🏠 总目录📚 本教程 16 · 你该挖哪一块 ←

大模型全景导论 / 16

下一步学哪一块,怎样由当前任务而非榜单决定?

结合任务、现有基础和资源比较学习方向,并记录一个可以验证的目标。

📑 本页目录(点开跳转)

16 · 你该挖哪一块

先说明手头任务需要什么。若有几个方向都相关,再用已有基础、兴趣和现实条件比较。

🎯 一句话

本页帮助你做一个可调整的小决定:先尝试哪个方向,用什么观察判断要不要继续。 不是替你选职业,也不要求一次决定长期路线。

方法一:按任务定位主题

文档问答、部署、模型原理和多模态各有不同的技术重点。

下表列出更具体的目标和相关章节。

当前问题 可直接打开的下一站 先确认什么
风格或格式不符合要求;想适配小模型 05 微调与 LoRA 是行为问题还是知识缺失;先比较提示词、检索与训练的适用范围
想了解模型团队的研究工作 02 原理,之后04 训练、12 对齐 这是认识路线,不是岗位能力清单
企业交付 08 RAG、07 部署、14 合规 还需要11 评测与13 运行维护,不能只跑通演示
没有明确目标,只想了解全貌 01 全景图 选一个愿意解释给别人听的问题即可

已经选出来,就可以离开本页开始。 完整的四条入口路线与可选专题在00 使用方法。

📚 零、先看看站里已经有什么

导论之外已有深入材料。下面是衔接关系,不表示这些主题“已经学完”或“没有研究价值”。

站内板块 对应主题 可以补什么
智能体工程教程 09 推理、11 评测、13 LLMOps、12 安全的工程部分 工具调用、实验、运行与防护
机器学习与深度学习基础 02 的前置、15 的基础工具 神经网络、反向传播、CNN/RNN 与注意力
机器学习的数学原理 15 数学地基 解释损失、优化、概率与表示
推荐算法 08 的检索与排序部分 召回、排序、向量索引与指标
Kaggle 竞赛方法论 11 评测 实验设计、验证与比较

搜索经验可以迁移到 RAG 的检索环节,但还要学文档治理、切分、embedding 配置、上下文组装、忠实度、来源与权限。不能把它概括成“只有三件新东西”。

📊 方法二:按条件比较方向

下面比较 14 个方向。它们不是统一排名:同一个方向,对不同目标的价值不同。 阅读难度也不等于实现、研究或生产门槛。

方向 何时值得优先看 可能用得上的背景 边界
08 RAG 要使用外部资料并提供证据 搜索 / 推荐 不只是向量库;要评测检索与回答
02 Transformer 想解释模型各模块的作用 神经网络 可以零基础入门,深入实现另需练习
06 推理优化 已有资源、吞吐或延迟约束 后端 / 运维 优化先测量,不只看模型参数量
04 训练三阶段 想区分预训练、SFT 与偏好优化 训练经验 不承诺读完即可训练可用模型
10 多模态 输入或输出不只有文字 视觉 / 语音 / 对比学习 按产品目标分支
05 微调 LoRA 有稳定任务、数据与行为适配需求 训练经验 不固定排在 RAG 之后;看问题性质
12 对齐与安全 想理解偏好、风险与模型行为 概率、实验、训练 入门与前沿研究的门槛不同
07 本地部署 需要自己运行或控制数据边界 运维 不是“一张卡就一定能上线”
03 Tokenizer 不懂文字、token 和上下文长度 无需特定背景 可配合 02 阅读,也可单独查
09 推理范式 复杂任务要拆解、使用工具 Agent 实践 看执行结果,不能只看推理文字长短
11 评测体系 要比较系统或追踪退步 实验 / 比赛 是持续工作,不是一次打分
13 LLMOps 系统准备上线或持续运行 后端 / 运维 涉及监控、版本与回归
14 合规伦理 有数据、授权或交付风险 无需特定背景 导论不能替代具体合规审查
15 数学 被公式或维度卡住 线代 / 概率有帮助 按当前问题补,不要求先全学

先看哪种条件触发你的需求,再看适用边界。没有一套对所有人有效的“首选/次选”,导论也不能替代深入学习。

🎯 方法三:打分表(拿不定主意时用)

这不是能力测评。它只是把“近期是否用得上、是否有兴趣、当前基础是否合适”放在一起比较。

每格可选 0 / 2 / 5:不符合 / 部分符合 / 很符合。默认三项等权,总分 0–15;缺项时不显示一个假总分。

加倍是个人选择,不是针对 ADHD 的统一规则。选 2 倍后总分范围变为 0–20。

方向比较:可以横向滚动查看总分
方向近期需要兴趣当前基础总分
08 RAG未完成
02 Transformer未完成
06 推理优化未完成
04 训练三阶段未完成
10 多模态未完成
05 微调 LoRA未完成
12 对齐与安全未完成

只保存在当前浏览器;不会自动替你选路线。

最高分可以帮助选一个试验入口,但不能盖过预算、权限、安全或任务期限。分数相近时,选一个小任务试试,再回来调整。

🏆 如果你要我直接推荐

不先给全体读者统一排名,而是看你是否有明确任务。

有自己的资料:用 RAG 试一次证据问答

先选少量文档与真实问题,观察是否找对证据、能否正确引用。可以使用托管服务,也可以用本地方案;不一定要自己买 GPU,但 API、隐私、实现与评测都有成本。

深入时,项目目标是从演示走向可验证的系统。入库、切分、检索、排序、组装、回答、权限和监控都需要根据失败案例逐步补齐,不以“一周就够”作为统一期限。

想懂内部机制:跟踪一次 Transformer 的输入输出

先把 token、注意力、FFN、残差和输出联系起来;需要生成细节再补 02c。

深入时,可以把手写一个小型 GPT 并训练作为项目。它需要编程、自动微分、训练数据与验证,不能用“一个周末”作为零基础门槛,也不是读完导论必须交的作业。

已有工程或产品限制:让限制决定下一站

  • 账单、吞吐、内网要求:06、07,再接 13。
  • 内容、视觉或语音任务:10,再按模态分支。
  • 想研究训练过程:04;需要机制时补 02,需要对齐时补 12。

三条专题学习路线

下面按三类兴趣串读。箭头表示可选的学习顺序,不代表必须采用这些技术。

兴趣路线 有链接的顺序 何时跳过
A · 应用实验 08 RAG → 06 优化 → 05 微调 没有资源瓶颈可暂缓优化;不存在训练适配需求就不必微调
B · 机制与训练 02 原理 → 04 训练 → 05 微调 → 12 对齐 只想理解基础结构,可以在能解释输入输出后停
C · 自建系统 02 原理 → 08 RAG → 06 优化 → 07 部署 可从已有经验处进入;上线还要补评测、运行、安全和合规

✋ 四个“先别急”的提醒

① 先保留一个当前任务

不是规定只能有一个兴趣,而是让下次回来时知道先继续哪里。想读的其他方向可以记下,不必立即展开。

② 同时考虑兴趣与现实约束

兴趣能支持投入,但不能保证每个人都能坚持;任务重要性、精力与资源也值得考虑。这里不对 ADHD 读者的行为作统一推断。

③ 导论简短,不代表学科很小

03、07、14、15 都可以深入;09、11、13 也不是“内容不足以独立成方向”。站内有对应材料时,可以直接接过去,避免重复入门。

④ 用小实验收集证据,再决定是否深入

例如 RAG:挑一份 PDF,检查解析结果,准备几个问题,保存召回片段与答案。这些观察能帮助判断你缺什么、是否喜欢这类工作。

无需卡在“20 行、两小时”的承诺上。小实验提供新证据,但并不比所有其他决策方法都准确,也不代表系统已能生产使用。

🏁 现在做一件事

选定下一站与一个可观察的结果,不要求写代码才算开始。

只保存在当前浏览器,不上传、不代表已完成。

保存后,回到本页入口打开对应章节。

✅ 检查点

  1. 站内有更深的材料,是否意味着该方向不值得独立学习?
  2. 搜索经验可以迁移到 RAG 的哪些部分?还要补什么?
  3. 目标入口、方向表和打分表分别适合什么情况?
  4. 兴趣权重是否必须加倍?两种总分范围是多少?
  5. 中断后想容易回来,怎样安排当前任务?
  6. 最小实验能证明什么,不能证明什么?
展开核对
  1. 不是;它只是提供已有的深入入口。
  2. 可迁移召回、排序、索引和检索指标;还要处理文档、上下文、忠实度、权限等。
  3. 已有问题用入口,比较主题看方向表,犹豫时用打分整理偏好。
  4. 不必须。等权是 0–15,兴趣 2 倍时是 0–20;选择由个人决定。
  5. 记录一个明确的当前任务及其下一步。
  6. 它提供可观察的结果与失败样本,不证明长期适合、全面掌握或生产可靠。

选择学习方向回顾

先记住这几件事

  • 结合手头的问题与章节所覆盖的技术主题选择学习方向。
  • 兴趣、基础和现实约束一起考虑,打分不是标准答案。
  • 留下一步,用小实验决定继续还是调整。

👉 回到导论首页 | 智能体工程教程 | 推荐算法教程

打卡记录保存在你的浏览器里,首页能看到总进度