本文分享了一份70多天的AI应用开发学习路线，强调AI学习不应只关注技术，更要理解技术背后的原理和解决的问题。文章分为五个阶段：让AI说人话（Prompt基础）、解决AI幻觉问题（RAG应用）、AI项目评测体系、让AI真正干活（Agent与LangGraph）、工程化部署。作者建议学习顺序为：Prompt→LangChain→RAG→评测体系→Agent→LangGraph→MCP→工程化→上线，帮助读者系统掌握AI开发技能。

最近花了一周时间，把一份 70 多天的 AI 应用开发学习路线完整看了一遍。

看完后最大的感受是：

现在网上大部分 AI 学习路线都在教你技术。

但很少有人告诉你：

这些技术为什么出现。

又是在解决什么问题。

我自己是测试出身。

过去一年一直在做 AI Agent 测试平台。

回头再看这份路线图，会发现它其实对应的是一个完整 AI 产品从 0 到 1 的成长过程。

第一阶段：先让AI说人话

很多人上来就学：

• LangGraph
• MCP
• Multi-Agent

其实根本没必要。

因为这时候你连模型最基本的工作方式都不知道。

就像刚学Java的人直接研究微服务一样。

这一阶段到底在学什么

本质上就一句话：

让模型按照你的要求输出内容。

比如：

你给模型一句话：

帮我生成登录功能测试用例

返回的内容可能是：

1. **测试登录**

2. **测试密码**

3. **测试账号**

乱七八糟。

没法直接使用。

于是你开始发现：

同样的问题。

不同写法结果完全不一样。

于是就有了 Prompt。

---

Prompt到底是什么

很多人把Prompt理解得太神秘。

实际上它就是：

你给AI写需求文档。

例如：

你是一名资深测试工程师

请根据以下需求生成测试用例

输出格式：
前置条件：
测试步骤：
预期结果：

这时候结果立刻规范很多。

---

接下来为什么要学LCEL

因为Prompt越来越长。

越来越复杂。

开始出现：

用户输入
↓
Prompt模板
↓
模型
↓
输出解析
↓
结构化结果

于是LangChain出来了。

LCEL出来了。

它本质就是把这一套流程串起来。

类似于：

prompt
|
model
|
parser

这样代码更好维护。

---

这一阶段完成后应该达到什么程度

能够做出：

• AI测试用例生成器
• AI需求分析助手
• AI日报生成器
• AI缺陷分析助手

类似这种简单工具。

不用数据库。

不用Agent。

不用RAG。

单模型即可。

如果这一阶段都没搞明白。

后面基本都会崩。

---

第二阶段：解决AI胡说八道的问题

做到这里。

你会发现一个巨大的问题。

AI开始胡说八道。

例如：

你问：

公司年假多少天？

AI回答：

一般企业10天左右

但实际上公司制度是：

5天

这就是幻觉。

---

为什么会有RAG

因为模型根本不知道你的企业资料。

它只能猜。

所以要给它外挂知识库。

流程变成：

用户提问
↓
知识库搜索
↓
找到相关文档
↓
把文档塞给模型
↓
生成答案

这就是RAG。

---

真正难的不是搭RAG

而是数据处理。

很多教程：

loader.load()
vector_store.add()

结束。

但企业里真正花时间的是：

文档清洗

例如：

• PDF
• Word
• Excel
• Wiki
• 飞书文档

全部格式不同。

---

文档切块

假设有一本100页制度手册。

直接丢进去没用。

必须拆成小块。

例如：

chunk_size=500
overlap=100

不同参数效果完全不同。

---

检索优化

很多人做到这里就结束了。

实际上企业项目才刚开始。

因为：

搜不到。

搜不准。

搜出来一堆垃圾。

于是开始研究：

• BM25
• Hybrid Search
• Rerank
• Multi Query
• HyDE

这些东西。

---

第二阶段结束后

你应该拥有：

一个企业知识库问答系统。

而且不是Demo。

是真能回答问题的系统。

---

第三阶段：AI项目最重要的能力——评测

这是我觉得很多人忽略的部分。

也是企业最关心的部分。

---

很多人做完RAG以后。

直接上线。

然后说：

效果不错。

我问：

依据是什么？

回答：

感觉还行。

这就是问题。

---

软件测试为什么要写测试用例

因为不能靠感觉。

AI也是一样。

---

怎么知道RAG优化有没有效果

假设：

改了Chunk。

改了Prompt。

改了Embedding。

改了Rerank。

到底哪个好？

不知道。

于是就有评测体系。

---

AI评测到底测什么

一般看三个指标：

检索正确率

搜出来的是不是正确文档

回答正确率

答案是不是正确

忠实度

有没有编造内容

---

企业怎么做

会建立一套题库。

例如：

问题：
年假多少天

标准答案：
5天

然后自动跑几百个问题。

生成分数。

这就是RAGAS和DeepEval干的事情。

---

为什么测试人特别适合做这个

因为本质没变。

以前写：

输入
执行
断言

现在变成：

问题
回答
评测

只是对象变了。

思路完全一样。

---

第四阶段：让AI真正干活

做到这里。

你已经有：

• 模型
• 知识库
• 评测系统

但还不是Agent。

---

Agent是什么？

很多人理解成：

多个AI聊天。

其实不是。

Agent本质上是：

AI会自己决定下一步做什么。

例如：

帮我查询今天订单异常

Agent开始思考：

需要查数据库

调用工具。

需要分析结果

继续调用工具。

需要生成报告

输出结果。

---

为什么要学LangGraph

因为Agent越来越复杂。

开始有：

• 状态
• 分支
• 循环
• 工具调用

已经不是一个Prompt能解决的。

于是需要工作流引擎。

LangGraph本质上就是：

AI版流程图。

---

为什么MCP火了

因为Agent需要连接外部世界。

例如：

• 浏览器
• 数据库
• 飞书
• Jira
• GitHub

MCP就是统一接口标准。

类似AI时代的USB。

---

第四阶段结束

你应该能做出：

• AI测试执行Agent
• AI需求分析Agent
• AI日报Agent
• AI代码审查Agent

这种真正解决问题的产品。

---

第五阶段：工程化

这一步是绝大多数教程不会讲的。

也是面试最容易暴露水平的地方。

---

因为：

Demo能跑。

不代表生产能跑。

---

企业真正关心：

成本

一次调用多少钱

延迟

用户等多久

监控

出问题怎么查

安全

数据会不会泄露

评测

升级后会不会变差

---

于是开始出现：

• FastAPI
• Docker
• LangSmith
• Trace
• CI/CD
• Guardrails

这些东西。

---

最后

如果你问我：

测试开发转AI最好的路线是什么。

我会给你一句特别简单的话。

不要从Agent开始。

不要从大模型原理开始。

不要从论文开始。

按照下面顺序就够了：

Prompt
↓
LangChain
↓
RAG
↓
评测体系
↓
Agent
↓
LangGraph
↓
MCP
↓
工程化
↓
上线

当你走完整条路线。

你会发现。

原来企业里的AI项目，远远没有网上说得那么玄学。

本质上还是那套熟悉的软件工程。

只是把“代码逻辑”变成了“模型能力”。

而真正拉开差距的，从来不是谁会调用GPT。

而是谁能把AI系统稳定地跑在生产环境里。

最后

如果说程序员已经是高薪职业，那么干AI的程序员，就是高薪中的高薪。

现在的市场，已经用数据给程序员指明了方向：学AI大模型，就是冲刺高薪的最优解！

看着身边越来越多的同行转型大模型、拿到高薪offer，很多人心里都动了心，但真正的难题来了：零基础小白不知道从哪入门？有基础的程序员找不到系统学习路径？实战项目练手无门？面试不知道考什么？

别慌！今天就给大家整理了一份【2026年最新版】AI大模型免费学习资源包，覆盖从入门到实战、从理论到面试、从基础到进阶的全流程，所有资料均已整理归档，无冗余、无套路，免费分享给每一位想抓住AI风口的程序员和小白！

👇👇扫码免费领取全部内容👇👇

1、大模型系统化学习路线

2、大模型学习书籍&文档

3、AI大模型最新行业报告

4、大模型项目实战&配套源码

5、大模型大厂面试真题

四阶段精细化学习规划（附时间节点，可直接照做）

结合上述资源，给大家整理了一份可直接落地的四阶段学习规划，总时长约2个月，小白可循序渐进，程序员可根据自身基础调整节奏，高效掌握大模型核心能力，快速实现从“入门”到“能落地、能面试”的跨越。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

👇👇扫码免费领取全部内容👇👇

6、这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】