让天下没有难学的大模型！我整理一份大模型技术知识图谱！

最近陆续有一些同学反馈，感觉大模型知识点太多了，找不到头绪。

今天我整理一份大模型技术以及应用的知识图谱，让大家轻松学习大模型，喜欢点赞、收藏、关注。

另外，技术交流可以文末加入我们。

大模型的预训练技术

大模型的预训练技术（Pre-traning）是大模型性能的根基，这部分技术门槛和成本门槛都很高，我们需要了解以下几个核心技术：

• Transformer 人工神经网络架构
• MOE 多专家架构
• Supervised Fine-tuning、Reinforcement Learning from Human Feedback（RLHF 基于人类反馈的强化学习）
• 数据工程
• 分布式预训练并行技术（数据并行、流水线并行、张量并行、序列并行、多维混合并行、自动并行、MOE 并行等）、
• 分布式预训练并行框架（PyTorch、Megatron、DeepSpeed、Ray）
• 分布式预训练网络通信（点对点通信、集体通信、AllReduce、AllGather、梯度分桶、计算与通信重叠、跳过梯度同步
• 分布式预训练流程（前向传递、损失计算、梯度计算、梯度通信、后向传递、优化器更新模型参数、保存模型
• 分布式预训练策略（Batch Size、epoch、损失精度、梯度方法
• 预训练评估技术。

大模型的微调技术

大模型微调技术是增强通用大模型能力，降低幻觉的核心技术，也是构建企业私有大模型两大技术手段之一（RAG、微调），因此需要好好掌握，包含以下几个核心技术：

• 微调方法（LoRA、QLoRA、Prompt Tuning、Prefix Tuning、P-tuning V2 等）
• 高效微调框架（Hugging Face PEFT）
• 数据工程（数据获取、数据清洗、数据结构化、数据存储、数据查询）
• 微调评估技术。

大模型的检索增强技术

大模型检索增强生成技术是增强通用大模型能力，也是降低幻觉的大模型微调技术、同样是构建企业私有大模型两大技术手段之一（RAG、微调），因此需要好好掌握，包含以下几个核心技术：

• RAG 整体架构
• Embedding Model
• 向量数据库
• 数据工程（数据获取、数据清洗、数据结构化、数据存储、数据查询）
• RAG 开发框架（LlamaIndex）
• RAG 增强评估技术
• RAG 增强框架（C-RAG）

大模型的推理技术

大模型推理是在线完成用户 Prompt 请求的技术架构，主要由推理效果和推理速度构成，也是必须要掌握的关键技术之一、主要包含以下几个核心技术：

• 推理优化加速服务化框架（vLLM、TensorRT-LLM、Triton）
• 推理优化技术（PageAttenion、FlashAttention）

大模型的压缩技术

大模型压缩是平衡推理效果和推理成本的主要实施技术，特别是预算有限的中心型公司，大模型的压缩技术就显得更加重要，包含技术如下：

• LLM 训练量化技术（LLM-QAT、QLoRA）、
• LLM 推理量化技术（GPTQ、LLM.int8()、SmoothQuant、AWQ、AutoAWQ、SpQR、ZeroQuant）、
• LLM 结构化剪枝技术（LLM-Pruner）、
• LLM 非结构化剪枝技术（SpareGPT、LoRAPrune、Wanda）、
• LLM 知识蒸馏技术（Standard KD、学生模型、老师模型、EA-based-KD（In-Context Learning 上下文学习、Chain-of-Thought 思维链、Instruction Following 指令跟随））、
• 低秩分解技术（ZeroQuant-FP + 量化、LoRAPrune + 剪枝）。

大模型的应用技术

基于大模型的应用开发是每个 IT 同学都需要掌握的基本技能，这也是构建 AGI 时代新的应用形态 Agent 和产业应用升级的基本条件。主要包含以下几个核心技术：

• 开发框架（LangChain、LlamaIndex、Semantic Kernel）
• 开发架构模式（面向过程架构设计、面向目标架构设计）
• Agent 开发模式（Planing、Action、Observation）
• 向量数据库（Pinecone、Milvus、PgVector、Faiss、Redis、Elasticsearch 等）
• 应用部署硬件（GPU 选型、GPU / CPU 资源评估）
• LLMOps（评估、测试、调试、监控、问题定位等）

大模型的基础设施技术

大模型的基础设施技术是大模型应用运行的基座，非常重要。主要包含以下几个核心技术：

• 大模型加速卡（AI 芯片技术、英伟达 GPU 技术、谷歌 TPU 技术）、
• AI 编译技术、AI 编译优化技术、AI 编译框架（ MLIR、XLA、TVM）、
• LLMOps（Docker、Kubernetes、可观测平台）
• 基础环境安装（英伟达 A800、英伟达 A100、英伟达 H800、昇腾 910/910B 安装）、
• 常用工具

  • Linux 常见命令大全

  • Conda 常用命令大全

  • Poetry 常用命令大全

  • Docker 常用命令大全

  • Docker Dockerfile 指令大全

  • Kubernetes 常用命令大全

  • 集群环境 GPU 管理和监控工具 DCGM 常用命令大全

一、大模型全套的学习路线

学习大型人工智能模型，如GPT-3、BERT或任何其他先进的神经网络模型，需要系统的方法和持续的努力。既然要系统的学习大模型，那么学习路线是必不可少的，下面的这份路线能帮助你快速梳理知识，形成自己的体系。

L1级别:AI大模型时代的华丽登场

L2级别：AI大模型API应用开发工程

L3级别：大模型应用架构进阶实践

L4级别：大模型微调与私有化部署

一般掌握到第四个级别，市场上大多数岗位都是可以胜任，但要还不是天花板，天花板级别要求更加严格，对于算法和实战是非常苛刻的。建议普通人掌握到L4级别即可。

以上的AI大模型学习路线，不知道为什么发出来就有点糊，高清版可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

三、大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

四、AI大模型商业化落地方案

作为普通人，入局大模型时代需要持续学习和实践，不断提高自己的技能和认知水平，同时也需要有责任感和伦理意识，为人工智能的健康发展贡献力量。