大模型开发实战地图：从原理认知到Agent、RAG与微调全链路指南

你是不是也刷到过“大模型开发”的课程广告，号称学完就能薪资翻倍，但点进去发现要么是零散的PPT截图，要么是动辄上万的付费课程，真正能让你动手跑起来的、说人话的教程少之又少？

更让人困惑的是，面对“大模型”、“Agent”、“RAG”、“微调”这些满天飞的概念，很多开发者陷入了两个极端：要么觉得这是AI科学家的事，自己只是个“调包侠”，用用API就够了；要么一头扎进某个框架的细节里，学了半天却不知道如何把这些技术串联起来，解决一个真实的业务问题。

这篇文章要解决的，正是这个核心痛点。它不是一个简单的“教程合集”，而是一份为你量身定制的“大模型开发实战地图”。我们不谈空泛的趋势，只聚焦于一个目标：让你，一名有编程基础但可能不熟悉AI底层的开发者，能够清晰地知道从入门到实战的每一步该怎么走，每个技术选择背后的“为什么”，以及如何避开那些新手必踩的坑。

本文将围绕大模型开发的四大核心实战模块展开：大模型原理认知、Agent项目构建、RAG知识库应用、模型微调实战。你会看到完整的代码示例、可复现的环境配置、以及基于真实场景的工程化思考。学完你不仅能“跑通Demo”，更能建立起一套属于自己的大模型应用开发方法论。

1. 大模型开发，到底在开发什么？

很多程序员对转大模型开发有误解，认为就是去训练一个GPT-4。事实上，对于绝大多数开发者和企业而言，大模型应用开发的核心，不是“造模型”，而是“用模型”和“调模型”。这更像是一场角色转变：从传统的“逻辑实现者”转变为“能力编排者”和“效果优化师”。

你的主要工作将围绕以下几点展开：

1. 模型调用与集成：如何高效、稳定、低成本地调用云端或本地的大模型API。
2. 提示工程与上下文管理：如何设计Prompt让模型理解你的意图，如何管理有限的上下文窗口来处理长文本。
3. 外部能力扩展（Agent）：当模型知识或能力不足时，如何教会它使用工具（搜索、计算、执行代码）来完成复杂任务。
4. 知识库增强（RAG）：如何让模型突破其训练数据的限制，访问并基于你私有的、最新的、精确的数据进行回答。
5. 模型定制与优化（微调）：如何在特定领域（如法律、医疗、金融）或特定风格上，让模型的表现更专业、更可控。

理解了这一点，你就会明白，大模型开发的门槛并没有想象中那么高。它需要的是软件工程能力、对业务的理解，以及一套新的技术栈思维，而非从头学习深度学习理论。接下来，我们就从最基础的认知开始，搭建你的知识框架。

2. 核心概念精讲：告别术语焦虑

在深入实战前，我们需要统一语言。下面这张表对比了四个核心概念的本质、解决的问题以及常见误区：

概念	通俗理解	解决的核心问题	新手常见误区
大模型 (LLM)	一个“通才型”的文本生成大脑。它通过海量数据训练，学会了语言的规律和世界的知识。	提供通用的语言理解、生成和推理能力。是所有上层应用的基座。	认为它“无所不知”。实际上，它的知识有截止日期，且可能产生“幻觉”（编造信息）。
智能体 (Agent)	一个“有手有脚”的模型。它为模型配备了“工具”（如搜索、API、数据库），使其能主动规划并执行多步骤任务。	解决模型“纸上谈兵”的问题，让其能与真实世界互动，完成搜索信息、分析数据、操作软件等复杂流程。	把Agent想得太智能。实际上，Agent的成败极度依赖工具设计的合理性和Prompt的精准性。
检索增强生成 (RAG)	给模型配一个“外部知识库”。在回答前，先根据问题去知识库查找相关片段，再让模型基于这些片段生成答案。	解决模型知识陈旧、私有数据无法访问、以及容易“幻觉”的问题。保证答案的准确性和时效性。	认为只要把文档扔进向量数据库就万事大吉。忽略了文档分块、向量化质量、检索策略等关键工程细节。
微调 (Fine-Tuning)	对预训练好的大模型进行“专项特训”。用特定领域的数据继续训练，让它更擅长某个垂直任务。	让通用模型适应特定领域的术语、风格和任务格式，提升其在专业场景下的表现和可控性。	误以为微调能“注入”模型从未学过的知识。微调主要调整模型“表达方式”和“任务偏好”，对注入大量新知识能力有限。

简单来说：大模型是发动机，Agent是让它能跑起来的整车系统，RAG是它的导航和资料库，微调则是针对不同路况（赛道、越野）的特调改装。一个完整的大模型应用，往往是这些技术的组合。

3. 环境准备：打造你的AI开发工作台

工欲善其事，必先利其器。大模型开发环境相比传统Web开发略有不同，核心在于Python环境、包管理和对GPU的友好支持。我们推荐以下配置，它平衡了易用性和生产力。

3.1 基础软件安装

1. Python环境：强烈建议使用Miniconda或Anaconda来管理Python环境，避免包冲突。

   # 下载并安装Miniconda (以Linux/macOS为例) wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh bash Miniconda3-latest-Linux-x86_64.sh # 按照提示安装，安装完成后重启终端或运行 `source ~/.bashrc`

2. 创建专属环境：为你的大模型项目创建一个独立的环境。

   conda create -n llm-dev python=3.10 conda activate llm-dev

3. 代码编辑器：VS Code是当前最佳选择，安装 Python 和 Jupyter 扩展。

3.2 核心开发库安装

在你的llm-dev环境中，安装以下核心库。这些库构成了现代大模型开发的基石。

# 基础AI与深度学习框架 pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118 # 根据你的CUDA版本调整 # 大模型加载与推理框架 (以Hugging Face生态为核心) pip install transformers datasets accelerate sentencepiece protobuf # 向量数据库与RAG核心组件 pip install langchain langchain-community langchain-core pip install chromadb # 轻量级向量数据库，用于本地RAG演示 pip install pypdf python-docx # 文档加载器依赖 # 可选但强烈推荐：用于本地运行中小型模型的框架 pip install ollama # 用于一键拉取和运行如Llama3, Qwen等开源模型 # 开发工具 pip install jupyter ipython

3.3 模型访问准备

• 云端API：如果你使用 OpenAI GPT、DeepSeek、智谱AI 等云端服务，需要准备相应的API Key。将其设置为环境变量是最佳实践。

  # 在~/.bashrc或~/.zshrc中设置，或直接在终端中 export OPENAI_API_KEY="your-api-key-here" export DEEPSEEK_API_KEY="your-deepseek-key-here"

• 本地模型：如果你想在本地运行开源模型（如Qwen、Llama），需要确保有足够的显存（通常7B模型需要8GB以上显存）。使用ollama可以极大简化流程：

  ollama pull qwen2.5:7b # 拉取Qwen2.5 7B模型 ollama run qwen2.5:7b # 运行模型并与它对话

环境就绪后，我们就可以开始真正的实战了。

4. 模块一：大模型原理与调用实战

理解原理不是为了成为算法专家，而是为了在调用时做出正确决策。这里我们聚焦两个最实用的点：Tokenizer（分词器）和上下文窗口。

4.1 Tokenizer：你的输入如何被模型“读懂”

模型看到的不是文字，而是数字（Token）。分词器负责这个转换。不同的模型有不同的分词器，这直接影响了API的计费（按Token算）和输入长度。

from transformers import AutoTokenizer # 加载GPT-2的分词器（与GPT-3/4系列原理相似） tokenizer = AutoTokenizer.from_pretrained("gpt2") text = "大模型开发实战，从这里开始！" tokens = tokenizer.tokenize(text) token_ids = tokenizer.encode(text) print("原始文本:", text) print("分词结果:", tokens) print("Token IDs:", token_ids) print("Token数量:", len(token_ids))

输出可能类似：

原始文本: 大模型开发实战，从这里开始！ 分词结果: ['大', '模型', '开发', '实战', '，', '从', '这里', '开始', '！'] Token IDs: [2592, 4414, 2114, 5428, 118, 359, 1061, 2114, 106] Token数量: 9

关键洞察：中文通常一个字或一个词是一个Token，而英文可能一个单词被分成多个子词（如“development” -> “develop”, “ment”）。在构造Prompt时，心里要对Token数量有预估，避免超出模型的上下文限制。

4.2 上下文窗口与API调用实战

上下文窗口（如GPT-4的128K）决定了单次对话能容纳多少历史信息+当前问题。以下是使用langchain调用 OpenAI API 的规范示例，它包含了异常处理和消息格式。

import os from langchain_openai import ChatOpenAI from langchain.schema import HumanMessage, SystemMessage # 1. 设置API Key (建议从环境变量读取) os.environ["OPENAI_API_KEY"] = "your-openai-api-key" # 2. 初始化模型客户端 # temperature控制创造性（0-2），streaming=True用于流式输出 llm = ChatOpenAI( model="gpt-4o-mini", # 可根据需要换成 gpt-4-turbo, gpt-4o 等 temperature=0.1, # 低温度，输出更确定，适合任务型对话 max_tokens=500, # 限制模型回答的最大长度 streaming=False, ) # 3. 构造消息列表。SystemMessage设定角色，HumanMessage是用户输入 messages = [ SystemMessage(content="你是一个专业的Python编程助手，回答要简洁准确。"), HumanMessage(content="请用Python写一个函数，计算斐波那契数列的第n项。") ] # 4. 调用并获取响应 try: response = llm.invoke(messages) print("AI回复：") print(response.content) except Exception as e: print(f"API调用失败: {e}")

这个简单的调用封装了最佳实践：角色设定、温度控制、输出长度限制和错误处理。这是所有复杂应用的基础。

5. 模块二：Agent项目开发——让模型学会使用工具

Agent的核心思想是：模型（大脑） + 工具（手脚） + 规划（思维链）。我们用一个实际场景来演示：让AI助手查询天气，并根据天气建议是否洗车。

5.1 定义工具（Tool）

首先，我们需要定义模型可以调用的“工具”。这里我们模拟一个天气查询函数。

from langchain.tools import tool from typing import Optional @tool def get_weather(city: str) -> Optional[str]: """ 根据城市名称查询天气情况。 Args: city: 城市名，例如“北京”、“上海”。 Returns: 返回该城市的天气信息字符串，如果查询失败返回None。 """ # 这里模拟一个天气API的返回 # 真实场景下，这里会调用如和风天气、OpenWeatherMap等API weather_data = { "北京": "晴，温度25°C，空气质量良", "上海": "多云，温度28°C，空气质量优", "深圳": "雷阵雨，温度30°C，空气质量良", } return weather_data.get(city, None) # 测试工具 print(get_weather.invoke({"city": "北京"}))

5.2 构建Agent并执行任务

我们将工具交给模型，并让模型自主决定何时调用、如何解读结果。

from langchain.agents import AgentExecutor, create_react_agent from langchain_openai import ChatOpenAI from langchain import hub # 1. 准备模型和工具 llm = ChatOpenAI(model="gpt-4o-mini", temperature=0) tools = [get_weather] # 2. 从LangChain Hub拉取一个成熟的Agent提示词模板 # ReAct框架是一个经典范式：模型会先“思考”(Reason)，再“行动”(Act) prompt = hub.pull("hwchase17/react") # 3. 创建Agent agent = create_react_agent(llm, tools, prompt) # 4. 创建执行器 agent_executor = AgentExecutor( agent=agent, tools=tools, verbose=True, # 开启详细日志，可以看到模型的“思考过程” handle_parsing_errors=True, # 处理解析错误 max_iterations=3, # 限制最大迭代次数，防止死循环 ) # 5. 执行一个复杂任务 result = agent_executor.invoke({ "input": "我住在北京，今天下午想洗车，请帮我查一下天气并给出建议。" }) print("\n=== 最终结果 ===") print(result["output"])

当verbose=True时，你会在控制台看到类似下面的推理过程，这正是Agent的“思维链”：

> Entering new AgentExecutor chain... 我需要先知道北京的天气，才能判断是否适合洗车。 Action: get_weather Action Input: {"city": "北京"} Observation: 晴，温度25°C，空气质量良 Thought: 天气是晴天，温度适宜，空气质量也不错。这是一个非常适合洗车的天气。 Action: Final Answer ...

这就是Agent的魅力：模型自己规划了步骤（先查天气），调用了工具，并根据结果给出了最终建议。你可以在此基础上，集成更多的工具，如日历API、邮件发送、数据库查询等，构建出功能强大的AI助手。

6. 模块三：RAG实战——构建你的专属知识库助理

RAG系统是当前让大模型落地企业知识库最主流的技术。一个完整的RAG流程包括：文档加载 -> 文本分块 -> 向量化嵌入 -> 向量存储 -> 检索 -> 增强生成。我们用一个本地PDF知识库为例，搭建一个最小可用的RAG系统。

6.1 文档加载与处理

from langchain_community.document_loaders import PyPDFLoader from langchain.text_splitter import RecursiveCharacterTextSplitter # 1. 加载PDF文档 loader = PyPDFLoader("./your_knowledge_doc.pdf") # 替换为你的PDF路径 documents = loader.load() # 2. 文本分块 # 分块是关键！块太大，检索不精准；块太小，上下文信息不全。 text_splitter = RecursiveCharacterTextSplitter( chunk_size=500, # 每个块的最大字符数 chunk_overlap=50, # 块之间的重叠字符，避免信息被割裂 separators=["\n\n", "\n", "。", "，", " ", ""] # 中文优先按句分割 ) chunks = text_splitter.split_documents(documents) print(f"原始文档页数: {len(documents)}") print(f"分割后的文本块数量: {len(chunks)}") print(f"第一块内容预览: {chunks[0].page_content[:200]}...")

6.2 向量化与存储

我们将文本块转换为向量（嵌入），并存入向量数据库。

from langchain_openai import OpenAIEmbeddings from langchain_community.vectorstores import Chroma import os os.environ["OPENAI_API_KEY"] = "your-api-key" # 1. 初始化嵌入模型（用于将文本转为向量） # 注意：也可以使用开源模型如 `text2vec`，但OpenAI的 `text-embedding-3-small` 效果稳定且便宜。 embeddings = OpenAIEmbeddings(model="text-embedding-3-small") # 2. 创建向量数据库并存储 # persist_directory 指定本地存储路径，这样下次可以直接加载，无需重新计算向量 vectorstore = Chroma.from_documents( documents=chunks, embedding=embeddings, persist_directory="./chroma_db" # 向量数据库本地存储路径 ) vectorstore.persist() # 持久化到磁盘 print("向量数据库已创建并持久化。")

6.3 检索与问答链

现在，我们可以从向量库中检索相关文档，并让模型基于这些文档生成答案。

from langchain.chains import RetrievalQA from langchain_openai import ChatOpenAI # 1. 从磁盘加载已创建的向量数据库 vectorstore = Chroma( persist_directory="./chroma_db", embedding_function=embeddings ) # 2. 将向量数据库转换为检索器 retriever = vectorstore.as_retriever( search_type="similarity", # 相似度搜索 search_kwargs={"k": 3} # 返回最相关的3个文本块 ) # 3. 创建问答链 qa_chain = RetrievalQA.from_chain_type( llm=ChatOpenAI(model="gpt-4o-mini", temperature=0), chain_type="stuff", # 将检索到的文档“塞”进Prompt retriever=retriever, return_source_documents=True, # 返回源文档，便于追溯 verbose=True, ) # 4. 提问！ question = "根据文档，项目启动前需要完成哪几项审批？" result = qa_chain.invoke({"query": question}) print("问题：", question) print("\n答案：", result["result"]) print("\n=== 参考来源 ===") for i, doc in enumerate(result["source_documents"]): print(f"\n[来源{i+1}] {doc.page_content[:300]}...")

这个流程实现了RAG的核心价值：答案来源于你的知识库，而非模型的内置知识，极大提升了准确性和可信度。你可以通过优化分块策略、尝试不同的嵌入模型、调整检索器参数（如k值）来持续提升效果。

7. 模块四：模型微调实战——打造专属领域专家

当Prompt工程和RAG都无法满足你对模型行为或风格的要求时，微调就是终极武器。我们以使用Llama-Factory这个高效微调框架对Qwen2.5模型进行LoRA 微调为例，展示全流程。

7.1 为什么是LoRA？

全参数微调需要巨大的显存，而LoRA（Low-Rank Adaptation）通过在原始模型参数旁添加少量可训练的“旁路矩阵”来实现微调，极大降低了资源消耗（通常只需训练原模型参数的0.1%-1%），效果却接近全参数微调，是个人开发者和小团队的福音。

7.2 准备微调数据

微调需要高质量的指令-回答对数据。数据格式通常是JSONL。

// train.jsonl {"instruction": "将以下中文翻译成法语。", "input": "今天天气很好。", "output": "Il fait beau aujourd'hui."} {"instruction": "总结下面这段话的要点。", "input": "大语言模型通过海量文本训练，能够理解和生成自然语言...", "output": "大语言模型基于海量文本训练，具备自然语言理解和生成能力。"} {"instruction": "用Python写一个快速排序函数。", "input": "", "output": "def quicksort(arr):\n if len(arr) <= 1:\n return arr\n pivot = arr[len(arr)//2]\n left = [x for x in arr if x < pivot]\n middle = [x for x in arr if x == pivot]\n right = [x for x in arr if x > pivot]\n return quicksort(left) + middle + quicksort(right)"}

7.3 使用Llama-Factory进行微调

Llama-Factory封装了复杂的训练命令，提供了Web UI和命令行两种方式，我们以命令行方式为例。

1. 安装Llama-Factory:

   git clone https://github.com/hiyouga/LLaMA-Factory.git cd LLaMA-Factory pip install -e .[torch,metrics]

2. 准备配置和数据：将上面的train.jsonl放入data目录。
3. 执行LoRA微调命令：

   # 这是一个示例命令，关键参数解释： # --model_name_or_path: 基础模型路径（可以是Hugging Face模型ID或本地路径） # --dataset: 数据配置，指向你的jsonl文件 # --finetuning_type lora: 指定使用LoRA微调 # --output_dir: 微调后模型保存路径 # --per_device_train_batch_size: 根据你的GPU显存调整（8G显存可设为2或4） CUDA_VISIBLE_DEVICES=0 python src/train_bash.py \ --model_name_or_path Qwen/Qwen2.5-7B-Instruct \ --dataset your_data \ --template qwen2.5 \ --finetuning_type lora \ --lora_target all \ --output_dir ./output/qwen_lora \ --overwrite_cache \ --per_device_train_batch_size 2 \ --gradient_accumulation_steps 4 \ --lr_scheduler_type cosine \ --logging_steps 10 \ --save_steps 1000 \ --learning_rate 5e-5 \ --num_train_epochs 3.0 \ --fp16

4. 合并与使用模型：训练完成后，会得到LoRA权重（adapter_model.bin）。你可以将其与基础模型合并，或直接使用peft库加载进行推理。

   from peft import PeftModel from transformers import AutoModelForCausalLM, AutoTokenizer base_model = AutoModelForCausalLM.from_pretrained("Qwen/Qwen2.5-7B-Instruct") tokenizer = AutoTokenizer.from_pretrained("Qwen/Qwen2.5-7B-Instruct") # 加载LoRA权重 model = PeftModel.from_pretrained(base_model, "./output/qwen_lora") # 推理时，模型会自动应用LoRA权重 inputs = tokenizer("请将'你好，世界'翻译成英语。", return_tensors="pt") outputs = model.generate(**inputs, max_new_tokens=50) print(tokenizer.decode(outputs[0], skip_special_tokens=True))

微调的关键在于数据：几百条高质量、任务明确的数据，往往比几千条杂乱数据效果更好。对于风格迁移、特定格式生成等任务，微调效果立竿见影。

8. 常见问题与实战排坑指南

在大模型开发中，90%的时间可能都在解决环境、配置和诡异的问题。这里汇总了高频坑点。

问题现象	可能原因	排查思路	解决方案
CUDA out of memory	GPU显存不足。	1. 使用nvidia-smi查看显存占用。 2. 检查模型加载方式（.to(‘cuda’)）。 3. 检查批处理大小（batch size）。	1. 减小batch_size。 2. 使用fp16或bf16混合精度训练。 3. 使用梯度累积 (gradient_accumulation_steps)。 4. 换用更小的模型或使用量化（如bitsandbytes）。
LangChain调用API超时或报错	网络问题、API Key错误、版本不兼容。	1. 检查网络连接和代理设置。 2. 验证API Key是否正确且有余额。 3. 查看LangChain和OpenAI SDK版本。	1. 设置正确的网络环境。 2. 在代码中直接打印os.environ[‘OPENAI_API_KEY’]前几位验证。 3. 使用pip list | grep langchain和grep openai检查版本，尝试升级或降级。
RAG检索结果不相关	1. 文本分块策略不合理。 2. 嵌入模型不适合中文或领域。 3. 检索top-k值不合适。	1. 打印检索到的源文档，看内容是否匹配问题。 2. 尝试不同的分块大小和重叠。 3. 测试不同的嵌入模型。	1. 调整chunk_size和chunk_overlap，对于中文，可以尝试按句号分割。 2. 尝试text-embedding-3-large或开源模型如bge-large-zh。 3. 调整search_kwargs={“k”: 4}，增加检索数量。
Agent陷入死循环或调用错误工具	1. 工具描述不清晰。 2. Agent提示词（Prompt）不完善。 3. 模型温度（temperature）过高。	1. 开启verbose=True观察Agent的“思考”过程。 2. 检查工具函数的docstring是否清晰描述了输入输出。	1. 完善工具的文档字符串，明确参数和返回值。 2. 使用更强大的基础模型（如GPT-4）。 3. 降低temperature到0或0.1，增加确定性。 4. 设置max_iterations限制最大步数。
微调损失不下降或输出乱码	1. 学习率设置不当。 2. 数据格式错误或质量差。 3. 模型和模板不匹配。	1. 查看训练日志，观察loss曲线。 2. 检查数据集中instruction、input、output字段是否正确。 3. 验证--template参数是否与模型匹配。	1. 尝试更小的学习率（如1e-5到5e-5）。 2. 清洗数据，确保指令清晰、答案正确。 3. 查阅模型官方文档，使用正确的对话模板（如qwen2.5,llama3）。
本地模型运行速度极慢	1. 模型未加载到GPU。 2. 使用了CPU进行推理。 3. 模型过大，显存不足导致频繁交换。	1. 检查代码中是否有.to(‘cuda’)或device_map=“auto”。 2. 使用ollama时，运行ollama ps查看是否在用GPU。	1. 确保PyTorch安装了CUDA版本 (torch.cuda.is_available()为True)。 2. 使用Ollama或vLLM等优化过的推理框架。 3. 对模型进行量化（如GGUF格式），大幅降低资源消耗。

9. 工程化与最佳实践

当你跑通单个Demo后，要迈向生产环境，必须考虑工程化问题。

1. 版本与依赖管理：

   • 使用requirements.txt或pyproject.toml精确记录所有包及其版本。
   • 为不同的项目创建独立的Conda环境。

   # requirements.txt 示例 torch==2.1.2 transformers==4.37.2 langchain==0.1.0 langchain-openai==0.0.5 chromadb==0.4.22

2. 配置与密钥管理：

   • 绝对不要将API Key硬编码在代码中提交到Git。
   • 使用环境变量或.env文件管理敏感信息。

   # .env 文件 OPENAI_API_KEY=sk-... DATABASE_URL=postgresql://...

   # config.py import os from dotenv import load_dotenv load_dotenv() OPENAI_API_KEY = os.getenv("OPENAI_API_KEY")

3. 日志与监控：

   • 记录关键的API调用、Token消耗、响应时间。
   • 对于Agent和RAG，记录用户的原始问题、检索到的文档、模型的最终回答，便于追溯和优化。

   import logging logging.basicConfig(level=logging.INFO) logger = logging.getLogger(__name__) logger.info(f"API调用完成，消耗Token: {usage}")

4. 成本与性能优化：

   • 缓存：对相似的查询结果进行缓存，减少重复的模型调用和向量检索。
   • 异步调用：对于批量任务，使用异步IO来并发调用API，提升效率。
   • 模型选型：在效果和成本间权衡。简单的任务用gpt-4o-mini，复杂推理再用gpt-4o。积极评估优秀的开源模型。

5. 评估与迭代：

   • 建立评估体系。对于RAG，可以评估“答案相关性”和“引用准确性”；对于Agent，评估“任务完成率”。
   • 建立反馈闭环，收集用户对错误回答的纠正，用于优化Prompt、检索策略或微调数据。

大模型开发不是一蹴而就的魔法，而是一个需要持续迭代和优化的工程过程。从理解原理、调用API，到构建Agent、搭建RAG，再到深度定制微调，每一步都为你打开了新的可能性。最有效的学习方式，就是选定一个你感兴趣的具体场景（比如自动周报生成、智能客服、代码评审助手），用本文介绍的技术栈去实现它，在过程中遇到问题、解决问题，你的能力图谱就会在这个过程中清晰地生长出来。