30 天大模型应用开发学习路线(表格版)
·
一个月(30 天)高效、可执行、面试导向的“大模型应用开发”学习路线
一个月后可以独立完成企业级 AI 应用(RAG、Agent、多模型编排)并通过 90% 的应用岗面试。
📅 30 天大模型应用开发学习路线(表格版)
- 给Deepseek或者豆包发送提示词,让他们带领你学习
- 每天 2~4 小时
- 重点偏向 应用开发、RAG、向量数据库、Agent、企业级工程化
- 每个知识点都附带 强化问题(面试常问)
🗂️ 完整学习表格
| 天数 | 学习主题 | 学习内容(可当天完成) | 产出 | 强化问题(面试常问) |
|---|---|---|---|---|
| Day 1 | AI 应用开发全局认知 | AI 应用 VS 模型开发、RAG/Agent、企业架构、模型能力边界 | AI 应用图谱 | 1. 应用岗和模型岗的区别?2. LLM 的能力边界是什么? |
| Day 2 | Prompt 基础系统 | Prompt 原则、风格、角色、思维链 | 20 条 Prompt 模板 | 1. 什么是思维链?什么时候不应该使用? |
| Day 3 | 高级 Prompt 工程 | ReAct、Plan&Execute、结构化输出、工具调用设计 | 完整复杂 Prompt | 1. 如何保证 LLM 输出结构化 JSON?2. ReAct 的核心是什么? |
| Day 4 | 大模型 API 使用 | OpenAI/DeepSeek/Claude API,前端+Node/Next.js 调用 | Demo:调用模型接口 | 1. 流式输出如何实现?2. 温度参数代表什么? |
| Day 5 | 多模型对比与选择 | DeepSeek/Claude/GPT 使用场景、性能差异 | 模型选择决策表 | 1. 如何选择模型进行推理?2. 便宜模型如何增强? |
| Day 6 | 向量与 Embedding 必知概念 | 向量、相似度、维度、embedding 的本质 | Embedding 对比实验 | 1. 为什么 cosine similarity 常用?2. Embedding 和文本分类差异? |
| Day 7 | 搭建本地向量数据库 | Chroma/pgvector 简易使用 | 本地向量库 + 插入 + 查询 | 1. 为什么要分 chunk?2. 如何决定 chunk 长度? |
| Day 8 | 企业级向量数据库(Milvus) | Milvus 基础、索引、查询、性能 | 部署 Milvus 并存入数据 | 1. 向量索引 IVF 是做什么的? |
| Day 9 | RAG 基础概念 | RAG 结构:检索 → 重写 → 匹配 → 生成 | 完成最小 RAG Demo | 1. RAG 为什么能减少幻觉? |
| Day 10 | RAG 分块策略 | Sliding window、semantic chunking | 三种分块效果对比 | 1. 如何优化召回率? |
| Day 11 | RAG Query Rewrite | 多查询扩展、问题重写、意图识别 | 3 种 query rewrite 实现 | 1. 什么是查询扩展? |
| Day 12 | Rerank(重排) | BGE/ColBERT、交叉编码器 vs 双塔 | Rerank 对比测试 | 1. Rerank 为何比 embedding 准? |
| Day 13 | 构建可生产的 RAG Pipeline | 检索 → Rerank → 组 Prompt → 生成 | 一个生产级 RAG 流程 | 1. 企业级 RAG 如何评估? |
| Day 14 | 企业 RAG 优化技巧 | 模型温度、召回阈值、上下文窗口优化 | 优化前后对比 | 1. 如何减少幻觉? |
| Day 15 | 项目实战:企业知识库助手(上) | 文档解析、embedding、Milvus 写入 | 完成知识库构建 | 1. PDF 如何清洗? |
| Day 16 | 项目实战:企业知识库助手(下) | 实现问答 + Rerank + 前端界面 | 完成一个可上线 demo | 1. 如何处理上下文冲突? |
| Day 17 | Agent 基础—什么是 Agent | Agent、工具调用、反思链、任务拆分 | 自定义一个简单 Agent | 1. Agent 和 RAG 有什么不同? |
| Day 18 | 多工具 Agent 体系 | 搜索工具、数据库工具、爬虫工具 | 多工具 Agent Demo | 1. 工具调用失败怎么补救? |
| Day 19 | ReAct Agent 原理 | 思考-行动-观察循环 | 一个 ReAct 代理 | 1. ReAct 如何避免死循环? |
| Day 20 | Plan & Execute Agent | 计划生成 + 子任务执行 | Demo:任务规划 Agent | 1. 两阶段 Agent 的优缺点? |
| Day 21 | 多模型协作编排 | 使用 OpenAI + DeepSeek + Embedding + Rerank 协作 | 模型组合架构图 | 1. 企业为什么要多模型? |
| Day 22 | 前端 AI 交互优化 | React 中流式输出、长任务状态、打字机效果 | 完成流式前端 | 1. SSE 和 WebSocket 区别? |
| Day 23 | 项目:AI 智能客户中心(上) | RAG + Agent + 角色扮演 | 架构设计 | 1. AI 工单系统的难点? |
| Day 24 | 项目:AI 智能客户中心(中) | 工具调用:查订单、改地址(mock API) | 完成一个能“查订单”的 Agent | 1. 如何管理 agent memory? |
| Day 25 | 项目:AI 智能客户中心(下) | 前端 UI + 后端 API 完整打通 | 完整应用可运行 | 1. 怎么防止模型乱调用工具? |
| Day 26 | 大模型应用安全 | 越狱、Prompt 注入、风险控制 | 安全策略文档 | 1. 防 Prompt 注入方法? |
| Day 27 | 企业级工程化 | 缓存、日志、模型切换、灰度、监控 | 生产化策略 | 1. 为什么需要模型降级? |
| Day 28 | 面试突击:RAG 专项 | 30 个 RAG 面试题 | 面试题文档 | 1. 如何评估 RAG 系统? |
| Day 29 | 面试突击:Agent + 工具调用 | 20 个 Agent 面试题 | 文档输出 | 1. 如何处理工具返回错误? |
| Day 30 | 最终项目 & 简历 | 输出一个完整企业级项目 | 线上 Demo + 简历 | 1. 如何介绍你的项目? |
📌 接下来怎么用?
每天开始学习时,可以给Deepseek或者豆包说
“我今天学的是 Day X,请给我知识点讲解 + 完成强化问题 + 做对应练习。”
让Deepseek或者豆包每天作为你的“带教导师”陪你学与刷面试题。
有了大模型,让学习变得更简单,赶紧学习起来吧。
更多推荐
所有评论(0)