知乎-AI大模型应用开发实战训练营-第22期

它解决什么工作场景，又适合谁

这门课的定位并非“调参工程师速成”，而是填补“会用大模型”与“理解模型原理”之间的认知鸿沟。当前职场中，很多开发者或产品经理虽然能调用 API，但在遇到幻觉、输出不稳定、或者需要选择合适模型架构时，往往缺乏底层判断力。本课程试图通过解析 Transformer、MoE、RLHF 以及视觉/多模态模型的核心机制，帮助你建立技术直觉。

它不适合完全零基础的纯小白，因为内容涉及注意力机制、稀疏注意力、GPU 计算逻辑等硬核概念；也不适合已经深入研究模型架构的算法专家，因为重点在于工程视角的原理贯通而非前沿推导。它最适合的受众是：具备 Python 基础，希望深入理解 LLM 工作原理，从而更精准地进行 Prompt 工程、RAG 构建或 Agent 设计的 AI 应用开发者、技术型产品经理及转行学习者。

资料如何使用，建议先看哪几块

资料包分为“基础原理”、“进阶原理”与“课件/视频”三大部分，内容密度较高，切忌泛读。建议的学习路径是：先观看视频课程建立整体框架，再对照 PDF 课件梳理细节，最后阅读 DeepSeek 等技术报告进行拓展。

入门阶段，请重点攻克《揭秘 Transformer 的真面目》系列、《语言模型训练范式》及《探索神经网络》的视频与课件。这是所有后续技术的基石，务必搞懂自注意力机制和预训练/微调的差异。进阶阶段，结合《DeepSeek R1 技术报告解读》及相关 PDF，深入理解推理模型（如 R1）与稠密模型（如 V3）在 MLA、MoE 架构上的设计权衡，这部分对优化推理成本极具参考价值。若你对多模态或 Agent 感兴趣，可单独选修视觉生成模型、智谱 AI 姿态识别及 AutoGLM 相关章节，了解智能体如何理解视觉输入并操控设备。

学完能独立做什么

完成核心模块学习后，你将不再局限于黑盒式调用。你能够独立分析不同大模型架构的适用边界，例如在需要极致推理能力的场景中合理选用思维链模型，或在资源受限环境下评估 MoE 架构的部署价值。同时，你将具备解读最新技术报告的能力，能基于 Transformer 及多模态原理，设计出更稳定的 RAG 检索策略或具备视觉感知能力的智能体应用。这门课的价值在于让你从“使用者”转变为“设计者”，在面对复杂 AI 落地场景时，拥有基于原理的工程决策能力。