适用人群：Java 后端开发，具备 Spring Boot/MySQL/Redis 基础，想转型 AI 大模型方向
学习策略：每阶段对应 1 个可提交简历的实战项目，拒绝纯理论堆砌
预估时长：在校学生每天 2-3 小时，6-8 个月完成核心四阶段
总览
阶段一 (1-1.5月) 阶段二 (1.5-2月) 阶段三 (1.5-2月)
Python基础 + API调用 → RAG知识库应用开发 → Agent智能体开发
│ │ │
智能聊天机器人 技术文档问答系统 智能运维Agent
│ │
阶段四 (1-1.5月) ←────────┴────────────────────────┘
大模型微调与部署 阶段五 (1月, 可选) 阶段六 (持续)
│ 多模态大模型应用 企业级工程实践
Java代码审查助手 智能简历生成器 SpringBoot AI融合阶段一：Python 基础 + 大模型 API 实践（1-1.5 个月）
核心目标
快速掌握 Python 语法，调用大模型 API 构建第一个智能应用，获得正反馈。
技术清单
| 模块 | 内容 | 参考文档 |
|---|---|---|
| Python 速通 | 变量/数据类型/控制流/函数/类/模块（10-20 小时） | Python速通-大模型开发必备语法.md |
| 大模型 API 调用 | OpenAI API / DeepSeek API / 通义千问 API，HTTP POST、JSON 解析、流式输出 | 大模型API调用实践.md |
| Prompt Engineering | Zero-shot / Few-shot / CoT 思维链提示技巧 | Zero-Shot-Few-Shot-CoT提示技巧实战.md |
实战项目：智能聊天机器人
- 调用 DeepSeek API 实现多轮对话
- 添加上下文记忆功能（滑动窗口 / 摘要记忆）
- 部署到 Web 界面（Flask / Gradio）
- 简历关键词：LLM API 集成、多轮对话、上下文管理、Web 部署
工具推荐
- VSCode + Python 插件
- 国内 API 平台：DeepSeek（极低成本）/ 智谱 AI / 通义千问（免费额度充足）
- 学习资源：Datawhale《动手学大模型应用开发》
阶段二：RAG 知识库应用开发（1.5-2 个月）
核心目标
让 AI 拥有私域知识库，解决大模型"幻觉"和知识过时问题——企业级应用刚需。
技术清单
| 模块 | 内容 | 参考文档 |
|---|---|---|
| 向量数据库 | Chroma / FAISS / Milvus，Embedding 向量化、相似度检索 | Chroma与FAISS入门实战.md |
| LangChain 框架 | Document Loaders / Text Splitters / Retrieval / Chain | 已有 LangChain详细知识点.md |
| 文档处理 | PDF 解析（PyPDF2）/ Markdown 解析 / 网页爬取（BeautifulSoup） | 文档处理与解析实战.md |
实战项目：个人技术文档问答系统
- 上传 Java 学习笔记 / Spring 官方文档构建知识库
- 支持多轮对话 + 引用溯源（显示答案来自哪个文档段落）
- 进阶：混合检索（关键词 + 向量）+ Rerank 重排序
- 简历关键词：RAG、向量检索、LangChain、文档问答、引用溯源
进阶方向
- 混合检索（BM25 + 向量相似度）→ 见
RAG混合检索与Rerank优化.md - Rerank 重排序优化检索精度
- 文档更新自动同步（定时任务 + 增量索引）
阶段三：Agent 智能体开发（1.5-2 个月）
核心目标
让 AI 拥有自主解决问题的能力——调用工具、规划任务、迭代优化。2025 年是 Agent 元年。
技术清单
| 模块 | 内容 | 参考文档 |
|---|---|---|
| LangChain Agent | ReAct 模式 / Function Calling / Tool Use | ReAct模式与Function-Calling实战.md |
| LangGraph 框架 | 状态图管理、条件路由、多 Agent 协作 | LangGraph状态图与多Agent协作.md |
| 工具集成 | 搜索引擎（Tavily）/ 数据库查询 / API 调用 / 代码执行器 | 已有 AI Agent核心知识点.md |
实战项目：智能运维助手
- 输入"分析服务器日志找出异常"→ Agent 自动执行：
- 读取日志 → 正则提取错误 → 查询 StackOverflow / 内部知识库 → 生成修复方案
- 进阶：多 Agent 协作（开发 Agent + 测试 Agent + 运维 Agent）
- 简历关键词：AI Agent、ReAct、Function Calling、LangGraph、自动化运维
企业级方向
- 多 Agent 协作（规划 Agent + 执行 Agent + 审核 Agent）
- 人机协同审核机制（关键操作需人工确认）
- 成本控制与 Token 消耗监控
阶段四：大模型微调与部署（1-1.5 个月）
核心目标
掌握私有化部署和垂直领域微调，降低成本、保护数据隐私。
技术清单
| 模块 | 内容 | 参考文档 |
|---|---|---|
| 本地部署 | Ollama 快速部署开源模型（Qwen / LLaMA），量化原理（GGUF / GPTQ） | Ollama本地部署与量化模型实战.md |
| Fine-Tuning 微调 | LoRA / QLoRA 参数高效微调，数据集准备 → 训练 → 评估完整流程 | LoRA与QLoRA参数高效微调实战.md |
| 模型评估 | BLEU / ROUGE 指标，人工评测流程设计 | 模型评估指标与实践.md |
实战项目：Java 代码审查助手
- 收集 Java 代码审查数据（GitHub PR review comments）
- 用 LoRA 微调 Qwen 模型，实现：
- 代码质量检测（命名规范、复杂度）
- 性能优化建议（SQL 优化、缓存策略）
- 安全漏洞扫描（SQL 注入、XSS）
- 简历关键词：LoRA 微调、QLoRA、模型量化、Ollama、代码审查 AI
工具推荐
- Ollama：一键部署本地大模型
- Transformers 库（Hugging Face 生态）
- ModelScope / Hugging Face：开源模型社区
阶段五：多模态大模型应用（1 个月，可选）
核心目标
扩展到图像 / 视频领域，构建全模态 AI 能力。
技术清单
| 模块 | 内容 | 参考文档 |
|---|---|---|
| 文生图 | Stable Diffusion / DALL-E API，Prompt 工程、ControlNet 精准控制 | 文生图与图像理解实战.md |
| 图像理解 | GPT-4V / Qwen-VL，图像描述生成、OCR 文字识别、物体检测 | 多模态大模型核心知识点.md |
实战项目：智能简历生成器
- 上传照片 → AI 生成证件照 → 解析简历内容 → 优化排版 → 输出 PDF
- 简历关键词：多模态 AI、Stable Diffusion、OCR、文档智能
阶段六：企业级工程实践（持续）
核心能力
| 模块 | 内容 | 参考文档 |
|---|---|---|
| 系统设计 | 高并发处理、流式响应、异步任务队列（Celery / RabbitMQ） | AI项目企业级部署与运维.md |
| 成本优化 | Prompt 压缩、缓存策略、模型路由（简单问题用小模型） | AI项目成本优化与安全防护.md |
| 安全防护 | Prompt 注入防御、敏感信息过滤、访问频率限制 | AI项目成本优化与安全防护.md |
| 监控运维 | 日志追踪（LangSmith / LangFuse）、性能指标、A/B 测试 | AI项目企业级部署与运维.md |
Java 后端融合
将 AI 能力嵌入 Spring Boot 项目：
- RESTful API 封装 AI 服务
- Redis 缓存对话历史
- MySQL 存储用户反馈
- Docker 容器化部署
- 参见
SpringBoot集成AI服务实战.md
综合实战项目：智能客服系统
- 后端：Spring Boot + Spring AI + Redis + MySQL
- AI 层：RAG 知识库（产品文档） + Agent（订单查询 / 退款处理）
- 部署：Docker Compose 一键部署
- 简历关键词：Spring AI、全栈 AI 应用、高并发、Docker 部署
学习资源汇总
免费高质量资源
| 资源 | 链接 | 说明 |
|---|---|---|
| Datawhale《动手学大模型应用开发》 | LLM Universe | 从零到一的大模型应用开发教程 |
| Self LLM 本地部署实战 | 飞书文档 | 开源模型本地部署全指南 |
| LangChain 官方文档 | python.langchain.com | 最权威的 LLM 应用框架文档 |
| LangGraph 实战教程 | langchain-ai.github.io/langgraph | 多 Agent 工作流编排框架 |
国内大模型平台对比
| 平台 | 优势 | 适用场景 |
|---|---|---|
| DeepSeek | 极低成本、性能强悍 | API 调用入门、原型验证 |
| 通义千问 | 免费额度充足、中文能力强 | RAG 应用、Agent 开发 |
| 智谱 AI（GLM） | 开源生态好、多模态支持 | 微调实验、多模态项目 |
| 文心一言 | 百度生态、企业级服务 | 企业部署、商业项目 |
简历包装建议
每个阶段的可展示成果：
| 阶段 | 项目 | 展示亮点 |
|---|---|---|
| 阶段一 | 智能聊天机器人 | GitHub 开源 + 在线 Demo 链接 |
| 阶段二 | 技术文档问答系统 | 检索准确率数据（如 Top-3 召回率 95%+） |
| 阶段三 | 智能运维 Agent | 任务自动化完成率、人工介入率对比 |
| 阶段四 | Java 代码审查助手 | 微调前后性能对比（如 BLEU 提升 X%） |
| 综合项目 | 智能客服系统 | 并发压测数据、用户满意度数据 |
时间安排建议
| 学习模式 | 每天投入 | 完成核心四阶段 | 说明 |
|---|---|---|---|
| 全职学习 | 6-8 小时 | 4-5 个月 | 可同步推进多阶段 |
| 在校学生 | 2-3 小时 | 6-8 个月 | 假期加速、考试周减速 |
| 在职转型 | 1-2 小时 | 8-12 个月 | 周末集中做项目 |
核心原则
边学边做，每完成一个阶段立即输出项目作品，避免"学完就忘、学完不会用"。
每个阶段的产出物：
- GitHub 仓库（含 README + 运行截图 + 安装说明）
- 技术博客 / 笔记（记录踩坑过程）
- 简历项目条目（STAR 法则描述）