从零基础到深度落地 · 全球模型全收录 · 行业应用深度解析 · 创业路径实战指南
专为培训设计，结构清晰，内容持续更新
对外工具官网快捷入口见 AI工具导航首页
| # | 篇章 | 模块 | 一句话 |
|---|---|---|---|
| — | 导航 | AI工具导航首页 | 本站首页 · 国内外对话 · 多模态 · 搜索 · 开发 · 办公等官网直达 |
| 1 | 入门 | 大纲·架构 | 排课 + 五层架构与选型决策树 |
| 2 | 认知 | 发展历史 | 76 年时间线（可按年代折叠浏览） |
| 3 | 认知 | 全部模型 | 90+ 模型对比与选型 |
| 4 | 认知 | AI 硬件 | GPU/云算力/成本 |
| 5 | 技能 | 业务手册 | 非技术同事的 ROI 与落地 |
| 6 | 技能 | 提示词 | 可复制模板 + 好坏对照 |
| 7 | 技能 | 编码工具 | 25+ 工具与工程提示词 |
| 8 | 技能 | API·网关 | 接入示例 + 中转站 #gateway |
| 9 | 技能 | 知识库 RAG | Dify / 向量检索实战 |
| 10 | 技能 | 模型部署 | LoRA / Ollama / vLLM |
| 11 | 应用 | 行业应用 | 18+ 行业场景与案例 |
| 12 | 应用 | Agent | 10 大框架对比 |
| 13 | 应用 | MCP | 工具协议与 Cursor 集成 |
| 14 | 应用 | 多模态 | 图像/视频/音频生成 |
| 15 | 进阶 | 评测·合规·职业 | 评测 · 生产 · 合规 · 职业 |
| 16 | 进阶 | 未来趋势 | 2026–2030 技术展望 |
| 17 | 进阶 | 创业·实操 | 11 路径 + 6 开发者方向 |
| 18 | 入门 | 术语表 | 本页底部，统一概念 |
认知篇解决「AI 是什么」；技能篇解决「怎么用起来、怎么接进系统」。建议按角色选 2～4 个模块深读，其余浏览目录即可。
| 模块 | 谁需要 | 解决什么问题 |
|---|---|---|
| 业务手册 | 产品/运营/管理者 | 能做什么、ROI、立项与合规清单 |
| 提示词 | 全员 | 稳定输出格式、减少幻觉与返工 |
| 编码工具 | 研发 | IDE/CLI 选型，提效写码与评审 |
| API·网关 | 后端/全栈 | 接入模型、流式、Function Calling、One-API 聚合 |
| RAG | 研发+业务 | 企业知识库问答，文档可更新 |
| 部署微调 | 算法/运维 | LoRA、量化、Ollama/vLLM 上线 |
💡 推荐路径：业务岗 → 业务手册 + 提示词；开发岗 → API·网关 + RAG + 部署；全栈 → 提示词 + 编码 + API·网关。
| 术语 | 一句话解释 | 延伸阅读 |
|---|---|---|
| 大语言模型 (LLM) | 基于海量文本训练、能生成与理解自然语言的神经网络模型 | 发展历史 |
| Token | 模型处理文本的最小单位；中英文计费常按 Token 数 | API·网关 |
| 上下文窗口 | 单次对话模型能「看见」的最大 Token 长度 | 模型大全 |
| Prompt / 提示词 | 发给模型的指令与背景信息 | 提示词工程 |
| Transformer | 当前主流大模型的基础架构，核心是 Self-Attention | 历史 |
| 预训练 | 在大规模语料上学习语言规律，形成基座模型 | 微调部署 |
| 微调 (Fine-tuning) | 在基座模型上用领域数据继续训练，改变行为风格 | 微调 |
| LoRA | 低秩适配：只训练少量附加参数，成本低 | 微调 |
| RAG | 检索增强生成：先查知识库再让模型回答 | RAG实战 |
| Embedding | 把文本变成向量，用于语义检索 | RAG |
| 向量数据库 | 存储与检索 Embedding 的数据库 | RAG |
| Agent | 能规划多步任务并调用工具的 AI 系统 | Agent |
| Function Calling | 模型输出结构化「要调用的函数」，由程序执行 | API |
| MCP | Model Context Protocol：标准化连接外部工具与数据源 | MCP |
| MoE | 混合专家：大参数总量但每次只激活部分专家 | 概念 |
| RLHF | 用人类偏好数据强化学习，使输出更「有用、安全」 | 安全 |
| DPO | 直接偏好优化：RLHF 的简化替代训练方式 | 安全 |
| 幻觉 | 模型自信地生成错误或未经验证的内容 | 安全 |
| 对齐 (Alignment) | 使模型行为符合人类意图与安全规范 | 安全 |
| CoT | 思维链：引导模型分步推理再作答 | 提示词 |
| 推理模型 | 在回答前进行更长「内部思考」的模型（如 o 系列、R1） | 模型 |
| 开源 / 闭源 | 权重是否公开可下载；闭源通常仅 API 调用 | 模型 |
| API 网关 | 统一接入多模型的代理层，含鉴权与计费 | 网关 |
| 流式输出 (Streaming) | 模型边生成边返回，改善用户体验 | API |
| Benchmark | 标准化测试集，用于对比模型能力 | 评测 |
| SWE-bench | 用真实 GitHub Issue 测编程能力的基准 | 评测 |
| MMLU | 多学科知识选择题基准，高分段已趋饱和 | 评测 |
| Chatbot Arena | 用户盲测投票排名，接近主观体验 | 评测 |
| 量化 | 降低模型权重精度以节省显存、加速推理 | 部署 |
| vLLM / Ollama | 常用本地或生产环境推理服务工具 | 部署 |
| 多模态 | 同时处理文本、图像、音频、视频等 | 多模态 |
| 生成式 AI 备案 | 中国境内提供公众服务的大模型需完成的合规程序 | 法规 |
本手册为AI大模型系统性培训材料，内容覆盖技术原理、产品应用、商业落地三大维度，适用于企业内训、个人学习、创业参考。
数据来源：Artificial Analysis · LMSYS Chatbot Arena · Datalearner · HuggingFace · 各公司官方文档 · GitHub。评测数据持续更新，以各官方最新发布为准。