给客服系统接了一套 RAG文档塞了几千份用户问一个简单的退款政策答出来的还跟没接是一样。第一反应永远是怪大模型不够强从 GPT 切到 Claude再切到通义千问数据没好反而越换越乱。RAG 上线效果差问题压根不在大模型那边在建库时切文档那一步切歪了。后面所有检索调优、所有 Prompt 优化都是在给最早那一步的错误擦屁股。本文老王讲20 个 RAG核心概念从切文档到出答案再到上线评估下面一次说清楚。RAG 是什么你问一个只读过通识课本的学生一道专业题他大概率胡编一气他脑子里没这块内容。换个做法先把相关资料递到他面前再让他答他至少能照着资料说话不会瞎编。RAG 干的就是这件事让 AI 在回答之前先翻一遍资料。英文全称 Retrieval-Augmented Generation中文译作检索增强生成。大模型自带的知识有两个硬伤。一个硬伤是训练数据有截止日期你公司上周刚发的新政策它根本不知道。另一个硬伤是它不知道的事情也敢编业内管这叫幻觉。把企业内部文档、最新资料、专业知识塞进一个能被搜索的库每次回答前先去库里捞相关片段把片段和问题一块儿喂进大模型大模型就有据可查不靠脑补回答。老王看下来产品经理特别容易把 RAG 当成什么黑科技本质上就一句先查再说不让大模型凭空说话。离线建库和在线检索外卖平台你下单的时候商家不会临时跑菜市场买菜再回来做饭。菜得提前买好、洗好、切好、配齐你下单他才有可能 15 分钟出餐。RAG 也是这个路数。把所有资料处理成可被秒级搜索的向量、存进向量库这件事必须提前干完叫 离线索引英文 Offline Indexing。等用户提问的那一刻系统在线只能做三件事把问题转成向量、去库里查、把结果排好这叫 在线检索英文 Online Retrieval。为什么要把这两段切开核心就是速度。建库可能要跑几个小时甚至几天用户提问不可能等必须毫秒级出来。所有 RAG 工程化设计的逻辑都是从这一刀分开始建库慢一点没事检索一定要快。老王见过最普遍的设计错误产品经理把所有事都想成用户提问的时候才做,上线一跑并发就垮。这一刀切清楚后续的资源预算、成本核算、性能优化才有底。Chunking 把资料切成块300 页的产品手册整本扔给大模型它装不下也读不完。先得把手册切成一段段的小块每块几百字这个动作叫 Chunking中文叫分块或者切片。为什么必须切两个理由。一是大模型的上下文窗口有上限塞不下整本书。二是检索阶段要找的是跟用户问题最相关的那一段,不是整本书切开了才能精准定位。切得好不好直接锁死后续所有事情的天花板。切得太大一块里同时装了 5 个不相关的话题检索回来全是噪音。切得太小一句话被劈成两块语义被打断大模型读到一半看不懂前后。行业里有过最离谱的翻车场景一份 Word 文档按段落切一张表格被劈成 10 块每块就一行。检索回来全是孤立的表格行大模型完全拼不回原表的意思。Chunking 不是技术活是产品决策。资料长什么样、用户会问什么样的问题、按什么粒度切才能精准命中这些事情产品经理跑不掉。Chunk Size 和 Overlap切块绕不开两个参数一个是 Chunk Size 块大小一个是 Overlap 块重叠。Chunk Size 是每块多长。主流默认 300 到 600 字这只是默认值不是标准。切的是法律条款每条本身二百来字200 字一块刚好。切的是技术白皮书一段论述要 800 字才能讲清一个观点200 字一块就是灾难。Overlap 是相邻两块之间故意重叠的部分。比如 500 字一块前一块的最后 50 字也出现在下一块开头这 50 字就是 Overlap。为什么要重叠切块位置是机械的可能正好切在一段关键论述的中间Overlap 让被切断的语义在两块里都能被找到避免漏召回。主流配置是 Overlap 占 Chunk Size 的 10% 到 20%,500 字的块配 50 到 100 字的 Overlap。重叠太多浪费存储和检索成本重叠太少又起不到弥补作用。老王的经验是这两个参数没有标准答案只有适合你数据的那个答案。第一版上线后盯召回率如果某一类问题总是漏召大概率是切块在那个语义上断了加大 Overlap 或者换切法。Embedding 把文本变成数学坐标切好的每一块文本计算机本身不认识中文要做相似度判断得先把文字变成数字这个数字叫向量这个过程叫 Embedding中文叫嵌入或者向量编码。地图上每个地点都有经纬度坐标北京一个坐标上海一个坐标两个城市离得近不近看坐标差多少就能算。Embedding 干的就是这件事把每段文字变成几百维的坐标语义相近的文字坐标距离近语义远的距离远。具体怎么变用一个叫 Embedding Model 的专门模型常见的有 OpenAI 的 text-embedding-3、智源的 bge、Cohere 的 embed模型读进一段文字吐出一个 768 维或者 1536 维的数字数组。这个数组就是这段文字在语义空间里的坐标。Embedding 模型选什么直接决定 RAG 的天花板。中文场景拿纯英文训练的 Embedding 来用效果差一截。垂直领域比如医疗、法律通用 Embedding 也可能打不过专门微调过的小模型。选型阶段必须实测别看排行榜排行榜上的中英文混合榜对你的中文垂直场景未必有参考价值。向量数据库每段文本经过 Embedding 变成几百维的向量后要存到一个能按相似度极速搜索的地方这地方叫 向量数据库英文 Vector Database。普通的 MySQL、MongoDB 不顶用它们设计的查询逻辑是id 等于 123、“标题包含某关键词”,做不了找语义最接近的 10 条这件事。向量数据库底层走专门的算法和索引结构能在千万级甚至上亿条向量里毫秒级找出最相近的几条。主流的向量数据库有 Milvus、Pinecone、Qdrant、Weaviate、Chroma。Milvus 国产开源Pinecone 是云服务Qdrant 性能口碑好Chroma 适合小规模本地起步。选型看几件事数据量多大、是云上还是本地、要不要支持元数据过滤、有没有运维团队。老王看过太多产品经理把向量数据库当成装向量的桶,觉得选哪个都一样。错。不同向量库在召回准确率、查询延迟、过滤能力上差距很大百万级以下随便选千万级以上必须严格压测否则上线被并发打爆是分分钟的事。查询向量化要和建库一致用户输入如何申请退款,这句话也必须先变成向量才能跟库里的向量做比较这个动作叫 Query Embedding 问题向量化。这里有一个产品经理最容易踩的坑问题向量化用的 Embedding 模型必须跟建库时用的模型完全一致。版本号差一个都不行。为什么这么死板Embedding 模型本质上是把文本投影到一个特定的语义空间不同模型投出来的坐标系完全不一样。你在 A 模型的坐标系里建库用 B 模型的坐标系去查等于拿北京地铁图找上海某个站坐标对不上结果全错。行业里有一个被反复提到的事故建库用了 bge-large上线后觉得查询慢想省钱查询那一侧换成 bge-small召回率从 80% 直接掉到 20%排查了三天才定位到原因模型不一致。建库和查询的 Embedding 必须锁定同一个版本这是工程纪律不是优化点。余弦相似度两段文本变成向量之后怎么判断它们像不像用一种叫 余弦相似度的算法英文 Cosine Similarity。想象向量是空间里从原点出发的箭头两个箭头方向越接近夹角越小这两个文本就越相似。余弦相似度算的就是这个夹角的余弦值值域 -1 到 1越接近 1 越相似接近 0 表示不相关负值表示意思相反。为什么用余弦不用别的因为它只看方向不看长度。两段文本一段长一段短讲的是同一件事向量长度不一样但方向一致余弦相似度能识别出来。换成欧氏距离就会被长度干扰长文本和短文本即使语义相近距离也会很大。主流向量库默认就是余弦相似度99% 场景不用动。老王见过一些产品经理在选型阶段纠结要不要换成欧氏距离或者内积实测下来对最终效果影响极小不如把精力放在 Chunking 和 Embedding 模型选型上。ANN 近似最近邻搜索向量库里可能存着几千万甚至上亿条向量用户问一个问题系统要在毫秒内找出最相似的 10 条怎么做到最暴力的办法是跟每条向量都算一遍余弦相似度再排序叫精确最近邻搜索千万级数据要算几秒钟完全不能用。实际生产里用的是 ANN 近似最近邻搜索英文 Approximate Nearest Neighbor。ANN 的思路是牺牲一点点准确率换巨大的速度提升。它提前把所有向量按某种结构组织好比如分簇、建图、构建多层索引查询时只在一小部分候选里搜不全量比对。主流算法有 HNSW、IVF、PQ。ANN 的近似两个字意味着它找回来的 Top 10 跟真正的 Top 10 可能差 1 到 2 条但 95% 以上场景这点偏差对最终效果毫无影响换来的是速度从秒级跳到毫秒级。老王想说的是产品经理不用懂 HNSW 的数学原理但要知道一件事向量库越来越大、召回速度变慢的时候通常不是机器不够是 ANN 索引参数没调好。这是技术问题产品经理要能识别出来不要一上来就要求扩容。Top K 检索查询返回的不会只有一条会按相似度排序返回前 K 条最相关的这个 K 就是 Top K。K 取多少有讲究。K 太小比如只取 3 条万一最相关的那条没进前 3后面 LLM 就拿不到正确信息直接答错。K 太大比如取 50 条大模型上下文窗口塞不下塞下了也大部分是噪音反而干扰回答。主流默认 K 取 5 到 10这是经验值。具体多少合适要看你的资料密度和问题类型密集型资料每块信息量大 K 可以小一点稀疏型资料 K 要大一点。老王看到的常见错误产品经理觉得 K 越大越保险直接设成 30大模型读到一堆不相关片段被噪音带偏反而比 K5 还差。Top K 不是越大越好是要刚好够够用又不带噪音。跟 Top K 配套的还有一个 相似度阈值低于某个分数的就不要哪怕排在前 K 里。比如 K10 但只有前 3 条余弦相似度超过 0.7后面 7 条全在 0.3 以下那就只取前 3 条。这能有效过滤掉强行凑数的低质量召回。召回率检索阶段最关键的一个指标叫 召回率英文 Recall衡量的是该被找到的资料有多少真的被找回来了。公式很简单召回率等于检索到的相关片段数量除以全部应该被找到的相关片段数量。库里关于退款政策一共有 8 个相关片段这次检索返回了 6 个召回率就是 75%。为什么召回率这么重要大模型的回答上限被召回率死死锁住。该找到的资料压根没被找回来大模型再聪明也答不对巧妇难为无米之炊。一切检索优化的核心目标就是把召回率往上推。召回率低的常见原因有三个- Chunking 切坏了把关键内容割断。Embedding 模型对你这个领域不敏感。Top K 设得太小漏了相关片段。这三个动作是排查召回问题的固定路径。最常被复盘的产品事故是这样的RAG 上线测下来效果烂团队第一反应是换大模型换了三个月没改善最后发现建库时一张表格被切碎了关键数据根本没进库召回率天生 30%。先看召回再看生成顺序别倒。Rerank 重排序向量检索召回的 Top K 是按相似度排好序的但这个序未必最适合大模型用,所以会有第二轮筛选叫 Rerank 重排序。为什么要重排向量检索本质是粗筛看的是整体语义相似度不擅长理解细节。用户问退款最长多少天,向量检索可能召回 10 条都跟退款相关但只有 1 条直接讲了15 天这个数字。Rerank 模型会逐条精细判断把直接命中答案的那条排第一。Rerank 用的模型叫 Reranker 或者 Cross-Encoder跟 Embedding 模型完全不是一类东西。Embedding 是把问题和片段分别变成向量再比叫双塔模型速度快但精度低。Reranker 是把问题和片段拼在一起一起处理精度高但慢所以只能在 Top K 内做精排不能在全库做。工业级 RAG 几乎都是 双段架构,Embedding 粗筛配 Reranker 精排先用快的拉出几十条候选再用慢的精排出前 5 条。老王想说Rerank 是 RAG 效果优化里性价比最高的一步加一个 Reranker 模型召回质量通常能再提 10% 到 20%远比换大模型来得划算。Prompt 组装检索到的片段不能直接扔给大模型得跟用户问题、回答指令、输出格式一起组装成一段完整的输入这个动作叫 Prompt 组装也叫 Context Assembly。一个典型的 RAG Prompt 结构长这样。先一段系统指令告诉大模型你是谁、应该怎么答。再贴上检索到的资料片段。再贴用户原问题。最后约束输出格式比如必须附引用、必须用 JSON。这几个部分的顺序、措辞、有没有引用标记都会显著影响大模型的回答质量。同一份资料Prompt 写得好可能答对写得乱可能答错或者答得啰嗦没用。老王想提醒产品经理一个特别容易被忽视的细节Prompt 里给资料片段加序号和来源标签比如片段 1 来源产品手册第 3 章,大模型在回答时就能照着标签生成引用。如果片段一锅烩塞进去大模型根本无法标引用。Prompt 组装是产品经理能直接参与的 RAG 优化点不需要懂代码只要会写清楚的指令、对输出格式有要求就能把 Prompt 调到 70 分以上。上下文窗口和 Token 预算大模型不是想塞多少东西就塞多少有一个硬上限叫 上下文窗口英文 Context Window衡量单位是 Token。Token 是大模型处理文本的最小单位一个中文字大概 1 到 2 个 Token一个英文单词大概 1 个 Token。GPT-4o 上下文窗口 128k Token,Claude 200k Token通义千问 long 也有 32k 到 1M 不等。为什么产品经理必须懂这事Token 是有预算的。每次调用大模型从系统指令到检索资料到用户问题再到输出回答全部算 Token,API 按 Token 计费。Token 用得越多响应越慢、钱花得越多。工程实操里Token 预算决定了 Top K 能取多大、每个 chunk 能多长。128k 窗口的模型不能把所有 Token 都拿来塞 chunk得留一部分给输出。如果一次调用预算上限定 8k Token系统指令加输出预留 2k留给检索资料的就剩 6k按一块 500 字算约 750 Token最多塞 8 块Top K 锁死在 8。做 RAG 产品前必须先算 Token 预算,这是产品成本的核心变量。不算就上上线一周账单到了才发现一个月烧几十万这种事老王见过不止一次。引用与可溯源RAG 跟纯大模型问答最大的交付物差别在于回答必须附 引用与可溯源英文叫 Citation 或 Attribution。为什么这事必须做RAG 的核心价值就是不让大模型瞎编,那用户怎么知道大模型这次没编只有把回答里每句话对应的资料片段标出来用户能点进去看原文才证明这是查出来的不是编出来的。实现上分两层- 第一层在 Prompt 里给每个片段编号大模型回答时引用编号。第二层是产品 UI 上把编号渲染成可点击的来源链接或者悬浮卡片用户能直接跳转到原文位置。没有引用的 RAG 不能叫严肃 RAG只能叫用了一下检索的聊天机器人。对企业级应用尤其金融、法律、医疗引用是合规底线。老王见过太多产品经理设计 RAG 产品时把引用当成锦上添花的功能放在 P2 优先级。错。引用是 P0是 RAG 区别于普通 ChatGPT 的核心定位产品上线第一版就必须有。幻觉大模型胡说八道、把不知道的事情编得头头是道这种现象叫 幻觉英文 Hallucination。RAG 存在的根本意义就是把幻觉降下去。幻觉分两种- 事实型幻觉大模型把张三的事编到李四头上、把 2023 年的事说成 2024 年。逻辑型幻觉,大模型在推理过程中编造一个看起来合理但其实不存在的中间步骤。RAG 能解决第一种通过把真实资料喂给大模型让它有据可查。第二种解决不了需要靠 Prompt 工程和模型本身能力。但 RAG 并不能 100% 消除幻觉有三种情况它会失效- 检索没召回相关资料大模型在没资料的情况下还是会编。召回的资料本身错了大模型会照着错的资料编。大模型不老实即使资料给了它也偷懒回答自己脑子里那个版本。衡量幻觉的指标叫 幻觉率工业上常用的做法是让另一个大模型做 Judge逐句判断回答里每个事实是否能在召回资料里找到依据找不到就算幻觉。降低幻觉率的核心三招是提召回率、加引用约束、用更强的指令遵循模型。幻觉率不是 0 就是 100而是一个连续指标。100 个回答里有 5 个有幻觉幻觉率就是 5%。这个指标要接进监控别抽几条人工看看就完事。召回率不够看排序质量检索阶段评估指标不只有召回率一个。召回率回答的是该找的有没有找回来,但找回来排在第几位它不管。第 1 位是它第 30 位也是它召回率都算 100%。对大模型来说排第 1 和排第 30 完全是两件事。Top K 截断后排第 30 的片段根本进不了 Prompt等于没召回。所以还要看 排序质量常用两个指标。MRR 平均倒数排名衡量的是正确答案平均排在第几位。如果正确答案 50% 时间排第 1、50% 时间排第 2,MRR 大约是 0.75越接近 1 越好。NDCG 归一化折损累积增益比 MRR 更细它不只看排第几还看每条召回的相关性强弱。最相关的排第 1、次相关的排第 2,NDCG 才高;如果次相关的反而排到了最相关前面NDCG 就会降低。产品经理不用记公式但要知道这两个指标的存在光看召回率不够排序质量是藏在召回率背后的杀手。如果产品的 Reranker 没接光看召回率 80% 觉得不错实际上正确答案可能都排在第 8 第 9 位根本进不了大模型等于白召回。RAGAS 评测框架光评估检索阶段不够要看 RAG 整体好不好得做端到端评估这事现在的事实标准工具叫 RAGAS。RAGAS 把 RAG 拆成 4 个维度自动打分。答案正确性Answer Correctness衡量大模型给出的回答是否事实正确。完整性Answer Completeness衡量是否覆盖了问题所有方面。自然度Answer Fluency衡量语言是否通顺。无幻觉Faithfulness衡量回答里的每句话是否都能在检索资料里找到依据。这 4 个维度比单独看一个指标全面得多。它特别擅长发现一类隐蔽问题回答看起来通顺、看起来覆盖了问题但其实是大模型编的、跟资料对不上。这种问题人工抽检不出来RAGAS 能。RAGAS 是工业级 RAG 的必需品不是可选项。产品上线后每次更新模型、改 Chunking、调 Top K都要跑一遍 RAGAS 看 4 个维度有没有退化。靠感觉判断 RAG 好不好迟早翻车;用 RAGAS 跑出数字才有迭代依据。LLM-as-JudgeRAGAS 里那些答案正不正确、完不完整是怎么自动判断的用一个能力更强的大模型当评委这个做法叫 LLM-as-Judge大模型当评分员。为什么用大模型评这些维度没有标准答案人工评太慢太贵。“这个回答完整不完整”,规则写不死只有人能判断但找人评 1000 个回答要花一周。换 GPT-4 当评委1000 个回答几小时跑完质量跟人工评的吻合度能到 80% 以上。具体做法是给评委模型一个详细的评分 Prompt告诉它这是用户问题、这是检索资料、这是回答请按以下标准从 0 到 1 打分。不同维度对应不同的评分 Prompt。LLM-as-Judge 不完美它会有自己的偏见比如倾向给长回答打高分、对自己同门模型的回答打高分。工业上的做法是用一个跟生成模型不同家族的评委生成用 Claude 评委用 GPT-4避免同门偏袒。老王说一个常见误区产品经理觉得用大模型评不靠谱、坚持人工评结果迭代速度被人工评卡死一个月只能跑两轮实验。LLM-as-Judge 不完美但够用它换来的是迭代速度这才是 RAG 优化的真正瓶颈。Hybrid Search 混合检索纯向量检索不是万能的在三类问题上它会输专有名词、短查询、代码片段。这时候要混合用关键词检索 BM25叫 Hybrid Search 混合检索。为什么纯向量打不过向量擅长理解语义但对精确字符不敏感。用户搜iPhone 16 Pro Max,向量检索会找到所有 iPhone 相关的文档但 16 Pro Max 这几个精确字符可能被弱化。BM25 是基于关键词匹配的传统算法它就盯着字符出现频率和稀有度精确命中专有名词非常稳。Hybrid Search 的做法是两条路并行向量检索返回一份 Top K,BM25 返回另一份 Top K然后做结果融合常用算法叫 RRF 倒数排名融合把两份排序合并成一份总排序。工业级 RAG 几乎都在用混合检索。纯向量适合做原型上线版本 99% 都得加 BM25。老王想说这是产品经理在 RAG 进阶阶段必须知道的最后一块拼图单一检索打不过混合检索这一仗已经打完了别再纠结只用向量。中文场景下还有一个细节BM25 需要先分词分词器选择对效果影响很大jieba、IK、HanLP 各有适用场景垂直领域可能还要自己加词典。这事产品经理不用动手做但要知道它存在否则上线后中文召回拉胯都不知道找谁问。写在最后做得好的 RAG 项目跟做得烂的 RAG 项目差距不在用 GPT 还是 Claude在 Chunking 切得对不对、Embedding 选得准不准、引用做没做、评估闭环搭没搭。前面四件事决定召回率天花板大模型只决定最后一公里。普通人如何抓住AI大模型的风口领取方式在文末2026年入行AI大模型的黄金窗口!!!AI产业正迎来前所未有的爆发式增长。从DeepSeek以百万年薪重金招募顶尖研究员到百度、阿里、腾讯等头部企业加速推进AI Agent商业化布局再到国家层面持续出台政策大力扶持数字经济与AI人才培育体系多重信号清晰指向一个共识AI的“黄金十年”已全面开启在产业浪潮的强劲推动下AI人才争夺战日趋白热化。技术迭代与场景落地双轮驱动催生海量高价值岗位。放眼未来AI领域的职业发展前景广阔无垠正涌现出大量高潜机遇堪称一片值得深耕的**“人才蓝海”**。脉脉数据显示2026年1-2月AI岗位数量同比增长约12倍增速远超新经济行业整体增幅AI岗位在全部新经济岗位中的占比也从2025年同期的2.29%跃升至26.23%几乎占据新经济招聘市场的四分之一。与此同时AI新发岗位平均月薪高达60738元较新经济行业整体平均月薪48189元高出约26%。这一切都说明一件事2026年正是入行AI大模型的黄金窗口❗️❗️最佳学习路线只要你真心想学习AI大模型技术这份精心整理的学习资料我愿意无偿分享给你但是想学技术去乱搞的人别来找我在当前这个人工智能高速发展的时代AI大模型正在深刻改变各行各业。我国对高水平AI人才的需求也日益增长真正懂技术、能落地的人才依旧紧缺。我也希望通过这份资料能够帮助更多有志于AI领域的朋友入门并深入学习。真诚无偿分享vx扫描下方二维码即可加上后会一个个给大家发【附赠一节免费的直播讲座技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等欢迎大家~】大模型全套学习资料展示自我们与MoPaaS魔泊云合作以来我们不断打磨课程体系与技术内容在细节上精益求精同时在技术层面也新增了许多前沿且实用的内容力求为大家带来更系统、更实战、更落地的大模型学习体验。希望这份系统、实用的大模型学习路径能够帮助你从零入门进阶到实战真正掌握AI时代的核心技能01教学内容从零到精通完整闭环【基础理论 →RAG开发 → Agent设计 → 模型微调与私有化部署调→热门技术】5大模块内容比传统教材更贴近企业实战大量真实项目案例带你亲自上手搞数据清洗、模型调优这些硬核操作把课本知识变成真本事02适学人群应届毕业生无工作经验但想要系统学习AI大模型技术期待通过实战项目掌握核心技术。零基础转型非技术背景但关注AI应用场景计划通过低代码工具实现“AI行业”跨界。业务赋能突破瓶颈传统开发者Java/前端等学习Transformer架构与LangChain框架向AI全栈工程师转型。vx扫描下方二维码即可【附赠一节免费的直播讲座技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等欢迎大家~】本教程比较珍贵仅限大家自行学习不要传播更严禁商用03入门到进阶学习路线图大模型学习路线图整体分为5个大的阶段04视频和书籍PDF合集从0到掌握主流大模型技术视频教程涵盖模型训练、微调、RAG、LangChain、Agent开发等实战方向新手必备的大模型学习PDF书单来了全是硬核知识帮你少走弯路不吹牛真有用05行业报告白皮书合集收集70报告与白皮书了解行业最新动态0690份面试题/经验AI大模型岗位面试经验总结谁学技术不是为了赚$呢找个好的岗位很重要07 deepseek部署包技巧大全由于篇幅有限只展示部分资料并且还在持续更新中…人工智能大潮已来不加入就可能被淘汰。如果你是技术人尤其是互联网从业者现在就开始学习AI大模型技术真的是给你的人生一个重要建议真诚无偿分享vx扫描下方二维码即可加上后会一个个给大家发【附赠一节免费的直播讲座技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等欢迎大家~】
