AI应用开发禁忌：你是工作的，不是当学生的
带了个做大模型应用开发的实习生，简历写着“熟悉Transformer、掌握RAG链路”，结果第一天就给我整破防了。让他搭个文档问答demo，他直接把整份PDF塞进Prompt，还反问我为什么不用ChatGPT直接回答。教他Prompt要做结构化设计，他回一句“学校项目都是这么调的”。那一刻我真理解为什么老员工不爱带新人了——大家出来是干活的，不是来给你当老师的。学校教的是理想环境，工作需要的是在不确定性和约束条件下把东西跑通、上线、扛住流量。

今天把入行这几个月踩过的坑和真正有用的东西整理出来，给想转大模型应用开发的朋友。

值得跟进的技术资源
李沐：《动手学深度学习》加论文精读，把Transformer吃透。
吴恩达短课：快速建立RAG和Agent的工程认知。
宝玉：模型部署和Prompt调优的一线实战，拆底层原理和踩坑记录。
Jay Alammar：可视化讲透Q、K、V，一看就懂。
LangChain/LlamaIndex官方文档：二手教程不提的细节，只能从文档和源码里挖。

日常工具链
模型平台：Hugging Face、ModelScope找模型、扒实现。
推理引擎：vLLM、TGI、llama.cpp，搞懂continuous batching和KV Cache。
应用框架：LangChain编排、LlamaIndex检索增强、LangSmith追踪。
向量库：Chroma跑实验，Milvus/Qdrant上生产，分清HNSW和IVF。
部署运维：Docker封装、FastAPI流式接口、K8s编排、Grafana告警。

学习路径，按顺序走
啃透Transformer并手写简易注意力→搞懂Embedding与检索逻辑→选一个垂直场景→搭完整RAG或Agent链路→反复调Prompt和工具调用→解决延迟、并发和显存问题→上线收集bad case再迭代。每一步都得写代码，没捷径。

必啃的基础资料
《Attention Is All You Need》原论文，面试绕不开。
《大规模语言模型：从理论到实践》，覆盖预训练到RLHF。
PyTorch官方混合精度教程，处理OOM的必修课。
OpenAI Cookbook，大量能直接用进项目的代码片段。

最后说句难听的：这行不缺会调API的人，缺的是能用工程思维管住模型不确定性的开发者。别拿学校那套当护身符，沉下心把手弄脏，才站得稳。
大模型 AI大模型 程序员 AI应用开发 大模型学习 大模型入门 AI应用