AI大模型高效学习路线：以项目驱动，拒绝无效刷教程

最近很多人在转一份号称“B站最全最细”的《AI大模型》系统教程：748 集、2026 最新版、7 天从小白到大神、少走 99% 的弯路。先泼一盆冷水：把 748 集从头看到尾，不是最快的学习路径，反而是最慢的。真正决定你能不能学会 AI 大模型的，不是资料多不多，而是你有没有一条能动手的路线，以及一套筛选资料的方法。

这句话并不是否定这份教程。748 集说明制作者确实想覆盖全，但如果把它当成“课程”线性刷完，大概率会卡在某个概念的循环里，最后收藏夹吃灰。它更合适的身份是“字典”和“索引”：你做到哪一步，缺什么知识，按关键词去查对应章节，而不是从第 1 集一路看到第 748 集。

这篇文章要做的，就是帮你把这条学习路线拆清楚：AI 大模型到底是什么、从哪里开始、本地部署怎么做、RAG 如何实现、微调要不要碰、踩坑怎么排。我会给出可以直接复制的代码和命令，也会告诉你哪些环节最容易产生“学了很多但不会做”的错觉。读完你至少能自己跑通一个最小可用的 AI 应用，并把那套 748 集资源变成真正能查、能用的工具。

1. 为什么“748 集全教程”既是宝藏，也是陷阱

1.1 它确实解决了“不知道学什么”的问题

AI 大模型领域的信息密度极高，而且每天都在更新。今天出了一个新模型，明天出了一个新框架，后天又有人说“XXX 已经过时”。一个刚入门的人面对这种信息洪流，最先遇到的问题往往不是“学不会”，而是“不知道从哪学”。

这时候，一份号称“最全最细”的系统教程确实有吸引力。它把预训练、微调、提示工程、应用开发、部署、评测等内容按集数排列好，给人一种“只要跟着看完，就能掌握全貌”的安全感。从解决信息焦虑的角度说，这类资源的存在本身是有价值的。

1.2 但“线性刷完 748 集”是最低效的学习方式

问题在于，视频课程是线性消费的。你打开第 1 集，开始看 Python 基础，然后看到神经网络，再看到 Transformer，每集 15 到 30 分钟不等。先不说质量，光是从头刷完的时间成本就足以劝退大多数人：748 集哪怕每集只看 20 分钟，也是一个超过 200 小时的工程量，相当于连续看小半个月。

更要命的是，AI 技术更新节奏太快。教程里年初录的内容，到年中可能已经被新框架取代。如果你学了一个月的基础理论，才终于开始动手部署模型，此时你学的工具链可能已经换了版本。这就是为什么很多人的收藏夹里躺着一堆“完整教程”，能力却始终停在“看别人讲”。

1.3 这份资源应该当“字典”用，而不是当“教材”用

更稳妥的判断是：这类全量教程的正确用法是“按需查”，不是“从头看”。

一个比较实用的操作方式是：

1. 先明确一个真实任务，比如“让本地模型回答公司内部文档的问题”。
2. 把任务拆成几个环节：模型部署、文档切分、向量检索、回答生成。
3. 遇到不懂的概念，再去 748 集里搜对应关键词，只看相关那几集。
4. 跑通之后，如果还想深入某个原理，再回头补理论知识。

以项目为锚，视频资源才会变成工具；没有项目，再全的教程也只是缓解焦虑的“安慰剂”。这一条，是全文最想传递的判断。

2. AI 大模型核心概念：先把“时髦词”翻译成人话

在学习路线之前，先统一一下概念。AI 大模型相关的术语非常多，很多词看着高大上，其实背后是简单的工程问题。下面我用一张表把最常出现的术语“翻译”一遍。

2.1 大模型、小模型、智能体到底是什么关系

很多人问“学习 AI 大模型、小模型、智能体，从哪里开始”。这里有一个常见误区：这三个不是递进关系，而是不同维度的东西。

大模型和小模型，区分的是模型容量和部署成本。7B、13B、70B 等数字代表参数量，70B 模型能力通常更强，但推理更慢、显存要求更高。小模型适合高并发、边缘设备、低延迟场景；大模型适合复杂推理、长文本、高质量生成。

智能体则是模型之上的“行动层”。它让模型不只回答问题，还能调用搜索引擎、执行代码、操作数据库，甚至自己拆解任务后逐步完成。你可以理解为：大模型是“大脑”，智能体是给大脑装上“手脚”。

学习顺序上，更合理的路径是先掌握大模型的应用方式（提示工程 + API 调用），再理解小模型的部署与优化，最后再研究智能体。跳级学习不是不行，但很容易因为缺少底层认知而踩坑。

3. 从零开始的 AI 大模型学习路线

下面这条路线是我认为对新手最友好的顺序。它不追求“7 天从小白到大神”，而是追求“每阶段都能产出一个小成果”。

3.1 阶段一：Python 与深度学习基础

目标：能读懂代码、能跑通训练脚本。

你需要掌握：

• Python 基础语法、函数、类、文件读写、虚拟环境。
• 常用库：NumPy、Pandas、requests、openai 等。
• 深度学习基础：张量、自动求导、损失函数、优化器、神经网络结构。
• PyTorch 的基本流程：数据加载、模型定义、训练循环、保存加载。

这个阶段不要钻太深，能看懂、能改别人的代码就够了。很多 748 集类教程的前半部分会花大量时间讲数学和原理，你只需要把“能用”作为第一目标。

3.2 阶段二：提示工程与大模型 API 调用

目标：真正让大模型为你干活。

这个阶段不需要 GPU。你只需要注册一个模型平台账号，拿到 API Key，然后用 Python 发起一次对话请求。需要掌握：

• 系统提示词、用户提示词、助手消息的区别。
• 上下文窗口和 token 的概念。
• 温度、最大输出长度等参数的作用。
• 流式输出的实现方式。

完成标准：你写了一个可以反复使用的“AI 助手”脚本，能根据不同的 system prompt 切换人设和回答风格，并且知道怎么处理接口报错。

3.3 阶段三：RAG 应用开发

目标：让模型回答“它原本不知道”的内容。

大模型的训练数据有截止日期，也没有你的企业内部文档。RAG 的思路是：先检索相关资料，再把资料塞进提示词，最后让模型基于资料回答。你需要掌握：

• 文档加载与切分。
• 文本向量化（Embedding）。
• 向量检索与相似度计算。
• 提示词拼接与生成。

完成标准：你做了一个能够基于本地 Markdown 或 PDF 回答问题的工具，并且能区分“问答工具”和“知识库工具”的差别。

3.4 阶段四：微调与本地部署

目标：让模型更懂你的领域、跑在你的机器上。

这个阶段开始需要 GPU。先学本地部署，再学微调。本地部署让你理解推理时的显存占用、量化、并发等概念；微调让你理解模型行为为什么会被训练数据改变。

需要掌握：

• Ollama、vLLM 等推理工具。
• 量化方案（GGUF、GPTQ、AWQ）。
• LoRA 等高效微调方法。
• 数据集的格式与构建。

完成标准：你在本地用一个 7B 量级开源模型完成了一个具体任务，并记录下显存占用和推理速度。

3.5 阶段五：智能体与多模态

目标：让模型从“会说话”变成“会做事”。

这个阶段可以开始玩智能体框架，比如 Dify、FastGPT、LangChain 或 Coze 这类工具。你可以让模型调用天气 API、搜索引擎、SQL 查询等外部工具。多模态则可以体验图像理解、语音交互等能力。

完成标准：你搭建了一个能调用至少一个外部工具的智能体，并梳理清楚“任务拆解、工具调用、结果反馈”的完整链路。

3.6 一份合理的时间表

学习不应该追求“7 天封神”，而是“每个周末都有进展”。

这个时间表的前提是每天能投入 1 到 2 小时。如果你能全职学习，时间可以压缩一半以上，但再快也不要跳过动手环节。

4. 高质量学习资源怎么选（不只看集数）

除了那 748 集，AI 大模型领域其实已经沉淀了一批口碑很好的免费资源。这里挑几个有代表性的，并说明它们各自的定位。

4.1 上海交大《动手学大模型》开源教程

这是一套在开发者社区流传很广的开源教程，核心特点是“理论 + 代码”结合，覆盖了大语言模型的预训练数据、模型架构、微调、强化学习、评测、部署等多个模块。相比短视频教程，它更接近一本可以动手跟做的电子书。

它更适合有一定 Python 和深度学习基础的人。如果你是零基础，建议先完成第三章后面的编程基础，再回来看这套教程。它解决的是“系统理解大模型原理”的问题，而不是“快速做出一个 Demo”的问题。

4.2 官方文档与开源项目

大模型领域，官方文档永远是最权威、更新最快的资源：

• 模型官方文档：比如 Qwen、GLM、DeepSeek 等模型的技术报告和代码仓库。
• 开源社区：ModelScope 魔搭社区、GitHub 上的各类大模型项目。
• 开源工具：LLaMA-Factory 用于微调，vLLM 用于推理加速，Dify 和 FastGPT 用于应用编排，LangChain 用于开发框架。

判断一个开源项目值不值得学，不要只看 star 数，要看三个方面：文档是否完整、最近是否有更新、社区是否活跃。一个半年没更新的项目，即使曾经很火，也建议谨慎投入时间。

4.3 判断一份教程值不值得看的 5 个标准

看视频教程时，可以用下面 5 条标准快速过滤：

1. 有没有可运行的代码。只讲概念不给代码的，价值减半。
2. 有没有标注版本。不说明框架和模型版本的教程，过时风险高。
3. 原理是否落到细节。真正好的教程会讲数据和公式，而不是停留在“非常强大”。
4. 是否与官方文档一致。讲解和官方不一致时，以官方为准。
5. 是否包含错误场景。只会展示“正确结果”的教程，无法帮你建立排错能力。

至于那套 748 集资源，我的建议是：先拉目录，把它当成一套“大模型百科全书”。真正学的时候，按第 3 节的学习路线推进，缺哪块查哪块，而不是从第 1 集开始线性刷完。

5. 动手第一步：本地部署一个可运行的大模型

不论你的目标是写论文、做应用还是找工作，本地部署都是绕不开的“基本功”。它让你直观感受到模型推理的显存占用、速度和量化效果。

5.1 硬件与方案选择

本地部署不一定要超强显卡。一个 7B 参数量的开源模型，经过量化后通常需要 4 到 8GB 显存，具体取决于量化级别和上下文长度。如果你的显卡显存小于 8GB，可以先跑 1.5B、3B 级别的小模型；如果只有 CPU，也能跑，只是速度较慢，适合体验不适合生产。

我推荐优先使用 Ollama 这类工具起步，因为它把模型下载、量化、服务启动都封装好了，非常适合新手。

5.2 用 Ollama 拉起一个开源模型

以 Ollama 为例，安装后只需要几条命令就能跑起一个本地模型。具体命令如下：

# 安装 Ollama（具体安装方式以官方文档为准） curl -fsSL https://ollama.com/install.sh | sh # 拉取一个可运行的开源模型，模型名以 Ollama 官方模型库为准 ollama pull qwen2.5:7b # 启动本地模型并进入交互界面 ollama run qwen2.5:7b

看到模型开始逐字输出，就说明本地部署成功了。此时你可以直接在终端里提问，测试它的中文能力、代码能力和常识能力。

Ollama 启动后，会默认在http://localhost:11434提供一个兼容 OpenAI 格式的 HTTP 接口。这意味着你可以用标准openaiPython 库直接调用本地模型，这为后面的应用开发提供了很大便利。

5.3 用 Python 调用本地模型

创建一个 Python 文件，代码如下：

# 文件路径：demo_ollama.py from openai import OpenAI # Ollama 本地服务默认地址，无需真实 API Key client = OpenAI( base_url="http://localhost:11434/v1", api_key="ollama" ) resp = client.chat.completions.create( model="qwen2.5:7b", messages=[ {"role": "system", "content": "你是一个软件开发助教，回答要简洁、准确。"}, {"role": "user", "content": "请用 3 句话解释什么是 RAG。"} ], temperature=0.7 ) print(resp.choices[0].message.content)

运行方式：

python demo_ollama.py

如果输出了一段通顺的解释，说明你已经完成了“用代码调用本地大模型”的最小闭环。这一步的意义在于：你开始把模型当作一个需要管理和调用的服务，而不是一个只能聊天的网页窗口。

6. 用云端 API 调通一个最小应用

本地部署适合学原理和做隐私敏感场景，但生产应用更多会使用云端 API。云端模型通常能力更强、并发更高、维护成本更低。国内可选的大模型平台很多，比如火山引擎、ModelScope 魔搭、百度千帆、阿里云百炼、智谱 AI 开放平台等，这里不具体比较优劣，以你实际开通的服务为准。

6.1 为什么还要用云端 API

本地 7B 模型和云端千亿参数模型之间，存在明显的能力差距。如果你做一个面向用户的智能客服，希望它有更强的理解能力和更稳定的输出，云端 API 是更现实的选择。另外，云端 API 通常自带鉴权、限流、监控等能力，开发团队不需要重复造轮子。

6.2 一个 OpenAI 兼容格式的调用示例

很多国内模型平台都提供 OpenAI 兼容格式的接口，代码可以复用同一套逻辑。下面这个示例使用环境变量管理密钥，避免把敏感信息写死在代码里。

export LLM_API_KEY="你的密钥" export LLM_BASE_URL="https://你的平台地址/v1" export LLM_MODEL="模型名称"

# 文件路径：demo_api.py import os from openai import OpenAI client = OpenAI( api_key=os.environ["LLM_API_KEY"], base_url=os.environ["LLM_BASE_URL"], ) def chat(prompt: str, system: str = "你是 AI 应用助手") -> str: resp = client.chat.completions.create( model=os.environ["LLM_MODEL"], messages=[ {"role": "system", "content": system}, {"role": "user", "content": prompt}, ], temperature=0.3, stream=False, ) return resp.choices[0].message.content if __name__ == "__main__": print(chat("给一个 Python 初学者推荐 3 个练习项目，每个项目用一句话说明目的。"))

如果需要流式输出，让用户感觉“像打字机一样生成长文本”，可以改成以下写法：

# 流式输出示例 stream = client.chat.completions.create( model=os.environ["LLM_MODEL"], messages=[{"role": "user", "content": "写一段 100 字的欢迎语"}], stream=True, ) for chunk in stream: delta = chunk.choices[0].delta.content if delta: print(delta, end="", flush=True)

6.3 密钥管理与安全提醒

调用云端 API 时，最需要警惕的就是密钥泄露。要养成几个习惯：

• 密钥只放在环境变量或密钥管理服务里，不写进代码仓库。
• 给 API Key 配置最小权限，限制可调用的模型和额度。
• 定期轮换密钥，发现泄露立即吊销。
• 记录调用日志时，对输入输出中的手机号、身份证等敏感信息做脱敏处理。

很多初学者“跑通了 API 就发 GitHub”，结果密钥被爬虫抓走，产生高额账单。这类事故几乎每天都在发生，安全习惯要从第一天就建立。

7. 从“会调用”到“会开发”：写一个最小 RAG

如果你只会调用 API，那和用网页版聊天没有本质区别。真正让大模型在企业里产生价值的能力，是 RAG。

7.1 RAG 是什么，解决什么问题

RAG 全称是 Retrieval-Augmented Generation，检索增强生成。它的核心思想非常简单：模型不知道的知识，你自己找给它。

比如你的公司有一份《报销制度》文档，大模型没有看过。传统做法是让模型直接回答，它只能编造。RAG 的做法是：

1. 把文档切成小块，存入向量数据库。
2. 用户提问后，从库里检索出最相关的几块文本。
3. 把检索到的文本拼进提示词，让模型“阅读后作答”。

这样做有一个明显好处：模型被强制基于你提供的资料回答，幻觉会大幅减少。如果资料里没有答案，模型可以明确说“不知道”，而不是编造一个答案。

7.2 最小 RAG 代码实现

下面是一个不依赖复杂框架的最小 RAG 示例。为了让示例可读，我保留了核心逻辑，并特意把 Embedding 和对话模型的调用放到了同一个兼容接口中。

# 文件路径：demo_rag.py """ 最小 RAG 示例：文档切片 -> 向量化 -> 相似度检索 -> 拼接提示词 -> 大模型回答 生产环境请使用专业的文本切分库和向量数据库缓存 Embedding。 """ import math from openai import OpenAI client = OpenAI( api_key="替换为你的API Key", base_url="替换为你的Base URL", ) EMBEDDING_MODEL = "替换为你的Embedding模型名" CHAT_MODEL = "替换为你的对话模型名" def get_embedding(text: str): # 不同平台的 Embedding 接口有差异，这里按 OpenAI 兼容格式示意 resp = client.embeddings.create(model=EMBEDDING_MODEL, input=text) return resp.data[0].embedding def split_text(text: str, chunk_size: int = 200, overlap: int = 20): # 简单的按字符切分，生产环境建议按段落、标题或语义切分 chunks = [] start = 0 while start < len(text): end = start + chunk_size chunks.append(text[start:end]) start = end - overlap return chunks def cosine_similarity(vec1, vec2): dot = sum(a * b for a, b in zip(vec1, vec2)) norm1 = math.sqrt(sum(a * a for a in vec1)) norm2 = math.sqrt(sum(b * b for b in vec2)) return dot / (norm1 * norm2 + 1e-9) def retrieve(query: str, chunks: list, top_k: int = 3): query_vec = get_embedding(query) scored = [] for idx, chunk in enumerate(chunks): chunk_vec = get_embedding(chunk) scored.append((cosine_similarity(query_vec, chunk_vec), idx, chunk)) # 相似度从高到低排序 scored.sort(reverse=True) return scored[:top_k] if __name__ == "__main__": # 1. 准备本地知识（示例） knowledge = """ 公司内部新员工报销流程：员工在 OA 系统提交报销单，上传发票原件扫描件， 金额在 5000 元以下由部门主管审批，5000 元以上需要部门主管与财务总监双签。 报销款项一般在审批通过后 3 个工作日内到账。 """ chunks = split_text(knowledge) # 2. 根据问题检索 question = "报销金额超过 5000 元需要谁审批？" top_chunks = retrieve(question, chunks) context = "\n".join([chunk for _, _, chunk in top_chunks]) prompt = f""" 请根据下面的资料回答问题。如果资料中没有相关信息，请直接说明“资料中没有提到”，不要编造。 资料： {context} 问题：{question} """ resp = client.chat.completions.create( model=CHAT_MODEL, messages=[{"role": "user", "content": prompt}], ) print(resp.choices[0].message.content)

这段代码里，split_text是最原始的“按字符切分”，实际项目中效果并不好。更靠谱的做法是按 Markdown 标题、段落边界或语义进行切分，并且每块之间保留少量重叠，防止上下文被切断。

另一个需要优化的点是效率：示例里每次检索都重新计算了文档块的 Embedding，生产环境应该在索引阶段就完成向量化并持久化存储，避免重复计算。

7.3 如何验证 RAG 是否有效

跑通代码只是第一步，验证效果才是关键。建议你设计三组测试问题：

• 资料里明确有答案的问题，看模型是否回答正确并引用资料。
• 资料里没有答案的问题，看模型是否老实说“不知道”。
• 边界问题，比如金额正好等于 5000 元如何处理。

如果第二类问题模型仍然编造答案，说明你的提示词没有约束住它，或者检索到的资料不相关。RAG 的效果由“检索质量”和“生成质量”共同决定，检索不到正确资料，再强的模型也答不对。

8. 微调和评测：先别急着“炼丹”

很多人学到这里就开始焦虑：我不会微调，是不是不配做 AI 应用开发？答案是否定的。大部分业务场景里，RAG + 提示工程已经能解决 80% 的问题。微调是一种手段，不是目的。

8.1 什么时候才需要微调

当出现以下情况时，才应该认真考虑微调：

• 模型总是无法遵守你定义的输出格式，比如必须输出 JSON，带固定字段。
• 领域术语影响理解，比如法律、医疗、金融里的专业表达。
• 业务要求固定的语气和风格，提示词怎么调都调不稳。
• 你有足够的高质量标注数据，并且数据量不少于数千条。

反过来，如果只是因为“模型答得不够好”，优先做的不是微调，而是优化提示词、补充资料、换更大的模型。微调的成本不仅包括训练机器，还包括数据清洗、评测和后续维护，一旦模型更新，微调可能也要重做。

8.2 用开源工具跑一次 SFT 的基本流程

如果你想体验微调，推荐从 LLaMA-Factory 这类开源工具开始。它封装了数据格式、训练脚本和推理脚本，适合入门。下面是一个一般形式的命令行示例，参数和模型名称请以官方仓库最新文档为准。

# 以 LLaMA-Factory 为例，先克隆项目并安装依赖 git clone https://github.com/hiyouga/LLaMA-Factory.git cd LLaMA-Factory pip install -e . # SFT 训练一般形式：数据集、模型、训练参数按需替换 llamafactory-cli train \ --model_name_or_path Qwen/Qwen2.5-7B-Instruct \ --dataset alpaca_zh_demo \ --template qwen \ --stage sft \ --finetuning_type lora \ --output_dir ./output/qwen-sft-lora \ --per_device_train_batch_size 1 \ --learning_rate 1e-4 \ --num_train_epochs 3

这个流程的重点不是让你直接跑通，而是让你理解训练数据的格式、LoRA 和全参微调的区别、训练参数对结果的影响。第一次跑通微调，你的目的应该是“建立流程感”，而不是“得到一个完美模型”。

8.3 评测比训练更重要

微调最大的坑不是训练失败，而是你不知道模型变好还是变坏了。建议在训练前就准备一份独立的评测集，包含业务中真实会出现的输入和期望输出。训练后，用同一份评测集对比基座模型和微调模型的回答，而不是只拿两三个例子“感觉一下”。

评测指标要根据任务来选。分类任务看准确率，生成任务看人工打分或语义相似度，结构化输出看字段匹配率。同时要注意数据泄漏：评测集里不能出现训练数据，否则结果会虚高。

另外，AI 安全方向的 AI 大模型 CTF 题目也值得关注。这类题目会考察提示注入、越狱、数据泄露等场景，能帮你理解模型的边界和风险。这种“攻击视角”的学习对做工程防线很有帮助，但一定要在合规授权的前提下进行。

9. 常见问题与排查思路

学习过程中，你会反复遇到下面这些问题。这里整理成一张排查表，建议收藏备用。

遇到问题，第一反应应该是看日志和错误信息，而不是换平台、换方案。大多数问题都是配置问题，不是玄学。

10. 最佳实践与工程建议

10.1 个人学习者的建议

如果你是自学，最重要的一点是“输出倒逼输入”。看过不等于学会，讲得出来、做得出来、写得出博客才算掌握。具体建议是：

• 每学一个模块，就做一个可以展示的小项目，哪怕它再简单。
• 把学习过程和踩坑记录写成技术博客。写博客不是浪费时间，而是强化理解，也能成为面试材料。
• 参与开源项目或社区问题解答，这是性价比很高的进阶方式。
• 给自己定一个真实的 7 天目标，比如“7 天内让本地模型回答我整理的 20 个专业问题”，而不是“7 天从小白到大神”。

10.2 团队与生产环境的建议

当应用进入团队开发和生产环境，要考虑的问题会多很多：

• 模型与场景匹配。简单任务不要总用大模型，成本会失控。可以在入口设计一个路由层，简单问题走小模型，复杂问题走大模型。
• 数据安全边界。涉及用户隐私或企业机密的数据，优先走私有化部署；敏感数据不出域。
• 可观测性。记录每次请求的输入输出、耗时、token 用量、模型版本，这样才能定位问题和核算成本。
• 灰度与回滚。模型升级不是简单换 URL，要做 A/B 对比和灰度发布，保留旧版本方便回滚。
• 提示词注入防护。用户输入可能包含恶意指令，要在应用层进行过滤和约束，模型本身无法完全自保。
• 权限最小化。给服务账号分配最小权限，避免模型或者中间层获得过高系统权限。

10.3 行业场景怎么做：以农业大模型为例

最近“农业大模型”也是一个热门方向。从技术上看，它并不是把一个大模型直接丢给农民，而是结合了大量物联网数据：土壤传感器、气象站、作物生长图像等。大模型在这里扮演的角色是“理解和决策助手”，比如根据土壤湿度和气象预报，给出灌溉和施肥建议。

这类行业应用的真正难点不是模型本身，而是数据质量、设备接入和决策闭环。你需要先建立数据采集和清洗链路，再构建领域知识库，最后才是模型选型和界面交互。如果一开始就把精力放在“我选哪个大模型”上，大概率会失败。

类似的判断也适用于金融、医疗、法律等行业：大模型是放大器，数据质量才是底座。

10.4 别迷信排名，按场景选模型

国内大模型已经形成了相当丰富的阵营，包括 DeepSeek、通义千问、智谱 GLM、豆包、Kimi、文心一言等，各有特色。网上经常有“国内 AI 大模型十强”之类的榜单，这些榜单只能作为参考，因为评测集不同、版本更新太快，排名经常变化。

更实用的选型方式是，用你自己的评测集去验证候选模型，重点关注这几个维度：

• 中文理解与生成能力。
• 复杂推理能力。
• 上下文长度与长文本效果。
• 工具调用能力。
• API 价格与限流策略。
• 能否私有化部署、数据合规能力。

把“榜单排名”换成本文第 8 节提到的独立评测，才是能落到工程上的模型选型方法。

11. 总结与下一步行动

回到开头的问题：那套 748 集的《AI 大模型》系统教程，到底要不要看？我的回答是：可以用，但不要从头刷。把它当成一个按需查阅的资料库，你的学习主线应该由项目驱动，而不是由集数驱动。

这篇文章真正想帮你建立的，是一个最小可验证的学习闭环：理解概念、调通 API、本地部署、实现 RAG、了解微调、学会排错。如果你能把这条路走完，你对 AI 大模型的理解已经超过大部分“只收藏不学习”的人。

下一步，你可以做的事情很明确：

1. 跟着第 5 节，先在本地跑起一个开源模型。
2. 跟着第 6 节，用云端 API 调通一个脚本。
3. 跟着第 7 节，把你手头的一份文档做成 RAG 问答工具。
4. 最后，把你踩过的坑写成一篇文章发出来。

真正让你进步的，不是把 748 集看完，而是让模型在你的电脑上跑起来，并解决一个具体问题。把收藏夹当成工具箱，把手上的小项目当成主线任务，这条路会比你想的更短。