🧭 学习路线图

1. 打基础

• 语言：Python（主流 AI/智能体开发语言，必备）。

• 环境：熟悉 Linux/Windows 下的 Python 环境、虚拟环境、包管理（pip/conda）。

• 框架：PyTorch / TensorFlow 至少会一个，推荐 PyTorch（生态更活跃）。

📚 参考：

• 《Python深度学习》

• fast.ai 免费课程

• PyTorch 官方教程

---

2. 理解大模型

• 大模型原理：Transformer 架构、Attention 机制。

• 热门模型：GPT、LLaMA、ChatGLM、DeepSeek 等。

• 模型获取：Hugging Face 上下载开源模型。

• 推理体验：先用现成的 API（OpenAI、DeepSeek、Moonshot 等），再尝试本地跑轻量模型（如 LLaMA-3、Qwen）。

📚 参考：

• 《The Illustrated Transformer》图解教程

• Hugging Face 课程：https://huggingface.co/learn

---

3. 智能体（Agent）框架

智能体 ≠ 大模型，它是大模型的 应用封装方式。
主要学习如何让大模型调用工具、处理任务、保持记忆。

常见框架：

• LangChain（最流行，Python & JS，生态全）

• LlamaIndex（知识库型应用强）

• Autogen / CrewAI（多智能体协作）

学习点：

• 提示词工程（Prompt Engineering）

• 工具调用（API、数据库、搜索引擎）

• 知识库问答（RAG：检索增强生成）

• 工作流编排（比如多智能体协作完成复杂任务）

---

4. 动手实践：做一个智能体

入门项目建议：

1. AI助理：能回答知识库里的问题（文档→向量数据库→大模型）。

2. 小程序客服Agent：接入微信小程序，回答常见问题。

3. 自动化工具Agent：能帮你调用日历、搜索、发邮件。

流程：

• 模型：用 API（便宜、快上手）或本地开源模型。

• 框架：LangChain / LlamaIndex。

• 知识库：Milvus / Weaviate / FAISS（存储向量）。

• 前端：微信小程序 / Web App。

---

5. 进阶：大模型定制

• 微调（Fine-tune）：在特定领域数据上训练，比如法律、金融。

• 指令微调（LoRA、PEFT）：成本低，几块钱显卡也能跑。

• RAG 优化：提高知识检索效果。

---

6. 部署与上线

• 轻量方案：直接调用 API，封装成 Flask/FastAPI 后端 + 小程序前端。

• 本地/私有化：用 Docker 部署 LLaMA/Qwen 等模型，接入 LangChain。

• 商业化：加用户权限、日志监控、计费模块。

---

🚀 推荐练手路径

1. 先做一个 “AI毕设答辩助手”：上传论文 → AI帮你生成答辩问答。

2. 再做一个 “小程序智能客服”：接入大模型 + FAQ 知识库。

3. 最后尝试 “多智能体协作平台”：比如一个写代码，一个测试，一个总结。