超级会员免费看
一、背景
时间飞逝，我首次撰写的“开源大语言模型-实际应用落地”专栏已经完成了一半以上的内容。由衷感谢各位朋友的支持,希望这些内容能给正在学习的朋友们带来一些帮助。
在这里，我想分享一下创作这个专栏的初心以及如何有效的，循序渐进的学习。
从事IT行业15年来，从来没有写博客的习惯,但从今年年初开始,突然发现，如今在社会生存的压力是越来越大。每天都要面对各种信息焦虑、工作竞争压力、高昂的学习成本,以及身体健康的透支。为此,我突发奇想，希望把自己工作实践中的一些经验分享出来，通过这个专栏,向朋友们介绍一些前沿技术的实际应用,比如开源大语言模型的应用场景。希望能让大家更好地了解这些技术在实际工作中的应用价值,帮助大家在学习和工作中增加一些实用的能力。
一）信息焦虑
二）工作竞争压力
三）高昂的学习成本
四）身体健康的透支
为什么要设置成付费专栏？主要是在信息无限，精力有限的时代，当大家为内容付费之后,就会更加重视这个内容,并希望从中获得相应的收获和回报。毕竟,既然花费了金钱,那么必然就希望能够从中得到一些有价值的东西。
二、学习路线
2.1.探索模型之旅
（一）开源大语言模型探索
QWen模型试炼
重点：在windows环境下，使用transformer调用Qwen-1_8B-Chat模型
重点：在windows环境下，使用transformer设置模型参数/System Prompt/历史对话
重点：在linux环境下，使用transformer调用Qwen-1_8B-Chat模型
重点：使用gradio，构建Qwen-1_8B-Chat模型的测试界面
重点：使用modelscope api调用Qwen-1_8B-Chat模型，实现非流式/流式输出
开源模型应用落地-qwen模型小试-调用qwen1.5新模型-进阶篇（六）
重点：Qwen1.5系列模型的新特性及使用方式
开源模型应用落地-qwen模型小试-Zero/One/Few Shot-进阶篇（九）
重点：深入理解Zero/One/Few-Shot,让模型可以更好地处理新任务
开源模型应用落地-qwen模型小试-function call（十）
重点：如何使用qwen1.5-7b-chat，正确调用function call
开源模型应用落地-qwen模型小试-Qwen-Agent（十一）
重点：在qwen1.5-7b-chat模型下，利用Qwen-Agent构建智能代理，理解和响应用户查询
开源模型应用落地-qwen模型小试-调用Qwen2-7B-Instruct-进阶篇（十二）
重点：掌握Qwen2系列模型的新特性及使用方式
开源模型应用落地-模型量化-Qwen1.5-7B-Chat-GPTQ-Int8（一）
重点：理解GPTQ模型量化技术，以低成本体验大语言模型的魅力
开源模型应用落地-模型量化-Qwen1.5-7B-Chat-AWQ（二）
重点：理解AWQ模型量化技术，以低成本体验大语言模型的魅力
重点：分析GPTQ和AWQ模型量化技术之间的差异
开源模型应用落地-Qwen1.5-MoE-1/3的激活参数量达到7B模型的性能
重点：使用Qwen1.5-MoE-A2.7B，体验更快的推理速度
BaiChuan模型试炼
开源模型应用落地-baichuan模型小试-入门篇（一）
重点：在windows环境下，使用transformer调用Baichuan2-7B-Chat模型
重点：在windows环境下，使用transformer设置模型参数/System Prompt/历史对话
重点：在linux环境下，使用transformer调用Baichuan2-7B-Chat模型
ChatGLM模型试炼
开源模型应用落地-chatglm3-6b模型小试-入门篇（一）
重点：在windows环境下，使用transformer调用chatglm3-6b模型
开源模型应用落地-chatglm3-6b模型小试-入门篇（二）
重点：在windows环境下，使用transformer设置模型参数/System Prompt/历史对话
开源模型应用落地-chatglm3-6b模型小试-入门篇（三）
重点：在linux环境下，使用transformer调用chatglm3-6b模型
开源模型应用落地-chatglm3-6b-批量推理-入门篇（四）
重点：在低成本下，连续批处理提升LLM推理吞吐量，减少延迟
开源模型应用落地-chatglm3-6b-zero/one/few-shot-入门篇（五）
重点：在Zero-Shot/One-Shot/Few-Shot场景下，ChatGLM3-6B的推理表现
开源模型应用落地-chatglm3-6b-function call-入门篇（六）
重点：在ChatGLM3-6B模型下，实现Function Call
开源模型应用落地-chatglm3-6b-gradio-入门篇（七）
重点：使用gradio搭建AI交互界面
开源模型应用落地-chatglm3-6b-streamlit-入门篇（八）
重点：使用streamlit搭建AI交互界面
开源模型应用落地-chatglm3-6b-模型输出违禁词检测（九）
重点：识别模型输出是否命中违禁词
开源模型应用落地-chatglm3-6b-集成langchain（十）
重点：LangChain与ChatGLM3结合，提高对话系统的性能和用户体验
KnowLM模型试炼
重点：调用KnowLM模型，实现知识抽取
重点：优化模型参数，提高知识提取效率和质量
CodeQwen模型试炼
重点：CodeWen模型初体验，测试生成/修改代码的能力
开源模型应用落地-CodeQwen模型小试-SQL专家测试（二）
重点：探索CodeWen模型的SQL能力
开源模型应用落地-CodeQwen模型小试-探索更多使用场景（三）
重点：探索CodeWen模型更多的使用场景
开源模型应用落地-CodeQwen模型小试-集成langchain（四）
重点：CodeWen模型集成LangChain，提供更便捷的推理方式
（二）开源大语言辅助工具
开源模型应用落地-Gradio正确集成Fastapi-助力模型交互-入门篇（一）
重点：正确集成Gradio和Fastapi两大技术框架
开源模型应用落地-Gradio正确集成Fastapi-助力模型交互-实践篇（二）
重点：实践qwen1.5-7b-chat模型，同时提供界面交互和接口服务两种能力
重点：使用JMeter工具压测AI服务链路，及时发现潜在的性能瓶颈
重点：引入负载均衡，以提高AI服务的性能和故障转移能力
重点：使用Ollama快速集成QWen1.5系列模型
重点：通过Spring AI调用OpenAI及Ollama系列模型
开源模型应用落地-工具使用篇-Spring AI-Function Call（八）
重点：通过Spring AI调用OpenAI，并实现function call的高级用法
开源模型应用落地-工具使用篇-Spring AI-高阶用法（九）
重点：通过Spring AI调用OpenAI，并实现历史上下文传递及模型参数优化
2.2.实战技能一网打尽
（一）开源大语言模型微调
开源模型应用落地-qwen-7b-chat-LoRA微调（一）
重点：使用官方正确方式微调qwen-7b-chat模型
开源模型应用落地-qwen1.5-7b-chat-LoRA微调（二）
重点：使用官方正确方式微调qwen1.5-7b-chat模型
开源模型应用落地-qwen-7b-chat-LoRA微调-Firefly（三）
重点：使用第三方开源Firefly框架微调qwen-7b-chat模型
开源模型应用落地-qwen1.5-7b-chat-LoRA微调-Firefly（四）
重点：使用第三方开源Firefly框架微调qwen1.5-7b-chat模型
开源模型应用落地-qwen1.5-7b-chat-LoRA微调代码拆解
重点：深度剖析官方qwen1.5-7b-chat模型微调代码
开源模型应用落地-qwen模型小试-调用Lora模型-进阶篇（七）
重点：调用微调后的qwen-7b-chat模型
开源模型应用落地-qwen模型小试-合并Lora模型-进阶篇（八）
重点：将qwen-7b-chat基座模型与Lora模型进行合并
（二）开源大语言模型应用框架
开源模型应用落地-LangChain试炼-Zero/One/Few Shot
重点：基于LangChain框架，体验Zero/One/Few-Shot的使用
开源模型应用落地-LangChain高阶-QWen1.5-外部实时数据
重点：通过LangChain调用外部“心知天气”服务，并将结果返回给QWen1.5模型处理
开源模型应用落地-LangChain高阶-知识图谱助力记忆增强
重点：通过知识图谱为模型提供丰富的语义信息和外部记忆支持
开源模型应用落地-LangChain高阶-事件回调-合规校验
重点：通过事件回调机制，实现用户输入和模型输出的合规检测
开源模型应用落地-LangChain试炼-CPU调用QWen1.5（一）
重点：基于LangChain框架，通过CPU调用本地qwen1.5-7b-chat模型
开源模型应用落地-LangChain高阶-GPU调用QWen1.5（二）
重点：基于LangChain框架，通过GPU调用本地qwen1.5-7b-chat模型
开源模型应用落地-LangChain高阶-集成vllm-QWen1.5（一）
重点：LangChain与vllm、QWen1.5模型结合，提高对话系统的性能和用户体验
开源模型应用落地-LangChain高阶-集成vllm-QWen1.5（二）
重点：LangChain与vllm、QWen1.5模型结合，提高对话系统的性能和用户体验
开源模型应用落地-LangChain高阶-集成vllm-QWen1.5-OpenAI-Compatible Server（三）
重点：LangChain集成vllm，构建与OpenAI-API兼容的API服务
开源模型应用落地-LangChain高阶-Tools工具-ShellTool（一）
重点：通过使用LangChain提供的ShellTool工具，让LLM与本地文件系统进行交互
开源模型应用落地-LangChain高阶-Tools工具-WolframAlpha（二）
重点：通过使用LangChain提供的WolframAlpha工具，实现在线计算知识引擎和智能搜索。
开源模型应用落地-LangChain高阶-Tools工具-GoogleSerperAPIWrapper（三）
重点：通过使用LangChain提供的GoogleSerperAPIWrapper工具，实现在线实时搜索
开源模型应用落地-LangChain高阶-Tools工具-集成agents（四）
重点：将代理串联工具，将大语言模型的能力和本地、云服务能力结合
开源模型应用落地-LangChain高阶-Tools工具-Multi-Agent（五）
重点：串联多个agents协同合作，高效完成复杂任务
开源模型应用落地-LangChain试炼-LCEL-表达式语言（一）
重点：学习LangChain表达式语言，帮助您更方便地构建复杂的应用程序
开源模型应用落地-LangChain高阶-LCEL-表达式语言（二）
重点：学习LangChain表达式语言的高级用法，包括：批量推理，异步输出，异步调用
开源模型应用落地-LangChain高阶-LCEL-表达式语言（三）
重点：学习LangChain表达式语言的高级用法，包括：链接一切可运行的内容
开源模型应用落地-LangChain高阶-LCEL-表达式语言（四）
重点：学习LangChain表达式语言的高级用法，包括：格式化输入和输出、多任务并行化处理
开源模型应用落地-LangChain高阶-LCEL-表达式语言（五）
重点：学习LangChain表达式语言的高级用法，包括：绑定运行时参数，设置停止词，绑定OpenAI functions 或tools
重点：使用LangSmith的Trace进行模型的开发和调试
开源模型应用落地-LangSmith试炼-入门初体验-数据集管理（二）
重点：使用LangSmith更好地管理数据，提高了数据的组织性和可访问性。
开源模型应用落地-LangSmith试炼-入门初体验-数据集评估（三）
重点：学习Evaluate功能，评估和衡量在多样化数据上的性能和完整性
开源模型应用落地-LangSmith试炼-入门初体验-获取用户反馈（四）
重点：学习Human feedback功能，帮助用户从应用程序中捕获用户反馈，并将其与跟踪记录关联起来
开源模型应用落地-LangSmith试炼-入门初体验-监控和自动化（五）
重点：学习Monitoring and automations功能，帮助开发者更好地管理和优化LangChain应用程序，提高其性能、可靠性和用户体验。
开源模型应用落地-LangSmith试炼-入门初体验-Prompts（六）
重点：通过学习Prompts功能，用户可以上传、浏览、检索和管理提示（Prompt），使开发过程更加流畅。
2.3.业务整合落地
（一）开源大语言模型业务实践
开源模型应用落地-qwen-7b-chat与vllm实现推理加速的正确姿势（一）
重点：qwen-7b-chat集成vllm
开源模型应用落地-qwen-7b-chat与vllm实现推理加速的正确姿势（二）
重点：gunicorn+flask构建AI服务
开源模型应用落地-qwen-7b-chat与vllm实现推理加速的正确姿势（三）
重点：supervisor提升服务的稳定性
开源模型应用落地-qwen-7b-chat与vllm实现推理加速的正确姿势（四）
重点：鉴权和限流提升AI服务的安全性和稳定性
开源模型应用落地-qwen-7b-chat与vllm实现推理加速的正确姿势（五）
重点：定时任务处理隐藏盲点
开源模型应用落地-qwen-7b-chat与vllm实现推理加速的正确姿势（六）
重点：改变模型自我认知
开源模型应用落地-qwen-7b-chat与vllm实现推理加速的正确姿势（七）
重点：AI服务性能优化
开源模型应用落地-qwen1.5-7b-chat与vllm实现推理加速的正确姿势（八）
重点：qwen1.5-7b-chat集成vllm
开源模型应用落地-qwen1.5-7b-chat与vllm实现推理加速的正确姿势（九）
重点：qwen1.5-7b-chat集成vllm，构建与OpenAI-API兼容的API服务
开源模型应用落地-Qwen2-7B-Instruct与vllm实现推理加速的正确姿势（十）
重点：Qwen2-7B-Instruct集成vllm，流式输出
重点：使用HttpURLConnection/OkHttp/HttpClient多种方式调用AI服务
开源模型应用落地-业务整合篇-构建WebSocket服务（二）
重点：使用Netty库快速构建WebSocket服务，实现客户端与AI服务交互
开源模型应用落地-业务整合篇-Springboot集成Netty（三）
重点：spring boot集成netty服务，实现用户界面交互
开源模型应用落地-业务整合篇-构建websocket校验机制（四）
重点：构建websocket身份校验机制，避免无效连接
开源模型应用落地-业务整合篇-构建websocket心跳机制（五）
重点：构建websocket心跳机制，及时释放一些无效的连接
重点：使用线程池提升处理效率
重点：使用Redis队列和分布式锁实现请求排队
重点：使用SLB实现AI服务水平扩容
重点：多级数据缓存概述
重点：使用HanLP进行词性标注，并使用Redis作为一级缓存
重点：使用向量数据库作为二级缓存，来为AI服务减负，提升处理效率
重点：使用RocketMQ提升处理效率
重点：统计问题的请求频次，实现热门问题的实时缓存
（二）开源大语言模型应用合规
重点：使用DFA算法检测用户输入内容的合法性
重点：使用腾讯云文本内容安全服务检测用户输入内容的合法性
重点：使用腾讯云文本内容安全服务检测模型输出内容的合法性
（三）开源大语言模型记忆增强
重点：Milvus Lite向量数据库的基本使用
重点：Milvus Lite向量数据库的进阶使用
重点：通过GPT和开源模型等方式获取文本向量
重点：理解增强大语言模型的记忆能力的方法
开源模型应用落地-模型记忆增强-向量数据库准备-实践篇（二）
重点：实践使用长期记忆模块增强大语言模型的记忆能力
开源模型应用落地-模型记忆增强-提升向量检索准确率-实践篇（三）
重点：使用长期记忆模块增强大语言模型的记忆能力，优化向量检索准确率
开源模型应用落地-模型记忆增强-整合AI服务-QWen1.5-7B-Chat（四）
重点：业务流程（AI服务）集成长期记忆模块，提升用户对话体验
2.4.知识拓展
开源模型应用落地-qwen1.5-7b-chat与sglang实现推理加速的正确姿势（一）
重点：qwen1.5-7b-chat集成sglang，实现5倍加速
开源模型应用落地-qwen1.5-7b-chat与sglang实现推理加速的正确姿势（二）
重点：sglang性能优化，让其跑的更快
开源模型应用落地-语音转文本-whisper模型-AIGC应用探索（一）
重点：学习OpenAI开源的Whisper语音识别模型，帮助用户将语音转换成文字
开源模型应用落地-语音转文本-whisper模型-AIGC应用探索（二）
重点：学习OpenAI开源的Whisper语音识别模型，并集成FastAPI对外提供语音识别服务
开源模型应用落地-语音转文本-whisper模型-AIGC应用探索（三）
重点：通过官方推荐的方法调用OpenAI 开放的Whisper语音识别模型
开源模型应用落地-语音转文本-openai-STT服务-AIGC应用探索（四）
重点：学习OpenAI付费的语音识别服务，实现将语音转换成文本
开源模型应用落地-音乐生成模型-MusicGen深度使用-AIGC应用探索（五）
重点：学习音乐生成模型，让我们能够探索到音乐创作的全新边界和可能性
三、学习收获
- 掌握如何使用Transformer库调用业界流行的大语言模型
- 掌握大语言模型推理加速的正确方式
- 掌握LangChain/LangSmith等应用框架的高阶使用
- 掌握如何把大语言模型能力落地于实际业务
- 掌握如何做好互联网信息服务深度合成管理规定
- 掌握如何提高大语言模型的记忆能力
- 掌握如何通过大语言模型构建知识图谱
- 掌握如何在昂贵算力面前寻求降本增效方法
- 掌握开源大语言模型下Function Call、Agent等使用方式
- 掌握Spring AI、Ollama、Netty、HanLP、Redis等综合运用
四、后续
纸上得来终觉浅，绝知此事要躬行，老铁们不要被当下困境所困扰，用坚韧不拔的精神和勇气开启自己新的辉煌。我会持续更新，把工作中的所思、所想、所得，毫无保留地分享出来，希望能给大家带来一丝帮助。
2万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
