三个月AI大模型学习路线：从小白到Agent实战全拆解

一条清晰的AI大模型进阶路线

从零开始学大模型，最大的障碍往往不是难度，而是不知道从哪里下手。一份来自B站的学习分享，将大模型的进阶过程拆成三个层层递进的阶段：打底子、学干活、上手实战。这条路线的价值在于——它把抽象的"学AI"转化成了可执行、有产出的具体任务。

本文对这条路线进行梳理与延展，帮助有意转型AI方向的人理清每个阶段该学什么、能做出什么成果。

第一步：打好基础，先把提示词和API搞明白

很多新手一上来就想训练模型，结果被数学和算力劝退。原始分享给出的建议很务实：不要急着做模型训练，先把提示词（Prompt）写明白，把API调用的基本原理弄懂就够了。

提示词工程是当下应用大模型的核心技能之一。写好提示词，本质是学会如何精准地向模型描述任务、约束输出格式、提供上下文。而理解API原理，则让你能把模型能力接入到自己的程序或产品里。

这一阶段的落地成果是做一个爆款文案生成器。这个项目门槛不高，却能立刻变现——可以用来接代写文案的活赚外快。用一个真实可用的小工具来验证学习成果，比空看理论更有成就感。

第二步：学会让AI"干活"，掌握RAG与知识库

有了基础之后，进入更实用的应用层。这一步的核心是RAG（检索增强生成）——让大模型能够基于外部知识回答问题，而不是仅凭训练时的记忆。

要跑通RAG，需要搞清楚几件事：

• 数据怎么洗：原始文档往往格式混乱，需要清洗、切分成合适的片段
• 向量数据库怎么用：把文本转成向量并存储，实现语义检索
• Agent与知识图谱：顺带了解智能体和结构化知识的概念

这一阶段的实战项目是搭建一个知识库问答助手。把行业报告、公司手册等资料"喂"给AI，之后直接提问就能获得基于这些资料的准确答案。这类应用在企业内部有大量真实需求，是从个人玩具走向商业价值的关键一步。

RAG（Retrieval-Augmented Generation，检索增强生成） 是当前企业落地大模型最主流的技术方案之一。大模型在训练时存在知识截止日期，且无法"记住"企业内部的私有资料。RAG的思路是：当用户提问时，系统先从外部知识库中检索出最相关的文本片段，再把这些片段连同问题一起送给大模型，让模型基于这些上下文生成答案。这样既保留了模型的语言理解和生成能力，又解决了知识陈旧和信息私有的问题。

向量数据库是RAG的关键基础设施。文本经过嵌入模型（Embedding Model）转换为高维向量后存入其中，检索时同样把问题转为向量，通过计算余弦相似度等指标找出语义最接近的段落——这种"语义检索"比关键词匹配准确得多。常见的向量数据库包括 Chroma、Milvus、Weaviate 和 Pinecone 等，初学者用 Chroma 本地部署即可快速上手。

第三步：上手Agent实战，理解ReAct与多智能体协作

第三阶段是最能体现工程能力的部分——亲手做一个Agent（智能体）。

这里的核心概念是ReAct模式（Reasoning + Acting）。它让AI不只是被动回答，而是能够"思考—行动"循环：分析问题、决定调用哪个工具、拿到结果后再继续推理。掌握了ReAct，AI就从聊天机器人升级为能自主完成任务的执行者。

更进一步是多个Agent的协作。当单个智能体能力有限时，让多个各有分工的Agent互相配合，可以完成更复杂的工作流。这也是当前AI应用领域的热门方向。

走完这一步，做出一个对话机器人，或者为公司起草一份AI落地方案，基本都不成问题。这意味着你已经具备了相对完整的工程实践能力。

ReAct（Reasoning + Acting） 是2022年由谷歌研究团队提出的智能体推理框架。其核心思想是让大模型在回答过程中交替输出"思考（Thought）"和"行动（Action）"两类步骤：先推理当前应该做什么，再调用外部工具（如搜索引擎、代码解释器、数据库查询等）获取结果，然后根据结果继续推理，直到得出最终答案。这种"思考-行动-观察"的循环使模型能处理需要多步骤、多工具配合的复杂任务，是目前主流 Agent 框架（如 LangChain、LlamaIndex、AutoGen）的重要设计基础。

多智能体（Multi-Agent）协作则进一步将任务分配给多个专职Agent，例如一个负责搜索资料、一个负责编写代码、一个负责审核结果，由协调者Agent统筹调度。这种架构在处理长流程、跨领域任务时比单一Agent更高效，也是 AutoGen、CrewAI 等框架主打的能力方向。

这条路线为什么值得参考

这份学习路线最大的优点是目标导向、每步都有产出。它避开了新手最容易踩的坑——一头扎进模型训练的理论深水区，而是从提示词、RAG到Agent层层递进，每个阶段都对应一个可交付、可变现的项目。

需要提醒的是，分享中"三个月速成上岸""企业抢着要"等表述带有明显的激励色彩，实际学习进度因人而异，能否胜任岗位还取决于项目深度和实战经验。把它当作一个清晰的技能地图而非保证成功的承诺，会更为客观。

对想入门AI应用开发的人来说，与其纠结从哪学起，不如照着这条"提示词 → RAG → Agent"的主线动手做起来。做出第一个能用的工具，往往比看十篇教程更有价值。