每周，我都会收到一些类似这样的消息：

我该如何成为 AI engineer？

问题不在于路线图、课程或视频不够多。

问题在于，它们大多是在 AI Agents、Model Context Protocol (MCP)、Context Engineering 和 production LLM systems 成为公司真正招聘所看重的技能之前制作的。

如今，即使是入门级 AI engineering 岗位，也会要求你理解 Retrieval-Augmented Generation (RAG)、embeddings、vector databases、structured outputs 和 agentic workflows 等概念。

在指导学习者、面试 AI 岗位、构建 production AI 应用，以及花了无数时间去弄清楚什么真正重要之后，我决定把所有内容整理成一份路线图。(终于)

无论你是：

• 从零开始的学生，
• 转向 AI 的 software engineer，
• 或者是想要提升能力的 AI engineer，

这份路线图都旨在帮助你学习 2026 年真正重要的技能。它与五年前的重要内容有着很大不同。

让我们开始吧。

---

AI 变化的速度，比大多数路线图都要快

互联网上大多数 AI roadmap 内容，本质上都是一份 2019 年的 Machine Learning Roadmap，只不过在上面草草加了一个 LLM 章节。

它也许对刚入门的新手有用，但对有经验的 engineer 来说，远远不够。

今天对 AI Engineer 的要求是什么？

到了 2026 年，AI Engineer 的含义已经明显不同于哪怕两年前：(如果你已经在这个行业里，你可能已经意识到了这一点)

我们应该害怕 AI 吗？

你需要担心 AI 会夺走 tech 行业的工作吗？我的诚实答案是：不需要，只要你努力跟上它。

因为两年前，甚至还没有一个 prompt engineering 的职位。（相信我），但看看如今有多少工作都围绕 prompt engineering 聚集！

所以，如果你要花几个月学习这类内容，你理应得到一份反映当下团队真实招聘需求的路线图，而不是一个过时的遗物。

免责声明：在学习 AI 之前，先学会构建软件

是的，我先说出这个不太受欢迎的部分。

让我直说：你不可能仅仅通过周末看一些关于 transformer 的 YouTube 视频，就直接跳到“我靠 fine-tune LLMs 谋生，构建 AI agents”。

我尊重的每一位 AI Engineer——那些真正把东西交付出去，而不只是发帖讨论的人——其底层都是扎实的 software engineer。他们能够：

• 阅读 stack trace，或者在面对新的 stack trace 时不慌张
• 写出别人（或者未来的自己）也能真正理解和维护的代码
• 把 git 当作工具来使用
• 思考当 10,000 个请求打到 endpoint 上时会发生什么，而不是只有 1 个请求时的情况*（对有经验的开发者来说）*

注意：

• 对于每个阶段的概念，我都标注了相应资源（包括视频教程、阅读指南，以及在需要时的相关项目）。
• 先从最适合你的开始。始终记住，最好的学习方式就是把它付诸实践。

让我们开始吧！

---

第一阶段：Python、Git 和编程基础

已经熟悉 Python 了？可以跳到 Git、virtual environments 和 debugging。

这里才是 Python for AI 真正开始的地方。

我花了几个月时间刷教程，之后才意识到，动手实现比被动学习能教会你更多东西。

只有当我开始练习 DSA 并实现算法时，我才真正开始思考得更清晰，并看到了显著提升。

所以我的建议是，先把纯 Python，或者你选择的任何编程语言，比如 C++，练到足够熟练。（如果你一开始做 DSA 用它更容易，但记住之后你可能还需要切换到 Python 😃)

Python 会让那些 AI 专属库不再像一门外语。（你之后会有这种感觉）

以下是你需要真正熟悉的内容：

1. Python 核心

Data structures（lists、dict、sets）、functions、classes、list/dict comprehensions、generators、decorators（你会在很多 AI frameworks 里频繁看到这些）

把选择最优资源的时间压到最少，然后先从一个开始。

我建议你先从课程或视频入手。掌握基础理解之后，再到 LeetCode 之类的平台上做 DSA 题目，并持续提升。

2. Virtual environments 与 package management

venv、pip，以及越来越常用的 uv。如果跳过这些，你会在 dependency conflicts 上浪费掉大量时间！

• Git & GitHub: branches、commits、pull requests，以及在不哭的情况下解决 merge conflicts。（你不需要死记硬背；边做边学，它会变成一种习惯）
• Working with files & data: 读取/写入 JSON、CSV 和纯文本，因为在数据变成漂亮 dataframe 之前，它 80% 的样子都是这样
• The terminal: 基础 bash、目录导航、把命令串联起来
• Debugging: 在把错误信息复制给 chatbot 之前，先真正读一下报错。也试着在你正在使用的 IDE 里用工具调试，比如 VS Code 的 breakpoints。（另外，print statements 也是救命的）

很多初学者在这里会掉入一个陷阱：把这个阶段当成 不断看教程直到“突然懂了”。但只看是不会“突然懂”的。真正懂，是通过输入、排错、再执行，循环往复才会发生。

动手时间：你的第一个真实项目 🎯

从一个简单项目开始，比如 BMI Calculator、Sudoku 或 Tic-tac-toe，来打磨你的初学者技能；然后再构建一些真正包含实际数据或真实问题的东西，比如：

• 一个 CLI tool，用于从 public API 抓取并清洗数据，然后保存到结构化文件中
• 一个小脚本，用于解析你自己的 bank statement CSV 或 Spliwise 导出文件，并对支出进行分类
• 一个简单的 web scraper + data cleaner，用于处理你个人感兴趣的数据集

这个项目的目标，与其说是结果，不如说是逼自己穿过那些不那么光鲜的部分，比如：格式损坏的数据、off-by-one errors、以及一个在你脚本执行到一半时突然改变返回结构的 API。

你可以使用 这个资源 来探索从适合初学者到接近真实世界的项目想法

注意：你将在下面第二阶段学习的任何数学内容，都尽量通过代码实现出来。这样你会学到该用哪些 libraries，以及何时使用它们。

---

第二阶段：真正重要的数学

人们对 AI 的恐惧，往往比实际需要的更多。我们不需要一开始就学完所有 linear algebra，但需要其中一小部分、而且是有针对性的一小部分。（你总可以在此基础上继续扩展！）

1. Linear Algebra

• Vectors、matrices、tensors，以及它们相乘在几何上究竟 做了什么
• Dot products、matrix multiplications、eigenvalues 和 vectors （你会马上在 attention mechanisms 和 embeddings 中再次见到它们）

2. Calculus

我们大多数人可能在高中时都学过。但这里是主要主题和可能有助于你回顾概念的资源。

• Precalculus、Differential Calculus、Integral Calculus、Multivariate Calculus
• Derivatives，尤其是 gradient 的概念

3. Probability & Statistics

• Distributions、mean/variance、conditional probability
• 这才是模型输出、不确定性和评估指标真正使用的语言。

4. Optimization

• Gradient descent、learning rates、loss functions，也就是把 错误逐步变成没那么错** 的机制

如果你还在想所有数学究竟在哪里变得必要：

处理数据的工具

• 学习 Pandas 和 NumPy 之类的流行 libraries，用于数据处理和分析。
• 看看 Matplotlib 和 Seaborn 之类的数据可视化工具。（先从 matplotlib 开始；它更简单）

Data Visualization 可以拓展思维和叙事的边界：

动手时间：从零实现 Linear Regression 🎯

这是整份路线图里回报最高的练习，但大多数人因为它看起来太基础而跳过它。不要跳过。

import numpy as npclass LinearRegressionScratch:    def __init__(self, learning_rate=0.01, n_iterations=1000):        self.learning_rate = learning_rate        self.n_iterations = n_iterations        self.weights = None        self.bias = None    def fit(self, X, y):        n_samples, n_features = X.shape        self.weights = np.zeros(n_features)        self.bias = 0        for _ in range(self.n_iterations):            y_pred = np.dot(X, self.weights) + self.bias            # Gradients            dw = (1 / n_samples) * np.dot(X.T, (y_pred - y))            db = (1 / n_samples) * np.sum(y_pred - y)            # Update            self.weights -= self.learning_rate * dw            self.bias -= self.learning_rate * db    def predict(self, X):        return np.dot(X, self.weights) + self.bias

一旦这段代码运行起来，就把结果与同一数据上的 sklearn.linear_model.LinearRegression 进行对比。

当数值大致吻合时，你就已经向自己证明：你理解了之后每个模型底层到底在发生什么。

每当你遇到类似技术时，尽量把底层算法实现出来，这样你会更好地理解它。

Libraries 也许能让一切变得简单，但了解背后的算法和数学很重要。

---

第三阶段：经典 Machine Learning

在你接触 neural network 之前，必须先熟悉这类经典内容，因为现实世界中大量 ML 问题，使用这些方法仍然比 deep learning model 更好、更便宜。

理解为什么我们在某些场景下使用某些技术，而不是其他技术，以及它是如何解决问题的。

核心主题

• Supervised learning： regression、classification、decision trees、random forests、gradient boosting（XGBoost/LightGBM）
• Unsupervised learning： clustering（k-means）、dimensionality reduction（PCA）
• Model evaluation： train/test splits、cross-validation、precision/recall/F1、ROC-AUC，以及关键的是知道对于某个具体 business problem，真正重要的是 哪个 metric
• Feature engineering： 这是决定你的模型是优秀还是平庸的技能
• 熟练使用 scikit-learn、pipelines、preprocessing、model selection

作品集项目 #1：Customer Churn Prediction 🎯

这个项目之所以成为所有人的必经之路，是有原因的：它会逼你完整经历现实世界里的整个生命周期：

从杂乱的 tabular data、class imbalance、feature engineering、model comparison，到与业务相关的 evaluation （这里的 false negative 字面上就会让公司损失一个客户）。

一个高质量版本的这个项目应包含：

• 对于你为什么选择该 evaluation metric 的清晰说明 （churn 场景下 accuracy 几乎总是错误答案）
• 至少两个模型对比，而不是只说“我用了 XGBoost，因为它很流行”
• Explainability： SHAP values、confusion matrix 或 feature importances，这样你才能说明 为什么 模型会做出它所做出的预测

作品集项目 #2：Recommendation Systems 🎯

这个项目会教你从 similarity 的角度思考，一旦你后面学到 embeddings 和 RAG，就会持续依赖这个概念。

构建一个简单的 content-based 或 collaborative-filtering recommender（movies、books 或 products 都适合作为数据集）。

重点在于将 表示item 为 vectors 并 衡量它们之间的距离 这一想法内化，因为这个想法会在第五阶段再次出现。

我个人做过一个书店推荐系统，初学阶段学到的内容对判断什么方法有效、什么方法无效帮助很大。

---

第四阶段：Deep Learning

这个阶段实际上决定了 Deep Learning 是否适合你。很多自学者或 engineer 就是在这里，要么爱上了这个领域，要么只学到基础就放弃了。

不管结果如何，我都建议你认真尝试一次，然后再决定你属于哪一类！

核心主题

• Neural network 基础： layers、activation functions、forward/backward pass
• Training dynamics： overfitting、regularization、dropout、batch normalization
• Optimizers： SGD、Adam，以及为什么它们在实践中的选择确实很重要
• GPUs： 不需要理论，只要足够让你明白，为什么当你运行一个十亿参数模型时，笔记本会像着火一样发烫！

---

等等……PyTorch 还是 TensorFlow？

这是每个初学者都会提出的一个非常合理的问题，也值得一个直接的答案：

PyTorch 实际上已经成为 research、大多数现代开源模型，以及 2026 年你会接触到的大部分 production AI engineering 工作的默认选择。

TensorFlow 仍然有其存在感，尤其是在一些 enterprise 和 mobile deployment 场景中，通过 TensorFlow****Lite，但如果你只能先深入学一个 framework，那就学 PyTorch。

几乎你会读到的每一个 Hugging Face 模型、agent frameworks 和 research code，都是基于它构建的。

NLP、Computer Vision 和 Transformers

你需要在以下内容上具备 能实际操作的**素养：

• NLP 基础： tokenization、embeddings、sequence models
• Computer Vision 基础： CNNs、image preprocessing、transfer learning
• Transformer architecture：attention、self-attention，以及为什么正是这一架构，使你今天使用的每一个 LLM 得以存在

Attention is all you need!（字面意义上就是这样）

一定要真正理解 Transformer architecture 中的 Attention mechanism 是如何工作的。第五阶段的一切都建立在它之上。（见下方资源）

作品集项目 #3：Sentiment Analysis

在一个情感分类数据集上 fine-tune 一个 pretrained transformer（distilled BERT 变体是一个不错且成本较低的起点）。

这个项目会让你大致掌握整个现代 fine-tuning workflow：

从加载 pretrained model、正确 tokenizing 数据，到在其上进行 fine-tuning，再到评估与 production teams 使用的同一工作流在更大规模下的表现。

作品集项目 #4：Meeting Transcriber

构建一个端到端 pipeline：输入音频，输出 transcript，再输出 summary。

这把 speech-to-text（这里 Whisper 显然是最合适、也非常优秀的选择）和一个 LLM summarization 步骤结合起来。

这会让它成为你的第一个真正的 AI 应用，而不仅仅是一个 model。它也是一个真正有用的工具，你会真的愿意继续使用自己做出来的东西！

---

第五阶段：AI Engineer

这正是整份路线图一路构建到的阶段，也是实际 AI Engineering 工作的核心所在。

注意：如果你正在准备 ML 相关岗位，那么从这里开始，准备方向会发生分化。在此之前的内容都是基础，是 AI 和 ML 两个方向都通用的；无论你是应届生还是有经验的开发者，这都是你要在其上搭建的框架。

Context Engineering

Context Engineering 是 2026 年对 prompt engineering 的真正继任者。

Prompt engineer 会问：我应该把哪些词放进 prompt？

而 Context Engineer 会问：模型在 context window 中完成这个任务所需的完整信息集合是什么——检索到的文档、tool outputs、对话历史、system instructions、memory——以及我该如何结构化并优先排序这些内容？

这就是整个场景。归根结底，就是以系统的方式思考。

需要重点关注的核心概念

• 实际上哪些 information 需要放入 context，哪些是稀释信号的 noise
• 如何对这些 context 进行 structure（排序、格式化、压缩），让模型更好地使用它
• Context window budgeting： 你没有无限 tokens，而且为了“以防万一”把所有东西都塞进去，往往会让输出 更差，而不是更好
• Structured Outputs： 学习如何让 LLM 按预定义 schema（JSON、Pydantic 等）生成响应，而不是自由文本。这会让 AI 应用更可靠，也更容易与下游系统集成。

Retrieval-Augmented Generation (RAG)

RAG 是一种让 LLM 使用它从未训练过的信息来回答问题的技术。

核心主题

• Chunking strategies： 朴素的固定大小 chunking 与 semantic chunking，以及为什么这个选择会悄悄决定你的 retrieval quality 上限
• Embeddings & vector databases： 文本如何变成 vector，以及 Pinecone、Weaviate、Chroma 或 pgvector 之类的工具如何用于存储和搜索它们
• Retrieval： similarity search、hybrid search（结合 keyword + semantic）以及 re-ranking
• RAG techniques：Query Rewriting（在检索前改进用户查询）、Agentic RAG（让 agents 迭代式地规划和检索）以及 Graph RAG（使用 knowledge graphs 捕捉实体之间的关系，以实现更丰富的检索）
• Evaluation： 衡量 retrieval quality、hallucinations（不只是最终答案看起来是否还行），使用 context precision 和 recall 等指标

我个人发现这门课程在理解 RAG 的所有内容方面极其有帮助：

之后可以在这里深入学习 RAG strategies：

作为项目，你可以尝试在自己的一套个人 journal 上实现 RAG；这确实是个很酷的项目。

Model Context Protocol (MCP)

MCP 用一句话来说，就是一种标准化方式，让 LLM 应用连接到 external****tools 和 data sources，而不是每个团队都为 agent 需要接触的每个工具编写一套自定义集成。

核心主题

• 理解 MCP 的 client/server 模型
• 将现有的 MCP server 连接到你构建的 agent
• 为一个还没有现成 MCP server 的工具构建一个最小化的自定义 MCP server

你在 ChatGPT 或 Claude 里使用的每一个工具，无论是向 Canva、Notion 写入还是从中读取，或者任何外部工具，背后都是 MCP 在驱动。

AI Agents

AI Agent 是这样一种系统：一个 LLM 可以围绕一个 goal 进行推理，决定使用哪个 tool，执行一个 action，observe 结果，并不断 loop，而不仅仅像 chatbot 那样只输出一段静态文本。

核心主题

• Reasoning loop： plan → act → observe → repeat（ReAct-style patterns）
• Tool use/function calling： 模型如何决定 何时 以及 调用什么
• Memory： 短期（在单次会话内）与长期（跨会话持久化）
• Guardrails： 防止 agent 做出破坏性、昂贵或错误行为的机制

在接触 LangChain 或 LangGraph 这类 framework 之前，至少先基于原始 API 调用构建一个 agent。

这之间的区别就在于：你是知道 LangChain 或类似 framework 在 替你做什么，还是只知道它的 API 表面。

虽然理解 agent 概念比框架更重要，但还是值得去了解一下现代框架，比如 OpenAI Agents SDK、LangGraph、CrewAI、Google ADK、Agno、AutoGen 和 Smolagents，以理解构建可投入生产的 agentic systems 的不同方式。

Multi-Agent Systems

Multi-Agent Systems 会把上面的单 agent 模式拆分开，让多个专门的 agents 协同完成复杂任务。

这很重要，因为单 agent 在复杂、多步骤任务上会遇到真正的上限：context 会被塞满，而且让一个 agent 什么都想做、什么都想懂，往往意味着它在大多数事情上都表现平平！

专门化 agents——每个都有狭窄、明确定义的职责和自己的 context——通常会胜过试图包揽一切的通用型 agent！（就像我们人类会专注于某项任务并把它做好）

值得了解的模式：

• Orchestrator-worker： 一个 agent 把子任务委派给专门的 workers
• Sequential pipelines： agent A 的输出成为 agent B 的输入
• Debate/critique patterns： 一个 agent 的输出在最终定稿前，会由另一个 agent 审查和质疑

AI Evaluation

作为 AI Engineer，我怎么强调这一点都不为过。它几乎可以说是 demo 和 production system 之间的分水岭。

核心主题

• 在发布之前先构建一个代表性输入的 test set
• 为你的特定任务定义什么叫 good（正确性？对检索来源的忠实度？语气？延迟？）
• 当人工评估无法扩展时，使用 LLM-as-judge 模式，同时理解这种方法带来的偏差
• 使用 DeepEval、Promptfoo、LangSmith、Ragas 和 Arize****Phoenix 等 evaluation frameworks，对 prompts、RAG pipelines 和 agentic workflows 进行 benchmark 并追踪 regressions。
• 当你更改 prompts、models 或 retrieval logic 时，持续跟踪 regressions

LLMOps

随着 AI 系统逐渐成为 production applications，学习 LLMOps 变得越来越重要。

核心主题

• Prompt versioning
• model routing
• tracing、observability
• cost monitoring
• caching
• experiment tracking

LLMOps 有助于构建可靠、可扩展的 AI 系统。

部署 AI 应用

值得掌握的 deployment 基础：

• APIs：用 FastAPI 或类似工具包装你的 model/agent
• Containerization：Docker，至少要知道它为什么存在，以及如何使用
• **Inference 和 model-serving tools：**vLLM 用于高吞吐量 LLM serving，LiteLLM 用于通过统一接口在多个 model provider 之间路由请求
• 基础云部署：可以选择你最熟悉的 cloud provider，完成端到端部署
• Monitoring & cost tracking： LLM 调用按 token 计费，production system 需要对 latency 和花费都有可见性。这是最受关注的领域之一
• CI/CD 基础： 用于部署和自动化 pipeline

---

我看到每个初学者都会犯的错误

• 在跳过第一到第三阶段的情况下，直接冲向 LLM 和 agents
• 把 frameworks（LangChain 等）当作需要单独学习的东西，而不是建立在你应先独立理解的概念之上的东西
• 收集教程而不是构建项目；观看不等于实践，而这两者之间的差距，正是大多数人悄悄卡住的地方
• 在构建过程中就把 eval pipeline 一并搭建好，而不是留到以后。每一次微小改动都能让我们知道 pipeline 是在变好还是变差。

---

最后的想法

如果你只从这份路线图里带走一件事，那就让它是这一点：成为 AI Engineer 并不是要掌握每一个新工具，而是要 建立扎实的基础，并持续地应用它们。

在穿越每个阶段时，不要急。做项目、做实验、犯错误，并通过实践去学习。真正的成长就发生在这里。

我希望这份路线图能给你一个清晰的方向，并帮你省下我曾经花在弄清楚下一步该学什么上的时间。

普通人如何抓住AI大模型的风口？

领取方式在文末

2026年入行AI大模型的黄金窗口!!!

AI产业正迎来前所未有的爆发式增长。 从DeepSeek以百万年薪重金招募顶尖研究员，到百度、阿里、腾讯等头部企业加速推进AI Agent商业化布局，再到国家层面持续出台政策，大力扶持数字经济与AI人才培育体系，多重信号清晰指向一个共识：AI的“黄金十年”已全面开启

在产业浪潮的强劲推动下，AI人才争夺战日趋白热化。技术迭代与场景落地双轮驱动，催生海量高价值岗位。放眼未来，AI领域的职业发展前景广阔无垠，正涌现出大量高潜机遇，堪称一片值得深耕的**“人才蓝海”**。

脉脉数据显示📊：
2026年1-2月，AI岗位数量同比增长约12倍，增速远超新经济行业整体增幅；AI岗位在全部新经济岗位中的占比也从2025年同期的2.29%跃升至26.23%，几乎占据新经济招聘市场的四分之一。

与此同时，AI新发岗位平均月薪高达60738元，较新经济行业整体平均月薪48189元高出约26%。

这一切都说明一件事：2026年，正是入行AI大模型的黄金窗口❗️❗️

最佳学习路线

只要你真心想学习AI大模型技术，这份精心整理的学习资料我愿意无偿分享给你，但是想学技术去乱搞的人别来找我！

在当前这个人工智能高速发展的时代，AI大模型正在深刻改变各行各业。我国对高水平AI人才的需求也日益增长，真正懂技术、能落地的人才依旧紧缺。我也希望通过这份资料，能够帮助更多有志于AI领域的朋友入门并深入学习。

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发
【附赠一节免费的直播讲座，技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等，欢迎大家~】

大模型全套学习资料展示

自我们与MoPaaS魔泊云合作以来，我们不断打磨课程体系与技术内容，在细节上精益求精，同时在技术层面也新增了许多前沿且实用的内容，力求为大家带来更系统、更实战、更落地的大模型学习体验。

希望这份系统、实用的大模型学习路径，能够帮助你从零入门，进阶到实战，真正掌握AI时代的核心技能！

01 教学内容

• 从零到精通完整闭环：【基础理论 →RAG开发 → Agent设计 → 模型微调与私有化部署调→热门技术】5大模块，内容比传统教材更贴近企业实战！

• 大量真实项目案例： 带你亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事‌！

02适学人群

应届毕业生‌： 无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。

零基础转型‌： 非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界‌。

业务赋能突破瓶颈： 传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型‌。

vx扫描下方二维码即可
【附赠一节免费的直播讲座，技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等，欢迎大家~】

本教程比较珍贵，仅限大家自行学习，不要传播！更严禁商用！

03 入门到进阶学习路线图

大模型学习路线图，整体分为5个大的阶段：

04 视频和书籍PDF合集

从0到掌握主流大模型技术视频教程（涵盖模型训练、微调、RAG、LangChain、Agent开发等实战方向）

新手必备的大模型学习PDF书单来了！全是硬核知识，帮你少走弯路（不吹牛，真有用）

05 行业报告+白皮书合集

收集70+报告与白皮书，了解行业最新动态！

06 90+份面试题/经验

AI大模型岗位面试经验总结（谁学技术不是为了赚$呢，找个好的岗位很重要）

07 deepseek部署包+技巧大全

由于篇幅有限

只展示部分资料

并且还在持续更新中…

人工智能大潮已来，不加入就可能被淘汰。如果你是技术人，尤其是互联网从业者，现在就开始学习AI大模型技术，真的是给你的人生一个重要建议！

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发
【附赠一节免费的直播讲座，技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等，欢迎大家~】