🎨 漫画场景 1：《AI 的“闭卷考试”翻车现场》
画面构图：
教室黑板上写着“AI 大模型期末考”，老涮坐在第一排监考。一个戴眼镜的大模型 AI 正在答题，额头冒汗。它面前摊着一张试卷，题目是：“我们公司最新版用户协议第3.2条说了啥？”AI 写的答案是：“……用户需每日向服务器献祭一只电子羊以维持账号活跃……”
对话气泡：
老涮（扶额）：“又开始了！这玩意儿根本没见过咱公司的协议，纯靠‘想象力’答题！”
AI（委屈）：“我训练时只学到2023年的知识啊……”。是时候RAG登场了，RAG的全称是Retrieval-Augmented Generation，中文叫检索增强生成。大模型在回答你问题之前，先允许翻书、查资料。它会先去一个巨大的外部知识库（比如你的公司文档、最新的互联网新闻、专业数据库）里把相关的资料找出来，然后基于这些真实的资料来组织答案。
底部标语：
没有外部知识，再聪明的AI也会胡说八道。
老涮给你总结了一个对比表，你就知道它为啥这么重要了：
| 维度 | 纯大模型 (闭卷) | RAG (开卷) | 你的体验 |
|---|---|---|---|
| 知识时效性 | 知识是死的，有截止日期 | 实时更新，只要资料库里有，它就知道 | 问今天的新闻它也能答上来 |
| 私有数据 | 一问三不知 | 懂你的专属知识 | 能读你的PDF、公司财报、内部手册 |
| 准确性 | 容易“幻觉”，胡说八道 | 有据可依，减少瞎编 | 回答更靠谱，甚至能告诉你来源是哪份文件 |
🎨 漫画场景 2：《开卷考试？不，是“带图书管理员”进考场！》
画面构图：
同一间教室，这次 AI 身边站着一个穿制服、推着小车的“图书管理员”（代表向量数据库）。
管理员从小车上抽出一叠文件——封面写着《公司用户协议_v2025.pdf》《产品手册_内部版》等。
对话气泡：
老涮（点头）：“这才对嘛！别让AI凭空猜，给它配个‘外挂大脑’。”
AI（自信满满）：“根据您提供的《用户协议》第3.2条，答案是……”
旁白框：
RAG = 大模型 + 图书管理员（向量数据库）
先查资料，再答题！
🎨 漫画场景 3：《“意思”比“字”更重要》
画面构图：
左边（关系型数据库）：
用户问“电瓶没电了咋办？”，数据库像机器人一样摇头：“未找到关键词‘电瓶’。”
右边（向量数据库）：
同一个问题，向量数据库立刻拿出一本《汽车蓄电池故障指南》，因为“电瓶 ≈ 蓄电池”。
在构建 RAG（检索增强生成）系统时，向量数据库（Vector Database）确实是目前的主流和首选方案，而传统的关系型数据库（如 MySQL、PostgreSQL）通常不是这一环节的最佳选择。老涮整理了一个表格：
| 特性 | 向量数据库 (Vector DB) | 关系型数据库 (SQL) |
|---|---|---|
| 核心能力 | 语义相似性搜索(找意思相近的) | 精确匹配/全文检索(找字面一样的) |
| 数据单元 | 高维向量 (Embeddings) | 结构化的行和列 |
| 查询逻辑 | “找到与这个意图最像的内容” | “找到字段值完全等于这个的内容” |
| RAG 适用性 | 极高(原生为语义检索设计) | 低(无法理解语义，性能差) |
老涮站在中间，一手拿锅铲，一手比划：
“关系型数据库只会‘认字’，向量数据库才懂‘意思’！
就像你跟服务员说‘来份毛肚’，他不会真给你端一肚子毛过来吧？”
底部标语：
语义理解，才是智能的灵魂。
🎨 漫画场景 4：《数据不是现炒，是提前备好的“底料”》
画面构图：
老涮在自家厨房，面前摆着两个锅。
左边锅（实时计算）：
火苗微弱，锅里只有水，上面贴标签“等用户提问再分析？——慢到饿死！”
右边锅（预计算）：
红油翻滚，里面全是提前切好的毛肚、黄喉、鸭血（代表已向量化的文档），香气四溢。
对话气泡：
老涮（笑着捞菜）：“向量数据库里的数据，都是提前‘腌入味’的！
用户一问，立马‘涮’出答案——快、准、稳！”。所有文档在入库前，先用 Embedding 模型“翻译”成数字向量，存好备用。这个过程在技术上通常被称为“预计算”或“嵌入（Embedding）”。
🎨 漫画场景 5：《RAG 让 AI 从‘神棍’变成‘靠谱同事》
画面构图：
老涮坐在电脑前，屏幕上是一个简洁的输入框。
背景是各种普通人：程序员、设计师、会计、甚至菜场大妈，都在对着手机说话。
屏幕弹出答案，旁边附带小字：“来源：《2025Q1财务报告》第12页”。
如何学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
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
- …
学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。
如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。
