一、【项目背景】

2025年2月，国内AI领域迎来现象级事件-DeepSeek突然全网爆红。引发指数级用户增长。面对激增的访问压力，平台服务器多次出现服务中断，"请求失败"的提示界面成为用户高频讨论话题，由此掀起了一场自建AI私有部署的热潮。

历经2个多月的入坑体验，针对Deepseek从小白到环境搭建；RAG（企业与个人）知识库从理论到技术落地；知识应用转化的过程中总结经验。

二、【项目经验】

A、知识库路线选择。

1、将AI做为个人辅助工具且不想（不爱）折腾，在不涉及敏感信息的情况下，建议直接用互联网上的在线AI工具即可。产品开箱即用，简单方便专注应用。

a、本地安装开源免费的知识库应用程序，然后向平台申请API并购买Token。

b、使用互联网大厂开发的AI知识库应用实现个人的AI知识库应用。例如：知乎知识库、豆包本地知识库。

2、如果涉及敏感信息事务处理（例如：合同检查，财务分析，数据分析，知识库等），则建议采用私有化部署。

【总结】：个人普通用户，倾向于豆包本地方案+互联网AI应用；单位组织或家庭多成员及个人高级用户，倾向于本地知识库搭建+互联网AI应用。

B、知识库应用误区。

1、认为私有化部署的本地知识库（大模型）可以从互联网上直接获取信息，把知识库当成百度用。

2、寄希望于AI的“智能”，认为只要将相关的资料不做任何整理直接原样导入，就可以借助AI大模型得到想要的结果内容，这恰是AI大模型魔幻的开始。

3、想让知识库具备聪明大脑，目前仍需人工干预。首先要人工进行资料源的整理（例如规则排版，去除无效格式与内容，去除错误的信息），进而得到干净的数据信息源。

C、知识库大模型的适用场景。

1、将同类型的资料全部上传，然后通过会话形式快速获取相关答案。

2、通过大量同类的资料，就某一个问题（或事项）借助AI大模型进行推理分析，帮助（或训练）自己构建全面且系统化的思维模型。

3、通过知识库不断更新知识与梳理经验，形成【提炼-学习-实践-总结】的良性闭环，构建个人在职场最深的护城河。

D、专注于内容建设。

1、知识库的信息反馈质量核心源于当下的知识“投喂”。

2、知识库的内容需要不断持续整理，知识经验的总结会随着时间不断变化，倒逼自己不断更新并掌握知识经验。

3、关于资料的整理可以借助AI工具取巧处理，提高效率。例如先通过豆包进行解析整理提纯，然后就资料直接转存成PDF或文本格式内容。

4、资料源分为两类单独存放。一份是原始资料，一份是经过AI工具转换的资料，然后再将此份资料导入到知识库中。保留原始资料是满足未来需要不断重新提炼信息。

E、适合原则。

1、它如果出现"答非所问"，正经的“胡说八道”，问题可能出在：

a、两个大模型没适配好或是大模型参数配置；（如下图例，后续会专门介绍如何参数配置）

b、资料向量解析问题（例如PDF文档中的图文资料，EXCEL或PPT中的带有合并单元格的数据表格，目前都不能够正确解析）；

c、提示词没用好等因素。（有机会将专门介绍如何使用提示词，请支持鼓励。）

2、目前AI技术发展太快了，每隔一段时间都有新的模型出现，耐心等待其进化；定期对大模型进行适配与参数配置优化。若效果满意就确定优化方案，就不要再随意变更。

3、知识库的向量模型与大语言模型，无需采用最高的模型版本（投入成本高），以适配当下的设备，能够满足自己的知识应用需求就好。

F、投入产出比，算效益账。

（预算高一步到位，预算有限合适就好；失败的沉落成本风险。）

1、虽然有号称可不用独显运行的AI大模型，实际体验下来，只能说是能用（大模型运行反馈慢），效果并不理想没有可行性。

2、目前大模型依然是吃硬件性能大户，从投入性价比考虑，在电脑配置方面优先考虑：

a、显存12G以上的独显（重点关注显存容量，这是你能否顺畅使用的前提）；

b、内存2根组成32GB以上（是你能否用更高级别的大模型，在现有配置下混合模式运行的前提）；

c、512GB的SSD固态磁盘（纯粹加载快）；

d、匹配略高于显卡功率需求的电源。（电压电流稳了，主板上的一切设备也就稳了）

G、配置参考。

以下是搭建个人知识库项目，在原主机（B450主板+AMD 5600G + 512G SSD ）的基础上，进行核心部件升级的配置方案。

如何学习大模型 AI ？

我国在AI大模型领域面临人才短缺，数量与质量均落后于发达国家。2023年，人才缺口已超百万，凸显培养不足。随着Al技术飞速发展，预计到2025年，这一缺口将急剧扩大至400万，严重制约我国Al产业的创新步伐。加强人才培养，优化教育体系，国际合作并进，是破解困局、推动AI发展的关键。

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。

2025最新大模型学习路线

明确的学习路线至关重要。它能指引新人起点、规划学习顺序、明确核心知识点。大模型领域涉及的知识点非常广泛，没有明确的学习路线可能会导致新人感到迷茫，不知道应该专注于哪些内容。

对于从来没有接触过AI大模型的同学，我帮大家准备了从零基础到精通学习成长路线图以及学习规划。可以说是最科学最系统的学习路线。

针对以上大模型的学习路线我们也整理了对应的学习视频教程，和配套的学习资料。

大模型经典PDF书籍

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！

配套大模型项目实战

所有视频教程所涉及的实战项目和项目源码等

博主介绍＋AI项目案例集锦

MoPaaS专注于Al技术能力建设与应用场景开发，与智学优课联合孵化，培养适合未来发展需求的技术性人才和应用型领袖。

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】

为什么要学习大模型？

2025人工智能大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 ， 大模型作为其中的重要组成部分 ， 正逐渐成为推动人工智能发展的重要引擎 。大模型以其强大的数据处理和模式识别能力， 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 ，为各行各业带来了革命性的改变和机遇 。

适合人群

• 在校学生：包括专科、本科、硕士和博士研究生。学生应具备扎实的编程基础和一定的数学基础，有志于深入AGI大模型行业，希望开展相关的研究和开发工作。
• IT行业从业人员：包括在职或失业者，涵盖开发、测试、运维、产品经理等职务。拥有一定的IT从业经验，至少1年以上的编程工作经验，对大模型技术感兴趣或有业务需求，希望通过课程提升自身在IT领域的竞争力。
• IT管理及技术研究领域人员：包括技术经理、技术负责人、CTO、架构师、研究员等角色。这些人员需要跟随技术发展趋势，主导技术创新，推动大模型技术在企业业务中的应用与改造。
• 传统AI从业人员：包括算法工程师、机器视觉工程师、深度学习工程师等。这些AI技术人才原先从事机器视觉、自然语言处理、推荐系统等领域工作，现需要快速补充大模型技术能力，获得大模型训练微调的实操技能，以适应新的技术发展趋势。
  

课程精彩瞬间

大模型核心原理与Prompt：掌握大语言模型的核心知识，了解行业应用与趋势；熟练Python编程，提升提示工程技能，为Al应用开发打下坚实基础。

RAG应用开发工程：掌握RAG应用开发全流程，理解前沿技术，提升商业化分析与优化能力，通过实战项目加深理解与应用。

Agent应用架构进阶实践：掌握大模型Agent技术的核心原理与实践应用，能够独立完成Agent系统的设计与开发，提升多智能体协同与复杂任务处理的能力，为AI产品的创新与优化提供有力支持。

模型微调与私有化大模型：掌握大模型微调与私有化部署技能，提升模型优化与部署能力，为大模型项目落地打下坚实基础。

顶尖师资，深耕AI大模型前沿技术

实战专家亲授，让你少走弯路

一对一学习规划，职业生涯指导

• 真实商业项目实训
• 大厂绿色直通车

人才库优秀学员参与真实商业项目实训

以商业交付标准作为学习标准，具备真实大模型项目实践操作经验可写入简历，支持项目背调

大厂绿色直通车，冲击行业高薪岗位

文中涉及到的完整版的大模型 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】