xmlns="http://www.w3.org/2000/svg"
style="display:
none;">
本文详细介绍了大模型开发的8个关键步骤，包括确定目标、设计功能、搭建架构、数据库构建、Prompt工程、验证迭代、前后端开发及体验优化。
文章强调大模型开发的核心在于Prompt设计和业务逻辑实现，而非模型优化，适合初学者和实践者参考。
/>
文章详细介绍了大模型开发的8步流程：确定目标、设计功能、搭建架构、搭建数据库、Prompt
Engineering、验证迭代、前后端搭建和体验优化。
强调大模型开发更注重Prompt设计和业务逻辑实现，而非模型优化。
提供了学习方法和资源，适合初学者和实践者参考。
/>
熟悉我的小伙伴都知道，我一直在研究大模型的应用开发。
从GPT的Api接入的镜像网站系统，到RAG的知识库等等…也是有一段时间了。
看到一篇还不错的开发流程文章。
一、大模型开发整体流程
1.
何为大模型开发
我们将开发以大语言模型为功能核心、通过大语言模型的强大理解能力和生成能力、结合特殊的数据或业务逻辑来提供独特功能的应用称为大模型开发。
开发大模型相关应用，其技术核心点虽然在大语言模型上，但一般通过调用
API
来实现大语言模型的控制，因此，虽然大模型是深度学习领域的集大成之作，大模型开发却更多是一个工程问题。
在大模型开发中，我们一般不会去大幅度改动模型，而是将大模型作为一个调用工具，通过
Prompt
Engineering、数据工程、业务逻辑分解等手段来充分发挥大模型能力，适配应用任务，而不会将精力聚焦在优化模型本身上。
因此，作为大模型开发的初学者，我们并不需要深研大模型内部原理，而更需要掌握使用大模型的实践技巧。
/> 大模型开发要素同时，以调用、发挥大模型为核心的大模型开发与传统的 开发在整体思路上有着较大的不同。 大语言模型的两个核心能力： 在传统的 开发中，我们首先需要将非常复杂的业务逻辑依次拆解，对于每一个子业务构造训练数据与验证数据，对于每一个子业务训练优化模型，最后形成完整的模型链路来解决整个业务逻辑。 然而，在大模型开发中，我们将尝试用 来解决任务，从而将传统的模型训练调优转变成了更简单、轻松、低成本的 设计调优。 同时，在评估思路上，大模型开发与传统 开发需要首先构造训练集、测试集、验证集，通过在训练集上训练模型、在验证集上调优模型、在测试集上最终验证模型效果来实现性能的评估。 然而，大模型开发更敏捷、灵活，我们一般不会在初期显式地确定训练集、验证集，由于不再需要训练子模型，我们不再构造训练集，而是直接从实际业务需求出发构造小批量验证集，设计合理 来满足验证集效果。 然后，我们将不断从业务逻辑中收集当下 Prompt，最后实现较好的泛化效果。 传统指令理解与文本生成提供了复杂业务逻辑的简单平替方案。Prompt
Prompt
Prompt
Prompt
评估
在本章中，我们将简述大模型开发的一般流程，并结合项目实际需求，逐步分析完成项目开发的工作和步骤。2.
大模型开发的整体流程
结合上述分析，我们一般可以将大模型开发分解为以下几个流程：
/>
在进行开发前，我们首先需要确定开发的目标，即要开发的应用的应用场景、目标人群、核心价值。
对于个体开发者或小型开发团队而言，一般应先设定最小化目标，从构建一个
MVP（最小可行性产品）开始，逐步进行完善和优化。
start="2">
- 设计功能。
在确定开发目标后，需要设计本应用所要提供的功能，以及每一个功能的大体实现逻辑。
虽然我们通过使用大模型来简化了业务逻辑的拆解，但是越清晰、深入的业务逻辑理解往往也能带来更好的
Prompt
效果。
同样，对于个体开发者或小型开发团队来说，首先要确定应用的核心功能，然后延展设计核心功能的上下游功能；例如，我们想打造一款个人知识库助手，那么核心功能就是结合个人知识库内容进行问题的回答，那么其上游功能的用户上传知识库、下游功能的用户手动纠正模型回答就是我们也必须要设计实现的子功能。
start="3">
- 搭建整体架构。
目前，绝大部分大模型应用都是采用的特定数据库+
Prompt
通用大模型的架构。
我们需要针对我们所设计的功能，搭建项目的整体架构，实现从用户输入到应用输出的全流程贯通。
一般来说，我们推荐基于
LangChain
进行个性化定制，实现从用户输入到数据库再到大模型最后输出的整体架构连接。
start="4">
- 搭建数据库。
个性化大模型应用需要有个性化数据库进行支撑。
由于大模型应用需要进行向量语义检索，一般使用诸如
chroma
的向量数据库。
在该步骤中，我们需要收集数据并进行预处理，再向量化存储到数据库中。
数据预处理一般包括从多种格式向纯文本的转化，例如
pdf、markdown、html、音视频等，以及对错误数据、异常数据、脏数据进行清洗。
完成预处理后，需要进行切片、向量化构建出个性化数据库。
start="5">
- Prompt
Engineering。
- Prompt
优质的
Prompt
对大模型能力具有极大影响，我们需要逐步迭代构建优质的
Prompt
设计的一般原则及技巧，构建出一个来源于实际业务的小型验证集，基于小型验证集设计满足基本要求、具备基本能力的
start="6">
验证迭代在大模型开发中是极其重要的一步，一般指通过不断发现
Bad
设计后，我们应该进行实际业务测试，探讨边界情况，找到
Bad
存在的问题，从而不断迭代优化，直到达到一个较为稳定、可以基本实现目标的
Prompt
start="7">
完成
Prompt
及其迭代优化之后，我们就完成了应用的核心功能，可以充分发挥大语言模型的强大能力。
接下来我们需要搭建前后端，设计产品页面，让我们的应用能够上线成为产品。
前后端开发是非常经典且成熟的领域，此处就不再赘述，我们将主要介绍两种快速开发
Demo
Streamlit，可以帮助个体开发者迅速搭建可视化页面实现
Demo
start="8">
在完成前后端搭建之后，应用就可以上线体验了。
接下来就需要进行长期的用户体验跟踪，记录
Bad
与用户负反馈，再针对性进行优化即可。
最后
我在一线科技企业深耕十二载，见证过太多因技术更迭而跃迁的案例。
那些率先拥抱
的同事，早已在效率与薪资上形成代际优势，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。
我整理出这套
大模型突围资料包：
- ✅AI大模型学习路线图
- ✅Agent行业报告
- ✅100集大模型视频教程
- ✅大模型书籍PDF
- ✅DeepSeek教程
- ✅AI产品经理入门资料
完整的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇 /> 人工智能技术的爆发式增长，正以不可逆转之势重塑就业市场版图。 从DeepSeek等国产大模型引发的科技圈热议，到全国两会关于AI产业发展的政策聚焦，再到招聘会上排起的长队，AI的热度已从技术领域渗透到就业市场的每一个角落。 />智联招聘的最新数据给出了最直观的印证：2025年2月，AI领域求职人数同比增幅突破200%，远超其他行业平均水平；整个人工智能行业的求职增速达到33.4%，位居各行业榜首，其中人工智能工程师岗位的求职热度更是飙升69.6%。 AI产业的快速扩张，也让人才供需矛盾愈发突出。 麦肯锡报告明确预测，到2030年中国AI专业人才需求将达600万人，人才缺口可能高达400万人，这一缺口不仅存在于核心技术领域，更蔓延至产业应用的各个环节。 /> 包含提示词工程、RAG、Agent等技术点 AI大模型学习路线图（还有视频解说） 全过程AI大模型学习路线 /> 市面上的大模型书籍确实太多了，这些是我精选出来的 /> 这些资料真的有用吗? 这份资料由我和鲁为民博士共同整理，鲁为民博士先后获得了北京清华大学学士和美国加州理工学院博士学位，在包括IEEE Transactions等学术期刊和诸多国际会议上发表了超过50篇学术论文、取得了多项美国和中国发明专利，同时还斩获了吴文俊人工智能科学技术奖。 目前我正在和鲁博士共同进行人工智能的研究。 所有的视频教程由智泊AI老师录制，且资料与智泊AI共享，相互补充。 这份学习大礼包应该算是现在最全面的大模型学习资料了。 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，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。 /> 智泊AI始终秉持着“让每个人平等享受到优质教育资源”的育人理念，通过动态追踪大模型开发、数据标注伦理等前沿技术趋势，构建起"前沿课程+智能实训+精准就业"的高效培养体系。 课堂上不光教理论，还带着学员做了十多个真实项目。 学员要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！ /> 如果说你是以下人群中的其中一类，都可以来智泊AI学习人工智能，找到高薪工作，一次小小的“投资”换来的是终身受益！ 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。 😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓** /> />
为什么说现在普通人就业/升职加薪的首选是AI大模型？
/>
/>
资料包有什么？
①从入门到精通的全套视频教程⑤⑥
/>
③学习电子书籍和技术文档
④各大厂大模型面试题目详解
/>
⑤
/>
/>
👉获取方式：
