2026 AI工程师进阶指南：93+实战项目与终极路线图（小白程序员必备，收藏学习！）

本文为AI工程师提供了一条从基础到高级的进阶路线，涵盖Python编程、AI基础、数学基础、LLM内部构造、神经网络构建、AI Agent设计、多智能体系统、MCP协议、项目驱动学习及生产级AI工程等10个关键步骤。文章对比了AI工程与ML工程的差异，深入解析了RAG技术的进化路径，并详细介绍了DeepSeek-R1微调、Agentic RAG闭环设计、MCP协议实战等核心技术。此外，还提供了93+实战项目供读者参考，并分享了AI工程化的避坑指南与未来展望，旨在帮助读者在AI领域保持领先。

2026 AI 工程师全栈进阶指南: 93+ 实战项目与终极路线图

站在 2026 年的门槛上. 回望过去两年的 AI 浪潮. 我们发现整个行业正在经历一场深刻的范式转移. 曾经. AI 工程师被戏称为 调包侠. 只需要简单的调用 API 就能构建出令人惊叹的应用. 然而. 随着 LLM 技术的成熟和落地场景的复杂化. 这种 表面繁荣 已经无法满足生产环境的需求.

今天的 AI 工程师. 已经进化成为了 系统架构师. 他们不仅需要理解模型背后的数学原理. 更需要掌握复杂的 Agent 编排逻辑. 鲁棒的 RAG 检索链路. 以及高效的 MCP 协议集成. 为了帮助大家在这个快速更迭的时代保持领先. 我们精心整理了 AI Engineering Hub 项目. 这是一个包含 93 个以上生产级项目的宝库. 结合了最前沿的 AI 路线图. 旨在为你提供一套完整的技术进阶方案.

在这篇超过 8000 字的深度长文中. 我们将拆解 AI 工程师的成长路径. 深挖 DeepSeek 微调. Agentic RAG 和 MCP 等核心技术. 并为你全景式展现 93 个实战项目的魅力.

第一部分: AI 工程师的进阶路线图 (The Roadmap)

成为一名优秀的 AI 工程师并非一蹴而就. 它需要从基础到应用. 从理论到实践的层层堆叠. 我们将这个过程拆解为 10 个关键步骤.

1. 精通 Python 编程 (Master Python)

Python 是 AI 领域的通用语言. 无论你是处理数据. 编写推理逻辑还是构建 Web 接口. Python 都是你的核心武器. 在这个阶段. 你不应该只满足于语法层面. 而应该深入理解异步编程 (asyncio). 装饰器 (decorators) 和 类型提示 (Type Hinting). 这些在构建高性能 AI 代理时至关重要. 哈佛大学的 CS50p 课程依然是入门的最佳选择. 它能帮你建立起坚实的编程思维.

在 2026 年. 仅仅会写 Python 已经不够了. 你还需要理解 Python 的底层内存管理. 以及如何利用 Pydantic 进行严格的数据建模. 在处理 LLM 的 JSON 输出时. Pydantic 的校验能力是防止系统崩溃的第一道防线. 此外. 掌握 uv 等现代包管理工具. 能让你的开发环境配置效率提升 10 倍以上.

2. AI for Beginners: 理解基础 (AI with Python)

当你掌握了 Python. 下一步就是学习如何用 Python 驱动 AI. 吴恩达教授的 AI Python for Beginners 课程为你展示了如何与 LLM 进行交互. 理解 Prompt Engineering 的基本技巧. 以及如何构建简单的对话应用. 这是从传统软件开发向 AI 工程转化的第一步.

你需要学习如何编写结构化的提示词 (Structured Prompts). 理解 少样本学习 (Few-shot Learning) 和 思维链 (Chain of Thought) 的差异. 在这个阶段. 重点不是调用复杂的库. 而是理解模型是如何 响应 你的指令的.

3. 数学基础: 机器学习的灵魂 (Maths for ML)

虽然我们不需要每个人都成为数学家. 但线性代数. 概率论和统计学是理解模型行为的基础. 只有理解了向量空间和概率分布. 你才能真正明白 Embedding 检索为什么会失效. 或者为什么温度系数会影响模型的创造力. Khan Academy 的数学系列课程能以最直观的方式补齐你的短板.

在处理向量数据库 (Vector Database) 时. 余弦相似度 (Cosine Similarity) 和 欧氏距离 (Euclidean Distance) 的数学含义决定了你的检索精度. 如果你不理解这些基础. 你的 RAG 系统将永远停留在 碰运气 的阶段.

4. LLM 的内部构造 (Understanding LLMs)

不要把大模型当成黑盒. 3Blue1Brown 的视觉演示系列能带你走进 Transformer 的世界. 了解注意力机制 (Attention Mechanism) 如何在海量文本中捕捉关联. 了解词元化 (Tokenization) 的陷阱. 只有理解了这些微观细节. 你在进行工程优化时才能有的放矢.

例如. 理解了 KV Cache 的原理. 你就能明白为什么长文本生成的首字延迟会随着长度增加而增长. 理解了位置编码 (Positional Encoding). 你就能更好地处理超长上下文的任务.

5. 从零构建神经网络 (LLM Research)

Andrej Karpathy 的 Neural Networks: Zero to Hero 系列是所有 AI 工程师的 必修课. 通过从零开始编写反向传播算法和构建 GPT 类模型. 你将建立起对深度学习框架的底层直觉. 这种直觉在进行模型微调和性能调优时是无价的.

这个阶段你将接触到 PyTorch. 这是目前 AI 工程界的事实标准. 你将学习如何构建张量 (Tensors). 如何定义损失函数 (Loss Functions). 以及如何通过梯度下降 (Gradient Descent) 来优化模型参数.

6. AI Agent 的设计模式 (AI Agents)

AI 代理 (Agents) 是 2026 年的核心话题. Anthropic 发布的 Building Effective Agents 指南告诉我们: 复杂的框架不如简单的组合模式. 你需要学习如何设计推理循环 (Reasoning Loops). 如何进行任务规划 (Planning). 以及如何通过环境反馈来纠正代理的行为.

代理的本质是 循环 (Loops). 而不是 链 (Chains). 你需要掌握如何让代理在面对错误时进行自愈 (Self-correction). 以及如何利用外部工具 (Tools) 来弥补 LLM 逻辑能力的不足.

7. 应用级多智能体系统 (Applied AI)

当单个代理无法解决问题时. 多智能体协作 (Multi-Agent Systems) 就成了必然选择. CrewAI 等框架提供了一套成熟的编排逻辑. 让你可以像管理团队一样管理 AI. 学习如何分配角色. 定义任务和设置协作流程. 是构建复杂 AI 工作流的关键技能.

在多智能体系统中. 智能体之间的 通信协议 至关重要. 你需要学习如何定义清晰的接口. 防止智能体之间产生误解或陷入死循环.

8. AI 协议的革命: MCP (AI Protocols)

模型上下文协议 (Model Context Protocol. MCP) 正在改变 AI 与外部世界的连接方式. 它打破了模型与数据源之间的 孤岛效应. 作为一个合格的 AI 工程师. 你需要掌握如何编写 MCP Server. 让 AI 能够安全. 标准地访问你的数据库和本地工具.

MCP 不仅仅是一个 API. 它是一个 生态系统. 掌握了 MCP. 你就能让你的 AI 代理无缝接入 Slack. GitHub. Google Drive 等数千种外部应用.

9. 以项目驱动的学习 (Project-based Learning)

理论永远只是纸上谈兵. 真正的成长发生在解决实际问题的过程中. 我们的 AI Engineering Hub 提供了 93 个以上涵盖 OCR. RAG. 语音代理等全领域的项目. 每一个项目都是一个实战演练场.

建议你从 简单项目 (如 OCR) 开始. 逐步过渡到 复杂项目 (如多智能体协作). 每一个 PR (Pull Request) 都是你技术成长的脚印.

10. 迈向生产级 AI 工程 (Mastery)

最后. 你需要阅读 Chip Huyen 的 AI Engineering 书籍. 学习如何处理生产环境中的延迟. 成本. 评估和观测. 真正的 AI 工程师不仅能写出 Demo. 更能交付稳定. 可扩展的生产系统.

你需要学习如何进行 A/B 测试. 如何监控模型的 幻觉率 (Hallucination Rate). 以及如何在不牺牲性能的前提下降低 Token 消耗.

第二部分: AI Engineering vs ML Engineering (核心差异)

很多人会将 AI 工程师与传统的机器学习 (ML) 工程师混淆. 实际上. 到了 2026 年. 这两个角色的界限已经非常清晰.

1. 关注点的转移

ML 工程师主要关注 模型的构建. 他们花大量时间在数据清洗. 特征工程和训练架构上. 他们的产出通常是一个 权重文件 (.bin 或 .safetensors).

而 AI 工程师关注的是 系统的构建. 他们利用现有的基础模型 (Foundation Models). 通过 Prompt Engineering. RAG 和 Agentic Workflows 来解决业务问题. 他们的产出是一个 完整的应用系统.

2. 开发范式的不同

ML 开发是 数据驱动 的. 需要大量的标注数据和高性能算力集群. 而 AI 工程是 逻辑驱动 的. 更多地是在编写代码来引导模型的推理路径.

3. 反馈周期的差异

ML 的反馈周期通常很长. 一个实验可能需要几天甚至几周才能看到结果. 而 AI 工程的反馈周期极短. 修改一个提示词或调整一个 RAG 策略. 几秒钟内就能看到效果.

第三部分: RAG 技术的进化之路 (From Naive to Modular)

RAG (检索增强生成) 是 AI 工程中最基础也最重要的技术.

1. Naive RAG (原始阶段)

这是最简单的模式: 向量化 -> 检索 -> 填入 Prompt. 它的缺点显而易见: 检索精度低. 容易丢失上下文. 无法处理复杂文档.

2. Advanced RAG (进阶阶段)

引入了 预处理 (Pre-retrieval) 和 后处理 (Post-retrieval).

• 预处理: 包括查询重写 (Query Rewriting). 子查询拆分.
• 后处理: 包括重排序 (Reranking). 上下文压缩.

3. Modular RAG (模块化阶段)

这是目前的趋势. 将 RAG 拆分为可插拔的模块. 比如 路由模块 (Router). 搜索模块 (Search). 记忆模块 (Memory). 每一个模块都可以独立优化和替换.

4. Graph RAG (图增强阶段)

利用知识图谱 (Knowledge Graph) 来辅助检索. 能够解决跨文档的关联问题. 尤其适合处理长篇连载文档或复杂的组织架构数据.

第四部分: 核心技术深度解析 (Technical Deep Dives)

在这一部分. 我们将挑选三个最具代表性的技术方向进行深度探讨.

1. DeepSeek-R1 的微调艺术

微调 (Fine-tuning) 已经不再是大型实验室的专利. 随着 Unsloth 等优化框架的出现. 个人开发者甚至可以在单张消费级显卡上微调 DeepSeek-R1 等顶级模型.

在微调过程中. 我们通常采用 4-bit 量化技术. 这大大降低了显存需求. 关键在于 LoRA (Low-Rank Adaptation) 参数的选择. 较低的 Rank 值 (如 r=4) 可以在保持性能的同时极大地减少可训练参数. 此外. 数据集的质量远比数量重要. 1000 条高质量的思维链 (Chain of Thought) 数据. 其效果往往优于 10 万条平庸的对话数据.

2. Agentic RAG 的闭环设计

传统的 RAG 往往只是 检索-生成. 这种模式在处理复杂文档时极易出现断层. Agentic RAG 则引入了代理思维:

• 路由代理 (Router Agent): 决定是检索本地文档还是寻求网络搜索.
• 检索代理 (Retriever Agent): 负责在向量数据库中进行多跳搜索 (Multi-hop Search).
• 综合代理 (Synthesizer Agent): 将多方信息进行交叉验证和总结.

这种闭环设计不仅提高了准确率. 更增强了系统处理未知问题的鲁棒性.

3. MCP (Model Context Protocol) 实战

MCP 的核心在于标准化. 通过 MCP. 我们可以为 AI 赋予 眼睛 和 手.

在我们的 Cursor Linkup MCP 项目中. 我们通过 FastMCP 框架快速构建了一个 Web 搜索工具.

这种架构使得 AI 可以实时获取最新的行业动态. 极大地扩展了 LLM 的知识边界.

第五部分: 模型对比深度解析 (Model Comparison)

在 2026 年. 模型的选择本身就是一种 架构决策.

1. Llama 4 vs DeepSeek-R1

Llama 4 在 通用能力 和 遵循指令 (Instruction Following) 方面表现卓越. 尤其是在长文本处理和多模态理解上. 它是构建复杂 Agent 系统时的首选 底座.

而 DeepSeek-R1 则在 推理逻辑 和 数学证明 方面展现了惊人的天赋. 它的 思维链 (CoT) 深度往往超过同尺寸的其他模型. 对于需要严密逻辑推理的任务. 如代码生成或法律文档分析. DeepSeek-R1 具有明显的优势.

2. 如何选择合适的模型?

• 如果你的应用需要极高的响应速度和低成本: 选择 8B 或更小规模的蒸馏模型 (Distilled Models).
• 如果你的应用需要处理极复杂的业务逻辑: 选择 Llama 4 或 DeepSeek-R1 的全量版本.
• 如果你的应用涉及敏感数据: 优先考虑可以在本地部署的 Janus-Pro 或 Qwen 系列.

第六部分: 93+ 实战项目全景图 (Project Hub Showcase)

我们的项目库根据难度分为三个级别. 无论你处于哪个阶段. 都能找到适合自己的练习题.

1. 入门级项目 (Beginner)

这些项目专注于单一组件的实现. 是你建立信心的起点.

• OCR & Vision: 利用 Llama 3.2 Vision 实现本地 LaTeX 公式识别. 这是一个非常实用的工具. 能将图片中的数学公式精准转化为 LaTeX 代码.
• Thinking UI: 构建具有 思考过程 可视化的聊天界面. 让用户能看到 DeepSeek-R1 的推理逻辑. 增加交互的透明度.
• 简单 RAG 工作流: 使用 LlamaIndex 和 Ollama 构建最基础的文档聊天机器人. 理解向量存储和相似度搜索的基本流程.
• 图像生成 Janus-Pro: 在本地运行 DeepSeek 的多模态模型. 实现文本到图像的快速生成.
• Video RAG: 使用 Gemini API 实现对视频内容的理解和问答. 开启多模态 RAG 的大门.

2. 进阶级项目 (Intermediate)

这些项目涉及多组件系统和代理工作流.

• YouTube 趋势分析: 结合 CrewAI 和 BrightData 自动抓取并分析热门视频. 生成深度报告. 这是典型的 Agentic Workflow 实战.
• 语音代理 (Voice Agents): 使用 AssemblyAI 和 Cartesia 实现低延迟的实时语音对话机器人.
• 高级 RAG: 引入 IBM Docling 处理复杂的 Excel 表格. 或使用 Milvus 和 Groq 实现亚 15 毫秒的检索响应.
• MCP 代理 RAG: 利用 MCP 协议为 Cursor 等编辑器提供增强的 RAG 能力. 让 AI 真正读懂你的代码库.
• 品牌监控系统: 自动化的全网品牌声誉监控. 结合了爬虫. 情感分析和自动预警.

3. 专家级项目 (Advanced)

这些项目面向生产部署和前沿模型研发.

• DeepSeek-R1 类推理模型构建: 学习如何训练具备深度思考能力的模型. 探索强化学习 (RL) 在模型训练中的应用.
• 自动化文档编写流: 一个能自动阅读代码库并生成完整技术文档的 Agentic Workflow. 极大减轻了开发者的文档负担.
• 生产级文档管线: 使用 GroundX 构建世界级的文档处理引擎. 解决 PDF 解析中的 幻觉 问题.
• 笔记本 LM 克隆: 完整实现类似 NotebookLM 的功能. 包含 RAG. 引用标注和播客生成.
• 法律助手代理: 专门针对法律条文优化的 RAG 代理. 能够处理复杂的合规性检查任务.

第七部分: 2026 AI 工程化的避坑指南 (Engineering Best Practices)

在构建 AI 应用的过程中. 很多开发者会掉进类似的坑里.

1. 忽略评估 (The Eval Gap)

很多 Demo 看起来很惊艳. 但一到生产环境就崩溃. 关键在于缺乏科学的评估体系. 你需要使用 Opik 或 CometML 等工具对 RAG 的四个维度 (忠实度. 相关性. 答案相关性. 完备性) 进行定量观测.
评估不应该是事后的补救. 而应该是 开发过程的一部分. 建议采用 LLM-as-a-Judge 的模式. 利用更高性能的模型作为裁判. 自动对开发版本的输出进行打分. 这种 自动化评估 能够极大地缩短迭代周期.

2. 过度依赖复杂框架

不要为了用 Agent 而用 Agent. 如果一个简单的 Prompt 就能解决问题. 就不要去编排复杂的 Crew. 保持系统的简洁性是降低延迟和成本的最佳手段.

复杂的框架往往意味着 调试的噩梦. 在 2026 年. 我们提倡 极简主义 AI 架构. 优先使用原生 API 和 组合模式. 只有在业务逻辑确实需要多步推理和状态管理时. 才引入 Agent 框架.

3. 忽视本地算力的价值

随着 DeepSeek Janus-Pro 和 Llama 3.2 的轻量化. 很多视觉和 OCR 任务完全可以在本地完成. 这不仅保护了用户隐私. 更极大地降低了 API 调用成本.

在企业级应用中. 边缘计算 (Edge Computing) 正在成为主流. 掌握如何在终端设备上进行模型部署和量化加速. 是高级 AI 工程师的必备技能.

4. 数据隐私与合规性

在 2026 年. 数据安全是 AI 系统的生命线. 你需要学习如何实现数据 脱敏 (PII Masking). 如何在不泄露隐私的前提下进行 RAG 检索.

第八部分: AI 工程化的未来展望 (Future Outlook)

站在现在的时点看未来. AI 工程化将呈现以下几个趋势:

1. 智能体互联网 (Internet of Agents)

随着 MCP 协议的普及. 每一个 AI 智能体都将拥有自己的 身份证 和 技能表. 它们可以像人类一样在互联网上互相协作. 这种 智能体社交 将彻底改变我们的生产力组织方式.

2. 端到端自动进化 (Auto-evolving Systems)

未来的 AI 系统将具备 自我诊断 和 自我微调 的能力. 它们会根据用户的反馈和日志数据. 自动调整 RAG 检索参数甚至进行小规模的权重更新. 实现真正的 终身学习.

3. 从 对话界面 到 隐形 AI (From Chat to Invisible AI)

AI 将不再仅仅是一个对话框. 而是深深嵌入到我们的操作系统和工作流中. 它们会在后台静默工作. 只在关键时刻提供辅助.

第九部分: 2026 AI 工程师工具栈 (The Stack)

工欲善其事. 必先利其器. 以下是我们在 2026 年推荐的 AI 工程工具栈:

1. 编程与环境

• 语言: Python 3.12+ (利用最新的类型提示和性能改进).
• 包管理: uv (目前最快的 Python 包管理和环境隔离工具).
• 数据建模: Pydantic V2 (强大的数据验证和 JSON 解析).

2. 模型与推理

• 本地推理: Ollama. LM Studio (简单易用的本地模型托管).
• 云端推理: Groq (极致的 LPU 推理速度). SambaNova (超大上下文处理).
• 多模态: Janus-Pro. Llama 3.2 Vision.

3. RAG 与向量数据库

• 向量存储: Qdrant (高性能向量数据库). Milvus (企业级分布式向量存储).
• 检索框架: LlamaIndex (灵活的数据连接器). LangChain (丰富的生态组件).
• 文档解析: IBM Docling (卓越的表格和复杂文档解析能力).

4. 代理与工作流

• 编排框架: CrewAI (成熟的多智能体编排). AutoGen (灵活的智能体对话模式).
• 协议集成: MCP (Model Context Protocol). FastMCP.

5. 评估与观测

• 监控平台: CometML Opik (全栈 RAG 评估与观测).
• 评估框架: Ragas (专门针对 RAG 的评估指标).

结语

AI 工程师的征途是星辰大海. 但脚下的路是由一个个字符和一行行代码铺就的. AI Engineering Hub 不仅仅是一个代码仓库. 它更是一个连接全球 AI 实践者的社区.

在这里. 我们不断实验. 不断失败. 也不断进化. 无论你是刚刚写下第一行 Python 代码的新手. 还是已经在深度学习领域深耕多年的专家. 2026 年都是一个充满机遇的年份.

让我们一起拥抱 AI 工程化的未来. 祝你编码愉快.

最后

如果说程序员已经是高薪职业，那么干AI的程序员，就是高薪中的高薪。

现在的市场，已经用数据给程序员指明了方向：学AI大模型，就是冲刺高薪的最优解！

看着身边越来越多的同行转型大模型、拿到高薪offer，很多人心里都动了心，但真正的难题来了：零基础小白不知道从哪入门？有基础的程序员找不到系统学习路径？实战项目练手无门？面试不知道考什么？

别慌！今天就给大家整理了一份【2026年最新版】AI大模型免费学习资源包，覆盖从入门到实战、从理论到面试、从基础到进阶的全流程，所有资料均已整理归档，无冗余、无套路，免费分享给每一位想抓住AI风口的程序员和小白！

👇👇扫码免费领取全部内容👇👇

1、大模型系统化学习路线

2、大模型学习书籍&文档

3、AI大模型最新行业报告

4、大模型项目实战&配套源码

5、大模型大厂面试真题

四阶段精细化学习规划（附时间节点，可直接照做）

结合上述资源，给大家整理了一份可直接落地的四阶段学习规划，总时长约2个月，小白可循序渐进，程序员可根据自身基础调整节奏，高效掌握大模型核心能力，快速实现从“入门”到“能落地、能面试”的跨越。

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
• …

👇👇扫码免费领取全部内容👇👇

6、这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】