这两年我带过不少想转行AI的朋友，也带过刚入门的实习生，发现一个很普遍的现象：大家不是不努力，而是信息太杂，工具和框架迭代太快，根本不知道从哪下手。今天打开技术社区，有人讲微调、有人讲RAG、有人讲Agent，明天又冒出个新推理引擎，后天框架又更新了一版API。这种状态下，收藏夹里堆了几百个链接，真正动手时仍然一头雾水。
这篇文章就是来治这个病的。我会基于自己在真实项目里反复用过、踩过坑之后留下来的工具和框架，结合2026年大模型生态的现状，给你梳理一张完整的AI学习生态全景图：底层要懂什么，中间用什么工具，上层怎么选框架，以及一条从零基础到能接项目的学习路线。内容尽量说人话，每个工具我都会告诉你为什么选它、不选它会遇到什么麻烦、以及我第一次用的时候踩了什么坑。
写给你三类人看：刚想入门大模型的在校学生，准备转行AI开发的工程师，以及已经入行但觉得技术路线越走越乱、想系统性补一遍知识体系的人。无论你属于哪一类，读完这篇，你应该能自己规划出一条清晰的学习路径，并且知道每一步该配什么工具和框架。
1. 先看清2026年的大模型生态地图
1.1 为什么现在更需要一张全景图
2026年的大模型生态，和两年前已经完全不是一回事。那时候大家还在比谁家的基础模型参数多、谁家的榜单分数高，现在基础模型的能力已经普遍够用，竞争的重心转移到了工具链、应用框架和落地效率上。
这个变化对学习者的影响非常大。如果你还抱着“我要从零训练一个大模型”的想法，方向就错了。2026年真正缺的不是造模型的人，而是能把模型用好、把应用做出来的人。你需要的是在已有模型之上，快速完成数据清洗、微调、部署、应用集成这一整套动作。
另一个变化是开源模型的能力已经追上来了。现在很多开源模型的日常使用体验，和商业闭源API的差距已经很小，而且可以本地部署、数据不外传、按需定制。这意味着学习路径不再依赖某个特定厂商的API，而是可以完全基于开源工具链，从零到一搭出一套自己的系统。
所以你说“学习大模型”，其实学的不是某一个模型怎么用，而是整个生态怎么运转。先看清地图，再决定往哪走，比埋头刷教程重要一百倍。
1.2 大模型生态的四层结构
我把整个大模型生态分成四层，这个分法帮助我快速定位一个工具“属于哪个位置、解决什么问题”。也建议你脑子里先装下这四层，后面看到任何新工具，先归类再学习，思路会清晰很多。
第一层是基础设施层，包括GPU算力、高速存储、分布式训练集群。这一层对大多数学习者来说不需要自己搭，直接用云服务就行。但你要对显存、吞吐量、训练时长有基本概念，否则后面微调和部署的时候，模型跑不起来你都不知道是卡在哪个环节。
第二层是模型层，包括闭源API、开源权重、多模态模型。闭源代表有各类商业大模型，优点是能力最强、开箱即用，适合做产品原型和验证想法；开源代表有各种可下载权重的模型，优点是可控、可定制、可私有化部署，适合做深度定制和学习原理。
第三层是工具链层，包括数据标注、微调框架、推理引擎、评测系统、监控告警。这一层是2026年生态最热闹的地方，也是我写这篇文章的重点之一。很多学习者忽略了这层的重要性，结果就是模型选好了，但数据不知道怎么处理，微调不知道用什么框架，部署之后没人知道它在生产环境里跑得好不好。
第四层是应用层，包括RAG、Agent、行业解决方案。这是离用户最近的一层，也是目前落地价值最高的一层。绝大多数真实的商业项目，做的不是训练模型，而是把已有的模型能力封装成具体的产品功能。
你不需要每一层都精通，但你要知道每一层的核心工具是什么、大概怎么用，并且至少在其中一两个方向上有足够的深度。这就是全景图给你的核心竞争力。
2. 2026年必备工具清单：从体验入门到生产部署
2.1 模型体验与API工具：先学会“调”模型
学习大模型的第一件事，不是写代码，而是学会使用模型。这里的“用”包括两种方式：一是直接用聊天界面体验能力边界，二是通过API把模型能力集成到自己的代码里。
聊天界面方面，国内外的商业产品都值得体验一遍，包括各类中英文大模型应用。体验的目的是建立“感觉”：知道什么样的任务模型能做好、什么样的会一本正经地胡说八道、上下文长了之后会有哪些退化。这种感觉会在你设计Prompt和数据格式的时候派上用场。
API方面，我强烈建议你尽早接触。商业模型API通常质量高、接入简单，适合快速验证想法；开源模型API则可以通过本地服务提供，适合学习和深度定制。还有一些开放聚合平台，比如OpenRouter、Together AI这类，用一个密钥就能访问多个模型，方便做模型对比。实测下来，做对比实验时这种聚合网关特别省事，不用一个个申请密钥。
我的建议是：第一周就把主流模型的API都调一遍，每个模型用几个相同的测试用例去问，对比它们的回答风格和准确率。这个过程能帮你快速建立对模型差异的直观认知，你会在之后选型时受益。
2.2 开发环境与效率工具：把时间花在刀刃上
大模型开发首先是软件开发，所以你的基础开发环境必须顺手。我自己的主力组合是：VS Code加AI插件辅助写代码，配合一个好用的终端工具，用Git做版本管理，用Python虚拟环境管理项目依赖。
VS Code现在几乎是AI开发的事实标准，生态里所有大模型相关工具都有插件支持，Debug功能也够用。终端工具我推荐Tabby，跨平台、颜值高、支持标签页管理，用起来比系统自带的舒服很多，特别适合经常要开多个SSH会话连服务器的人。
Git是很多人忽略但其实必须提前学的东西。做微调实验时你会频繁修改代码、试验参数，没有Git管理，版本回滚会让你想撞墙。建议至少掌握clone、add、commit、push、pull、branch这几个日常命令，加上使用GitHub或GitLab托管代码。
还有个容易忽略的环节是Jupyter Notebook。很多初学者以为它是“数据分析师才用的工具”，实际上做模型效果分析、数据质量探查、Prompt实验时，Notebook的交互式体验远胜于写一个完整的Python脚本。我的习惯是：探索阶段用Notebook，定稿后整理成Python脚本，两不耽误。
2.3 数据、微调与部署工具：走向生产的必经之路
如果说模型层是大脑，那数据工具就是消化系统。没有数据，后面全是空谈。
数据标注我用Label Studio，它支持文本、图像、音频多模态标注，社区版免费，可以自托管。数据清洗和格式转换主要靠Python生态，pandas处理结构化数据，pyarrow处理大规模数据，再加一些自己写的清洗脚本。网上有不少开源的数据处理工具和模板，但说实话，大部分清洗逻辑还是得针对自己的数据场景定制，工具只是辅助。
微调工具现在选择很多，但我的建议很明确：个人学习和小规模实验用LLaMA-Factory，追求极致速度用Unsloth，需要深度定制训练流程就直接用Hugging Face Transformers加Accelerate配合DeepSpeed。这几款工具我后面会展开讲。
部署端，Ollama是本地CPU/GPU部署大模型最简单的方式，几乎零配置，适合学习验证和轻量应用；生产环境则用vLLM，吞吐量高、内存管理好，配合Docker和Kubernetes可以做到弹性伸缩。监控方面，Prometheus加Grafana是目前的主流方案，用来盯显存、吞吐量、响应延迟和错误率。
这些工具不用一次全学会，但你要知道有这些东西存在。当你在项目里遇到“需要给模型加对话记录”、“需要批量处理几万条文本”、“需要在服务器上稳定提供服务”时，能想起对应的工具名，就已经赢过一半的人了。
3. 主流框架怎么选：别被框架绑架
3.1 深度学习底座：PyTorch一家独大
聊大模型框架之前，必须先把深度学习底座说清楚。2026年这个时间点，PyTorch已经是不折不扣的主流，不要犹豫，直接选它。
我读书的时候TensorFlow还占了半壁江山，但这些年生态变化天翻地覆，PyTorch凭借动态图机制和学术圈的广泛使用，已经把大部分应用场景都纳入了自己的生态。Hugging Face的Transformers库底层支持首选PyTorch，DeepSpeed的训练优化也在PyTorch上适配最好，连很多新出的推理引擎Python接口也默认先支持PyTorch模型。
学习PyTorch不需要把每个API都背下来，我建议优先掌握这几块：张量操作、自动梯度、Module自定义、DataLoader数据管道、模型保存与加载。遇到不会的直接查文档，但前五个概念必须熟练到肌肉记忆的程度。另外，PyTorch 2.x引入了torch.compile，可以在很多模型上白捡提速，学习时可以顺带了解一下，但入门阶段不用深究。
3.2 训练与微调框架：各司其职的搭配
很多人一上来就问“微调用什么框架”，这个问题本身就说明对生态还不够了解。真实情况是：训练、微调、数据、部署各有各的优选工具，组合使用才是一个完整方案。
Hugging Face生态是学习阶段最优先接触的，包括Transformers、Datasets、Accelerate、TRL这几个库。Transformers是模型加载和使用的标准接口，基本上所有开源模型都可以用它加载；TRL则在Transformers之上封装了SFT、DPO、PPO等训练流程，适合做对齐微调。这类工具胜在通用性极强，社区案例多，出问题容易搜到答案。
当你需要更大的训练规模或更极致的内存优化时，就要引入DeepSpeed或者Megatron-LM。DeepSpeed的ZeRO系列技术可以显著降低显存占用，是大模型训练的标配优化器；Megatron-LM则在超大规模并行上有优势。但我想强调的是，个人学习阶段很少需要用到这两者的高级功能，先把小模型在小规模数据上玩明白，再逐步扩大规模。
LLaMA-Factory和Unsloth是2025年以来特别火的两款微调工具。LLaMA-Factory的特点是全家桶：数据预处理、LoRA/QLoRA/全参微调、DPO、模型评测、导出部署全部内置，中文文档完善，对新手极其友好。Unsloth则主打极致的速度优化，特别是在消费级显卡上，微调速度几乎能提升两到三倍，显存占用也更低。我的做法是：教学和实验用LLaMA-Factory，速度敏感型任务用Unsloth。
3.3 推理与Agent框架：按场景选，不是越重越好
模型训练完之后还要跑起来。推理框架这几年发展很快，我最常用的几个：vLLM、SGLang、Ollama、FastChat。
vLLM是当前生产环境推理的事实标准，核心优势是PagedAttention和Continuous Batching，可以大幅提升GPU利用率和吞吐量，适合并发请求比较多的服务。SGLang在复杂推理和结构化输出方面做了很多优化，如果你的应用涉及大量Function Call或者多步推理，可以试试。Ollama主打简单，一条命令本地部署，省心，适合开发调试和轻量私有场景。
Agent框架是另一个热点。LangChain是知名度最高的通用Agent框架，组件丰富，能快速把LLM和外部工具串联起来；LlamaIndex在RAG和数据索引方面做得更专注；Dify和FastGPT这类产品则把Agent流程做成了可视化配置，业务人员也能上手。我的个人看法是，不要被表面热度迷惑——框架可以帮你省时间，但无法替代你对“到底要让模型干什么”的思考。任何框架都只是发动机，方向还是得你自己定。
4. 大模型学习路线：从零基础到能接项目
4.1 阶段一：打基础（Python、Linux、数学与机器学习）
基础阶段的目标不是“学完”，而是“够用”。我给这个阶段定了一到两个月的时间。
Python方面，掌握基础语法、函数、类、文件读写、异常处理，再加上NumPy和pandas的基本操作。不需要成为Python专家，但至少别人给的脚本你能看懂、能改、能跑。
Linux方面，掌握文件操作、权限管理、进程查看、vim基本操作、SSH远程连接。大模型开发几乎离不开服务器，而服务器上90%是Linux系统。不要用图形界面依赖症来逃避这一点，熟能生巧，用一周就习惯了。
数学方面，不用去啃完整版线性代数和概率论教材。你只需要掌握：矩阵乘法、导数、梯度下降、链式法则、条件概率、最大似然估计这几个概念，并且能理解它们在神经网络训练中各自对应什么。我见过不少数学基础很好但代码能力不行的同学，也见过代码很强但数学完全没概念的同学，后者往往在调参和读论文时像看天书。
机器学习基础方面，建议过一遍经典的机器学习概念：监督学习、无监督学习、过拟合与正则化、交叉验证、评估指标。不需要手推所有公式，但要知道这些概念的直觉含义。
4.2 阶段二：吃透深度学习与PyTorch
第二阶段的核心目标是建立神经网络直觉。时间计划两到三个月。
先用一到两周把PyTorch的基础语法过一遍，然后用经典数据集跑一小项目，把全连接网络、卷积网络、循环网络的基本架构都亲手实现一遍。我遇到过不少同学觉得自己“懂了反向传播”，但让他写一个简单训练循环就卡住。说到底还是动手不够，写一次训练循环比读十篇博客都管用。
接着学训练技巧：学习率怎么调、Batch Normalization是干什么的、Dropout为什么能防过拟合、优化器之间的差别、早停和模型检查点怎么设置。这些内容没有太多捷径，就是多做实验、多观察曲线。我当年训练第一个模型时，loss曲线震荡得像心电图，后来才发现是学习率设大了，调到合适的区间后一切正常。这种经验只能从实际操作中积累。
最后，读一遍经典模型的源代码。别从最前沿的模型开始，可以先看一个简单的CNN实现，再看一个Transformer实现，慢慢就能把“模型结构”在脑子里具象化。
4.3 阶段三：直击Transformer与大模型原理
第三阶段是你区别于“只会调参的人”的分水岭。这个阶段要真正理解大模型内部的工作原理，我建议一到两个月。
具体来说，你需要搞懂：自注意力机制为什么能建模长期依赖、Multi-Head Attention在做什么、位置编码怎么工作（尤其是旋转位置编码RoPE）、层归一化和残差连接为什么对大模型训练极其重要、KV Cache是怎么省算力的、为什么GPT这类模型在生成时只能从左到右逐字预测、MoE架构是如何在增大参数量的同时控制计算量的。
这一阶段的重要实践是用Hugging Face Transformers加载几个不同规模的模型，跑前向推理，观察输出分布、温度参数、Top-p采样对生成结果的影响。你可以试着用很小的模型（比如一两亿参数的）做一个简单的文本生成任务，然后逐步增大模型规模，直观感受“参数越大，能力越强”这个趋势背后的逻辑。
读论文的话，我建议不要从最早的“Attention Is All You Need”开始啃，因为那篇论文对新手来说其实偏难。更好的顺序是：先看三五篇通俗的技术博客建立直觉，再回头读原始论文验证理解，最后看模型卡文档了解具体实现细节。
4.4 阶段四：数据、微调与评估实战
第四阶段是真正进入大模型专项技能的阶段，目标是完整走通一次微调到评估的流程，我建议安排两到三个月。
先从SFT（监督微调）开始，这是最基础也最容易上手的微调方式。你需要准备一批高质量的任务数据，格式通常是指令加回答的配对，把这些数据喂给基座模型，让模型学会在指令场景下做出正确的响应。数据质量决定模型质量上限，这句话希望你从第一天就刻在脑子里。
然后是LoRA和QLoRA。LoRA通过在模型旁路插入低秩矩阵来微调，只需要训练很少的参数，显存占用大大降低；QLoRA更进一步，把基座模型量化到4比特，让一张消费级显卡也能微调十几B的模型。这两项技术是个人学习者的福音，务必熟练掌握。
再往后可以了解DPO直接偏好优化，它不需要训练奖励模型，直接用偏好数据进行对齐优化，已经成为了很多开源模型微调的主流方法。
评估是很多新手忽略但实际生产里极其重要的一环。至少要学会用BLEU、ROUGE等文本生成指标，再加上基于规则的评估、用更强的模型做裁判等评测方法，并且能判断模型的回答是否出现了幻觉、拒绝回答、风格漂移等问题。
4.5 阶段五：部署、Agent与端到端项目
最后一个阶段是“从能跑通到能交付”。目标是把前面所有技能串起来，独立完成一个端到端项目，时间安排一个半到两个月。
我认为最低限度的端到端项目是：从开源社区选一个基座模型，准备一批定制数据，做一次微调，然后部署成能对外提供服务的API，再做一个简单的前端或者命令行工具，让用户能真正使用你的成果。如果做的是文档问答类场景，可以加RAG，用向量数据库做知识库检索，交给大模型做答案生成。如果做的是工具调用类场景，可以加Function Call能力，让模型能与外部API交互。
部署时必须掌握Docker基础操作和至少一种推理引擎的部署配置，能处理模型并发请求时的显存管理。这个阶段同时也是学习Agent的好时机——你可以用LangChain或Dify尝试构建一个带工具调用的Agent，体验“模型加工具”的完整闭环。
完成这个项目后，你就不再是一个“学过AI的人”，而是一个“能干活的人”。简历上写项目经验、面试时讲技术方案、工作中直接上手，你都有了底气。关键是，过程中踩过的坑，才是你真正的竞争力。
5. 实操记录：从数据到微调再到部署的一次完整流程
5.1 场景设定与方案选型
理论知识说了一堆，现在用一次真实的微调流程把前面的工具串起来。我做过的场景是：给一个客服团队做一个特定行业的对话助手，需要模型懂该行业的术语和业务逻辑，对常见问题能给出稳定规范的答复。
方案选型是这样定的：基座模型用一款性能不错、适合中文场景的开源模型，这样部署成本可控，又能通过微调注入业务知识；微调方式选择QLoRA，因为训练机只有一张消费级显卡，显存有限；微调工具用LLaMA-Factory，它自带数据格式检查和处理流程，能省下不少重复劳动；部署用vLLM，因为客服场景并发请求比较多，需要高吞吐。
这套方案的核心逻辑是：用QLoRA把显存开销压在可接受范围内，用LLaMA-Factory降低流程复杂度，用vLLM保证生产环境的服务稳定性。三个工具各管一段，各司其职。
5.2 数据准备：质量比数量重要
数据阶段踩的坑最多。第一次做这个项目时，我收集了几万条客服对话记录，然后直接用原始对话做微调，结果模型把客服的口头禅和非规范表达也学会了，回答经常带出“那个”“就是说”这样的冗余词。
后来重新梳理了数据处理流程，重点是三步：清洗、筛选、格式化。清洗是把敏感信息、无效噪声、重复内容全部清掉；筛选是保留那些“答案明确、逻辑完整、表达规范”的样本；格式化是把数据转换成模型训练的标准格式。LLaMA-Factory常用的格式之一Alpaca格式，是JSON格式的列表，每条包含指令、输入、输出三个字段，ROUGE评测分数直接提升了不少。
数据量方面，一万条高质量样本，效果远超十万条低质量数据。很多教程把注意力放在微调参数上，但按我的经验，数据清洗花的时间至少是训练时间的五倍。你要有心理准备，这不是浪费时间，而是最值得投入的环节。
5.3 微调执行：LLaMA-Factory实战
环境准备就绪后，我用下面的命令启动训练，模型名和参数以实际下载配置为准，你可能需要按自己的GPU显存调整批次大小：
llamafactory-cli train \ --model_name_or_path Qwen/Qwen2.5-7B-Instruct \ --stage sft \ --dataset alpaca_zh \ --finetuning_type lora \ --lora_rank 8 \ --lora_alpha 16 \ --lora_dropout 0.05 \ --learning_rate 2e-4 \ --num_train_epochs 3.0 \ --per_device_train_batch_size 4 \ --gradient_accumulation_steps 8 \ --output_dir ./output/industry-sft-lora \ --logging_steps 10 \ --save_steps 500 \ --save_total_limit 3简单解释一下关键参数：LoRA秩设为8，是经验上较为平衡的小值；LoRA缩放系数设为16，通常设置为秩的两倍，避免更新幅度过小或过大；学习率2e-4是LoRA微调常见的起始值，如果你发现loss震荡或发散，可以降到1e-4甚至5e-5；训练轮数3轮适用于中小规模数据集，数据量特别大的时候可以适当减少。
显存优化方面，训练开启梯度累积之后，实际批次大小是4乘以8等于32条样本，兼顾了训练稳定性和显存限制。如果显存仍不足，可以进一步调小批次、把模型量化等级调低，或者开启序列长度裁剪。
训练过程中我会盯着loss曲线，如果稳步下降最后收敛，说明数据和参数基本正常；如果loss反复横跳，优先怀疑学习率过大或数据格式有问题。
5.4 评估、导出与部署
训练结束后不能直接上生产，先做一轮人工评估。我通常会准备几十个测试问题，覆盖正常提问、模糊提问、边界提问几类，逐个对比微调前后的回答差异。重点考察是否还有幻觉、是否学会了行业术语、拒绝回答时是否自然。
确认效果后，合并LoRA权重导出完整模型，然后交给vLLM部署。相关命令示意如下，同样以实际版本为准调整参数：
llamafactory-cli export \ --model_name_or_path Qwen/Qwen2.5-7B-Instruct \ --adapter_name_or_path ./output/industry-sft-lora \ --template qwen \ --finetuning_type lora \ --export_dir ./merged-modelvllm serve ./merged-model \ --served-model-name industry-assistant \ --port 8000 \ --max-model-len 8192 \ --gpu-memory-utilization 0.9部署完成后，写一个简单的FastAPI服务封装一下请求，再套一层鉴权和限流，加上日志与错误处理，基本就可以连前端了。整体流程走通后你会发现，真正的工程量并不在训练本身，而是数据、调整、评估和工程化这套环环相扣的工序。
6. 常见问题与避坑经验速查
6.1 高频问题排查表
我把新手在实际操作中遇到最多的问题整理成了一张速查表，按症状、原因、解法三列排列，方便你遇到问题时快速对照。
| 症状 | 最常见原因 | 处理思路 |
|---|---|---|
| 显存不足，训练直接OOM | 批次太大或模型太大 | 调小per_device_train_batch_size，开启梯度累积，使用QLoRA量化，降低序列长度 |
| Loss不下降或震荡 | 学习率过高 | 降低学习率，检查数据清洗是否干净，确认损失函数是否配置正确 |
| 训练正常但回答内容空洞 | 数据质量不足或数量太少 | 增加高质量样本，清洗低质量回复，检查任务是否在数据中有足够的样本覆盖 |
| 模型生成重复内容 | 采样参数不合理或数据多样性不足 | 调高重复惩罚，增大数据集多样性，检查训练轮数是否过多 |
| 部署后响应越来越慢 | 未开启并发批处理 | 换用vLLM等支持Continuous Batching的推理引擎，增加监控指标 |
| 微调后通用能力大幅退化 | 数据集偏向性太强 | 在训练数据中加入通用指令数据，控制业务数据与通用数据的比例 |
| 模型API调用报错乱码 | 编码格式不一致 | 统一使用UTF-8编码，检查POST请求的JSON格式和字符转义 |
这张表只能覆盖常见情况，真实环境里的问题会棘手得多。我的原则是：遇到问题先隔离变量，一次只改一个参数，用实验记录本记下每次改动的结果。盲目乱试是排查效率最低的方式，没有之一。
6.2 新手最容易踩的四个坑
第一个坑是收藏夹学习法。看到好的教程先收藏，想着“以后再看”，结果收藏了三百篇，一篇都没看。破解方法很简单：每收藏一篇，当天就花三十分钟浏览一遍，把可行步骤记录下来；不可行的直接删掉。收藏夹不是学习工具，笔记才是。
第二个坑是一上来就追求大模型和大集群。有些人看到别人训练几十B参数的大模型，就觉得自己也要用多卡甚至集群。其实对学习来说，先在小模型、小数据上跑通整个流程，远比在超大模型上卡住一周要高效。能用4G显存的方案，就不要追求多卡并行。规模问题留给工作和生产环境再解决。
第三个坑是追着热词跑。今天听说LangChain火就去学LangChain，明天听说AutoGPT火又去学AutoGPT，学了一圈发现自己既不会训练也不会部署。请记住：热词会变，底层能力不会变。扎实掌握了模型原理、数据处理、训练流程，任何新框架出来你都能快速上手；反之，只学框架的皮毛，换一个框架你又要从头再来。
第四个坑是忽略英文阅读能力。大模型领域最新的论文、文档、技术讨论大部分都是英文，你等中文翻译往往会慢半年。这不是要你把英语学到专八水平，而是至少能流畅阅读技术文档、用搜索引擎查英文报错信息。遇到不懂的术语，我建议直接查英文原版文档，配合翻译工具辅助理解，半年下来你的技术英文阅读能力会有明显进步。
最后再分享一个我自己调整学习状态的小技巧：所谓“生态全景图”，不是一次性画完就能永久使用的东西，它是需要持续更新的活地图。我每隔一两个月就会重新浏览一遍主流开源模型、微调工具、部署框架的变化情况，把新增的、废弃的、自己还没用过的工具在大脑里的地图上重新标注一遍。这样做的成本很低，但能让你始终知道自己身处生态的哪个位置，以及下一步该往哪里走。
