与 AUTO_APPROVE。
• 最小 requirements 示例：

# Agent 示例（建议最小依赖）langchain>=0.2.0langgraph>=0.1.0langchain-openai>=0.1.0python-dotenv>=1.0.0tiktoken>=0.5.0pydantic>=2.0.0# RAG 示例（建议最小依赖）langchain>=0.2.0langchain-openai>=0.1.0langchain-community>=0.2.0langchain-text-splitters>=0.0.1faiss-cpu>=1.7.4python-dotenv>=1.0.0tiktoken>=0.5.0pydantic>=2.0.0

十、快速创建 Agent

import osfrom dotenv import load_dotenvfrom langchain_openai import ChatOpenAI# 回退导入：tool 装饰器在 0.2+ 位于 langchain_core.tools，旧版位于 langchain.agents.tooltry:    from langchain_core.tools import toolexcept Exception:    from langchain.agents import tool  # 旧版路径# 回退构建：优先使用 1.0 的 create_agent，不可用时回退到 LangGraph 预制的 REAct Agenttry:    from langchain.agents import create_agent    def build_agent(llm, tools):        return create_agent(model=llm, tools=tools, system_prompt="You are a helpful assistant.")except Exception:    from langgraph.prebuilt import create_react_agent    def build_agent(llm, tools):        return create_react_agent(llm, tools=tools)load_dotenv()@tooldef get_weather(city: str) -> str:    """示例工具：返回城市天气（模拟）。"""    returnf"{city}: sunny and mild"llm = ChatOpenAI(model=os.getenv("OPENAI_MODEL", "gpt-4o-mini"), temperature=0)agent = build_agent(llm, [get_weather])user_input = "What's the weather in Tokyo?"# 调用方式也做回退：优先按 1.0 消息格式，失败则使用纯文本try:    result = agent.invoke({"messages": [{"role": "user", "content": user_input}]})except Exception:    result = agent.invoke(user_input)print(result)

说明：优先使用 create_agent（1.0 高层入口），不可用时回退到 LangGraph 的 create_react_agent；调用方式也自动回退（消息 vs 文本），以提升跨版本可运行性。

十一、运行前检查清单

• Python 版本为 3.10–3.12（python --version）。
• pydantic 为 v2（pip show pydantic 确认 Version: 2.x）。
• 依赖安装成功（pip install -r requirements.txt），Agent 示例包含 langgraph；RAG 示例包含 faiss-cpu 与 langchain-text-splitters。
• 已设置 .env：至少包含 OPENAI_API_KEY，可选 OPENAI_MODEL 与 AUTO_APPROVE。
• RAG 示例的 docs/ 目录存在 .txt 文件（或使用示例提供的 example.txt）。
• 网络可访问模型提供方（如 api.openai.com），代理与企业网络需放通。

十二、定义工具与结构化参数

• Python：可以直接传入具备清晰签名的函数作为工具，配合中间件实现参数校验与安全策略。

十三、中间件（Middleware）与可控扩展

• 能力：在代理主循环的前后插入策略（如人审/HITL、会话总结、PII 脱敏）。这在 1.0 中是标准扩展手段。
• 自定义中间件示意

from typing import Anyfrom langchain.agents.middleware import AgentMiddleware, AgentStateclass CallCounterMiddleware(AgentMiddleware[AgentState]):    state_schema = AgentState  # 可按需扩展 TypedDict    def before_model(self, state: AgentState, runtime) -> dict[str, Any] | None:        # 在模型调用前执行，如裁剪/总结历史等        return None    def after_model(self, state: AgentState, runtime) -> dict[str, Any] | None:        # 在模型调用后执行，如人审钩子、输出审计        return None

提示：实际项目可优先使用内置中间件（人审、总结、PII 脱敏等），并在需要时扩展自定义逻辑。

十四、LCEL 组合式管线（Python）

from langchain_core.prompts import ChatPromptTemplatefrom langchain_core.output_parsers import StrOutputParserfrom langchain_openai import ChatOpenAIprompt = ChatPromptTemplate.from_messages([    ("system", "You are a helpful assistant."),    ("user", "Answer the question: {question}"),])model = ChatOpenAI(model="gpt-4o-mini")parser = StrOutputParser()chain = prompt | model | parserprint(chain.invoke({"question": "What is LangChain?"}))# 批量print(chain.batch([  {"question": "Explain LCEL"},  {"question": "How to use content blocks?"},]))# 流式for chunk in chain.stream({"question": "Stream a short poem"}):    print(chunk, end="")

说明：LCEL 在 langchain-core 中提供统一 Runnable 接口，天然支持单次、批量与流式，以及中间步骤的可观测性。 结构化输出：使用 JsonOutputParser 或 PydanticOutputParser 承接模型结构化返回；StrOutputParser 仅将输出转为字符串，适用于纯文本场景。

十五、消息与内容块（1.0）

• 背景：现代 LLM API 趋向“多内容块”返回（文本、图像、结构化片段等）。1.0 在 langchain-core 中引入标准化 content blocks，统一跨厂商的消息结构（兼容历史 message）。
• 实践：在 Agent 或 LCEL 管线中，保持消息与内容块的结构清晰，便于中间件策略（总结、裁剪、审查）与跨模型切换。

十六、Streaming 与 Batching

• LCEL：chain.stream() 获取流式增量输出；chain.batch([...]) 高效处理多输入。
• Agent：基于 LangGraph 运行时具备流式与耐久执行能力；前端展示增量进度、后端可做长会话状态管理。

十七、可观测性与调试

• 结合 LangSmith 做链路追踪与事件可视化，定位提示、工具调用、模型响应的异常；在 serverless 环境中，注意 v0.3 后回调默认非阻塞，需显式 await 确保日志写入完整。

十八、常见错误与修复

• ImportError: cannot import ChatPromptTemplate：0.2+ 路径为 langchain_core.prompts，旧版为 langchain.prompts。可采用 try/except 回退导入或升级至 ≥0.2。
• ImportError: tool（装饰器路径不一致）：0.2+ 为 langchain_core.tools，旧版为 langchain.agents.tool。使用回退导入或升级。
• ModuleNotFoundError: faiss：未安装向量库。安装 faiss-cpu（CPU）或相应 GPU 版本，并确认平台支持。
• OpenAI API key not configured：未设置 OPENAI_API_KEY。在 .env 或环境变量中配置，并确保进程加载。
• Pydantic v1/v2 冲突：升级到 pydantic>=2 并移除 v1 兼容桥，避免类型解析错误与性能问题。
• NameError: format_docs：RAG 应用中未定义文档格式化函数。实现 "\n\n".join([d.page_content for d in docs])。
• ImportError: langgraph：Agent 示例回退路径依赖 LangGraph。安装 langgraph>=0.1.0。
• ValueError: allow_dangerous_deserialization：FAISS 加载本地索引需要该标志以兼容不同版本序列化；生产环境避免从不可信存储加载。

十九、常见场景建议

• RAG：在 1.0 中检索与索引相关的旧接口已瘦身到 langchain-classic 或各集成包；建议将 RAG pipeline Agent 解耦，利用 LCEL 构建“检索→压缩→回答”的可观测链路。
• 函数/工具调用：优先使用标准工具调用（schema 验证），减少“纯提示式结构化输出”；避免将关键副作用操作（外部系统写入）置于无审计的工具中，配合人审中间件。
• 多厂商与动态选择：通过统一消息与内容块抽象，按任务难度、成本与延迟在不同模型间切换；在长会话中用总结中间件控制上下文长度。

二十、迁移清单（0.x → 1.0）

• 入口与命名空间：

• 新增：langchain.agents.create_agent 为推荐入口。
• 旧接口迁移：使用 langchain-classic 保持兼容（如旧版 Chains、Retrievers 等）。

• 工具与结构化输出：

• 将“提示工程式结构化”迁移为标准工具或模型原生结构化输出策略，降低解析脆弱性与延迟。

• LCEL 与管线：

• 统一使用 Runnable 管线；需要批量或流式时，直接使用 batch/stream 方法。

• 集成包治理：

• Python 端更多集成拆分到独立 langchain-{name} 包。

• 回调与可观测：

• 在生产环境完善追踪与日志，结合 LangSmith 进行事件可视化。

二十一、生产最佳实践清单

• 可观测性与追踪：统一使用事件与日志链路，结合 LangSmith，记录提示、工具调用与失败重试。
• 耐久运行与幂等：基于 LangGraph 的 durable runtime 设计幂等工具与可重试策略，避免重复副作用。
• 安全与合规：启用人审中间件（高风险操作），敏感信息脱敏（PII）、权限最小化与审计。
• 成本与延迟治理：按任务难度动态选择模型，缓存与裁剪上下文，批量与流式合理使用。
• 结构化输出：首选工具/模型原生结构化能力，其次使用 JsonOutputParser/PydanticOutputParser，避免“纯提示格式化”。
• 配置与版本化：最小依赖集、严格版本上限，独立集成包管理，避免“隐式版本漂移”。

二十二、示例项目与脚手架

• 基于 create_agent 的人审与总结中间件组合

• 说明：使用 LangGraph 预制 REAct Agent，组合人审与总结中间件，演示工具调用与 LCEL 组合。

• RAG 在 1.0 的标准落地脚手架

• 说明：独立摄取与问答脚本，FAISS 向量库，LCEL 组合方式，适配 OpenAI 模型与嵌入。

示例代码：create_agent 人审与总结中间件

运行前准备：在示例目录内执行 pip install -r requirements.txt && cp .env.example .env 并设置 OPENAI_API_KEY、可选 AUTO_APPROVE。

import osfrom dotenv import load_dotenvfrom langchain_openai import ChatOpenAIfrom langgraph.prebuilt import create_react_agentfrom langchain_core.runnables import RunnableLambdafrom langchain_core.tools import toolfrom langchain_core.prompts import ChatPromptTemplateload_dotenv()@tooldef get_weather(city: str) -> str:    """返回城市的模拟天气信息（示例工具）。"""    conditions = {        "北京": "晴 18-26℃",        "上海": "多云 20-27℃",        "广州": "阵雨 23-29℃",    }    return conditions.get(city, f"{city}: 天气数据不可用（示例返回）。")@tooldef search_docs(query: str) -> str:    """在本地 docs 目录中进行简单的关键字搜索（示例工具）。"""    docs_dir = os.path.join(os.getcwd(), "docs")    ifnot os.path.isdir(docs_dir):        return"未找到 docs 目录，可创建并放置 .txt 文档进行演示。"    results = []    for root, _, files in os.walk(docs_dir):        for f in files:            if f.endswith(".txt"):                path = os.path.join(root, f)                try:                    with open(path, "r", encoding="utf-8") as rf:                        content = rf.read()                        if query.lower() in content.lower():                            results.append(f"命中 {f}")                except Exception:                    pass    return"\n".join(results) if results else"未命中文档关键词。"def human_review_fn(user_input):    """人审中间件：执行前进行人工确认，可通过环境变量跳过。"""    approve = os.getenv("AUTO_APPROVE", "false").lower() == "true"    print("\n=== 人审提示 ===")    print("待执行任务：", user_input)    if approve:        print("AUTO_APPROVE=true，自动通过。")        return user_input    resp = input("是否继续执行？[y/N]: ")    if resp.strip().lower() == "y":        return user_input    return"用户已拒绝执行。"def summarize_fn(result):    """总结中间件：对最终结果进行中文要点总结与下一步建议。"""    llm = ChatOpenAI(model=os.getenv("OPENAI_MODEL", "gpt-4o-mini"), temperature=0)    prompt = ChatPromptTemplate.from_messages([        ("system", "你是资深助理，请用中文提炼要点，并给出2-3条可执行建议。"),        ("human", "对以下输出进行要点总结：\n{text}"),    ])    text = result if isinstance(result, str) else str(result)    summary_msg = (prompt | llm).invoke({"text": text})    print("\n=== 人审总结 ===\n" + summary_msg.content)    return resultdef main():    llm = ChatOpenAI(model=os.getenv("OPENAI_MODEL", "gpt-4o-mini"), temperature=0)    agent = create_react_agent(llm, tools=[get_weather, search_docs])    pipeline = RunnableLambda(human_review_fn) | agent | RunnableLambda(summarize_fn)    print("示例已启动。请输入你的任务，回车执行：")    user_input = input("> ")    result = pipeline.invoke(user_input)    print("\n=== 最终输出 ===\n" + (result if isinstance(result, str) else str(result)))if __name__ == "__main__":    main()

要点：以 LangGraph 预制 ReAct Agent 作为核心，前后插入人审与总结中间件，示例工具展示调用链路与安全插桩位。 兼容说明：示例工程对 tool 与 ChatPromptTemplate 的导入提供回退，以兼容 0.2–1.0；本文档内代码使用静态导入用于讲解。若遇到 ImportError，参考示例工程中的 try/except 模式。

示例代码：RAG 1.0 标准脚手架

运行前准备：在示例目录内执行 pip install -r requirements.txt && cp .env.example .env 并设置 OPENAI_API_KEY，先运行 python ingest.py 再运行 python app.py。

import osfrom dotenv import load_dotenvfrom langchain_community.document_loaders import DirectoryLoader, TextLoaderfrom langchain_text_splitters import RecursiveCharacterTextSplitterfrom langchain_openai import OpenAIEmbeddingsfrom langchain_community.vectorstores import FAISSload_dotenv()def ingest():    docs_dir = os.path.join(os.getcwd(), "docs")    loader = DirectoryLoader(docs_dir, glob="**/*.txt", loader_cls=TextLoader, show_progress=True)    docs = loader.load()    splitter = RecursiveCharacterTextSplitter(chunk_size=800, chunk_overlap=100)    chunks = splitter.split_documents(docs)    embed_model = os.getenv("OPENAI_EMBED_MODEL", "text-embedding-3-small")    embeddings = OpenAIEmbeddings(model=embed_model)    vs = FAISS.from_documents(chunks, embeddings)    os.makedirs("storage", exist_ok=True)    vs.save_local("storage/faiss_index")    print(f"摄取完成，共生成 {len(chunks)} 个向量块并保存至 storage/faiss_index")if __name__ == "__main__":    ingest()
``````plaintext
import osfrom dotenv import load_dotenvfrom langchain_openai import ChatOpenAI, OpenAIEmbeddingsfrom langchain_community.vectorstores import FAISSfrom langchain_core.runnables import RunnablePassthroughfrom langchain_core.output_parsers import StrOutputParserfrom langchain_core.prompts import ChatPromptTemplateload_dotenv()def format_docs(docs):    return"\n\n".join([d.page_content for d in docs])def build_rag():    embed_model = os.getenv("OPENAI_EMBED_MODEL", "text-embedding-3-small")    embeddings = OpenAIEmbeddings(model=embed_model)    vs = FAISS.load_local("storage/faiss_index", embeddings, allow_dangerous_deserialization=True)    retriever = vs.as_retriever(search_kwargs={"k": 4})    llm = ChatOpenAI(model=os.getenv("OPENAI_MODEL", "gpt-4o-mini"), temperature=0)    prompt = ChatPromptTemplate.from_messages([        ("system", "你是检索增强问答助手。使用提供的上下文回答问题；若上下文不足，请明确说明并避免编造。"),        ("human", "问题：{question}\n上下文：\n{context}"),    ])    rag = {"context": retriever | format_docs, "question": RunnablePassthrough()} | prompt | llm | StrOutputParser()    return ragdef main():    rag = build_rag()    print("RAG 1.0 脚手架已启动。输入问题并回车：")    whileTrue:        q = input("> ").strip()        ifnot q:            break        a = rag.invoke(q)        print("\n=== 回答 ===\n" + a + "\n")if __name__ == "__main__":    main()

要点：摄取与问答分离，LCEL 组合为 retriever -> format_docs -> prompt -> llm -> parser，持久化向量库到 storage/faiss_index 并在应用中加载。 兼容说明：摄取脚本使用 langchain-text-splitters 的 RecursiveCharacterTextSplitter；旧版环境如遇拆分器不可用，可选择兼容实现或升级依赖。 依赖提醒：确保安装 faiss-cpu 与 langchain-text-splitters，并在 .env 设置 OPENAI_API_KEY。

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。

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】