黑马程序员-AI大模型三期

这套资料围绕大模型应用开发展开，从开源模型选型、提示工程，到信息抽取、文本匹配、文本分类，再到金融方向的落地项目，形成了一条比较完整的技术链路。和那些只讲概念、只演示调用接口的课程不同，它的重心明显放在「怎么把一个大模型接到真实业务里」这件事上。资料里既有讲义，也有配套代码和权重文件，还附带了金融新闻分类这类带真实数据集的小项目，说明组织者是按「可运行、可复现」的思路来准备的，而不是只给一堆幻灯片让人自己猜。

需要注意的是，这套资料的节奏并不是从零讲 Python、讲神经网络。它默认你已经具备一定的编程基础，能读懂 Python 工程代码，对 Transformer、注意力机制这些概念有基本印象。如果你完全没接触过深度学习，直接上来会很吃力；但如果你写过后端、做过数据处理、或者跑过一些机器学习脚本，那这套材料的门槛是合适的。它真正要解决的问题是：当你已经知道大模型能做什么之后，如何把它稳定地嵌进一个具体的应用流程里。

这套资料解决的核心问题

大模型的学习最容易卡在「会调 API 但不会做工程」这个阶段。很多人能用现成的对话接口写个小 demo，但一旦要处理结构化抽取、要做分类、要匹配，就不知道怎么设计提示词、怎么组织数据、怎么评估结果。这套资料里的讲义和代码正是冲着这些具体问题去的。比如金融信息抽取、金融信息匹配、金融文本分类，这三个任务分别对应了信息抽取、语义匹配、文本分类三类经典 NLP 任务，而它们又都被放到了大模型的语境下重新实现一遍。你看到的不是抽象理论，而是「给定一批金融新闻，怎么用 LLM 把关键字段抽出来」这种能直接对照自己业务的题目。

另一个被重点处理的问题是开源模型的本地化使用。资料里出现了 chatglm2-6b 的 int4 量化版本，包括模型定义文件和量化实现文件。这意味着课程不仅停留在「调云端接口」的层面，还涉及把模型下载到本地、做量化、加载推理这一整套流程。对于需要数据不出内网、或者想控制推理成本的团队来说，这部分内容的价值远高于单纯讲提示词技巧。你能从中看到模型加载、量化配置、推理封装这些环节是怎么写进工程代码里的。

适合什么基础的人来学

比较适合的读者是已经写过 Python 项目、了解基本深度学习概念、并且动手跑过至少一个大模型推理 demo 的开发者。你不需要自己训练模型，但要能看懂模型加载和推理调用的代码逻辑。如果你之前做过传统 NLP 任务，比如用 BERT 做过分类或抽取，那这套材料会让你更顺，因为它很多任务设定和传统 NLP 是平行的，只是换成了大模型方案，你可以直接对比两种做法在数据准备、提示设计、结果评估上的差异。

如果你目前只会调用在线对话接口，没碰过本地模型部署，那建议先把环境搭建和模型加载这部分补上。资料里提供的权重目录结构、量化脚本，可以作为你理解「本地推理需要哪些文件、各自负责什么」的入口。不要一上来就啃最复杂的金融项目，先把模型能跑起来、能输出稳定结果这件事做扎实，后面再看任务层面的设计会清晰很多。

建议先看哪几块内容

从动手顺序上看，建议先从提示工程指南这一类偏方法的内容入手。它帮你建立「怎么把任务描述清楚、怎么给示例、怎么约束输出格式」的基本手感，这是后面所有任务的地基。紧接着看主流开源大模型介绍，理解不同模型在规模、许可、推理成本上的差异，这样你在选型时不会只盯着一个模型。这两块打完之后，再进入工具实战和应用工具那一部分，把调用、封装、调试的流程走一遍。

等基础流程熟悉了，再进入任务模块。信息抽取和信息匹配这两块可以放在一起看，因为它们都涉及「从文本里定位并结构化信息」的能力，区别在于一个是从单条文本抽字段，一个是在多条文本之间判断关系。文本分类可以稍后看，它相对独立，但和金融动态方向评估项目结合得很紧。最后的金融行业动态方向评估项目，是把前面几块串起来的综合练习，适合在你对单个任务已经有把握之后，用来检验自己能不能独立完成一个完整小项目。

学完之后能独立做什么

比较现实的目标是：你能独立完成一个面向垂直领域的大模型应用原型。比如给定一批行业新闻或公告，你能设计提示词、组织训练和测试数据、用本地量化模型跑推理、输出结构化的抽取结果或分类标签，并且能对结果做基本的评估和调优。资料里的金融新闻分类数据集分成了训练和测试两部分，这说明评估环节是被认真对待的，你要能做到把数据切分、跑通流程、看懂指标变化，而不是只跑一个样例就结束。

再往上一层，你能判断什么任务适合用大模型、什么任务用传统方法更划算，能根据模型规模、量化方式、推理延迟来做取舍。这种判断力是工程落地里最值钱的部分，也是这套资料通过多个任务反复铺陈之后希望你能形成的直觉。你未必能一步做到生产级，但至少能给出一个可运行、可解释、可迭代的方案。

资料应该怎么配合练习

不要按文件夹顺序机械地看。比较有效的做法是：先通读讲义，把任务目标和输入输出格式弄清楚，然后对照代码把关键函数读一遍，重点看数据是怎么进、结果是怎么出的。接着自己动手改一改，比如换一批数据、改一下提示模板、调整量化配置，观察输出有什么变化。电子书和简历模板这类附带材料，可以当作背景补充，不必占用主线时间。

每做完一个任务，建议写一份简短的记录：任务是什么、用了什么模型、提示怎么设计的、遇到什么问题、最后怎么解决的。这份记录本身就是你后续做项目时最有用的参考。资料里的视频和代码是配套的，但真正让你进步的是自己去跑、去改、去把结果讲清楚。把它当作一套可以反复对照的工程样本，而不是一次性看完的视频合集，收获会大得多。