大模型开发工程师技术栈（此篇文章持续更新）
导言：现在大模型如日中天，引起广大技术圈的强烈关注，现在投身于大模型开发，就是第一批的大模型开发工程师，必然能享受到行业内的先行者优势和红利。
我就是个俗人，工资待遇这么高，肯定要转行啊！我整理并撰写这系列文章，一方面是希望给大家提供一个清晰的学习路径供大家参考。另一方面，这也是我对自身成长经历的复盘和总结。希望结合大家的智慧和力量，共同把握这一行业的红利时机。
所有推荐的文章都是出自我个人专栏，如果您有阅读到其他相关且有深度的文章，欢迎在评论区告诉我。我会第一时间阅读，如内容确实优质，我会与原创者联系，并在此附上链接，与大家共同分享知识。
好，进入正题，先来一张整体的进阶路线图（持续更新）
一、概念篇
该系列内容主要目标是了解大模型核心概念和基本原理
1. 大模型、GPT ChatGPT等AI概念
文章推荐：OpenAI开发系列（一）：一文搞懂大模型、GPT ChatGPT等AI概念
理由：深入理解大型语言模型和GPT等核心概念，第一篇看这个不用多说吧，连相关的概念都不清楚还开发什么
思维导图：
核心知识点：大模型开发工程师面试题（一）：你需要知道这些AI概念
2. Transformer原理（正在写，待发布）
3. OpenAI的大模型生态
文章推荐：OpenAI开发系列（三）：OpenAI的大模型生态介绍
理由：OpenAI大模型产品具有多样性的特点，这说明OpenAI不仅仅关注单一的模型，而是针对不同的需求和应用场景提供了一系列模型。所以作为开发者面对不同的需求，要选择合适的模型来进行研发
思维导图：
核心知识点：[大模型开发工程师面试题（三）：理解OpenAI的大模型生态]
二、OpenAI在线大模型篇
该系列内容主要目标学会如何使用OpenAI在线大模型完成AI应用的开发和微调
1. 掌握OpenAI API调用方法
文章推荐：OpenAI开发系列（四）：掌握OpenAI API调用方法
理由：获取API密钥的流程，这是使用OpenAI模型的基础步骤之一，在开始研发之前，需要知道如何使用API密钥调用OpenAI的大模型，并且需要知道如何配置和优化各个模型的参数对生成的内容存在什么影响
思维导图：
核心知识点：大模型开发工程师面试题（四）：掌握OpenAI API调用方法
2. Jupyter本地环境下的OpenAI API调用
文章推荐：OpenAI开发系列（五）：实现Jupyter本地环境下的OpenAI API调用
理由：基本大部分开发工作都是通过本地Jupyter进行研发测试，所以提供在Jupyter本地环境中调用OpenAI API的详细方法是进行AI应用开发的第一步。
思维导图：
3. Completions模型的工作原理及应用实例（开发多轮对话机器人）
文章推荐：OpenAI开发系列（六）：Completions模型的工作原理及应用实例（开发多轮对话机器人
理由：对OpenAI提供的Completions模型的要有深入了解，包括基本概念和参数详解。，这篇文章提供了一个关于OpenAI Completions模型的全面视角，涵盖了其工作原理、调用方法和应用示例。这为开发工作提供一个坚实的基础，更有效地使用这一强大的模型。本文还通过多轮对话机器人提供一种AI应用开发的思路流程，如下：
思维导图：
核心知识点：大模型开发工程师面试题（五）：掌握Completions模型的工作原理及应用实例
4.LLM提示工程（Prompt）与思维链（CoT）
文章推荐：OpenAI 开发系列（七）：LLM提示工程（Prompt）与思维链（CoT）
理由：涌现能力是大模型中出现的不可预测的能力，这些能力在小模型中并不显现，但在大模型中却表现得相当出色。文章引用了相关研究，进一步阐述了涌现能力的定义。理解如何通过提示工程来最大化利用这些能力是AI应用开发必须要掌握的，并给出了一个工业级别的提示工程流程，如下：
思维导图：
核心知识点：大模型开发工程师面试题（七）：LLM提示工程（Prompt）与思维链（CoT）
5.基于思维链(CoT)的进阶提示工程
文章推荐：OpenAI开发系列（八）：基于思维链(CoT)的进阶提示工程
理由：通过复现论文中的经典推理问题，展示思维链提示方法和LtM提示的思想和实际应用。提示工程是一种关键技术，用于最大化利用大语言模型的涌现能力。而思维链(CoT)作为一种进阶的提示方法，可以帮助模型更好地解决复杂的任务。如果借助大模型做AI应用开发，掌握优秀的提示方法是基础，需要熟悉各类提示方法在不同场景下的预估效果，才能更好的开展程序开发。
重点关注：LtM提示流程如下：
思维导图：
核心知识点：大模型开发工程师面试题（八）：基于思维链(CoT)的进阶提示工程
6.LtM提示工程如何用于数据建模
文章推荐：OpenAI开发系列（九）：LtM提示工程如何用于数据建模
理由：这篇文章我是强烈建议仔细看的！通过深度复现《LEAST-TO-MOST PROMPTING ENABLES COMPLEX REASONING IN LARGE LANGUAGE MODELS》这篇论文，结合text-davinci-003模型，实现了高达99.7%的预测准确率，提供了实际的建模流程和改进策略，这对于大模型如何建模是一种非常好的思路和启发。
重点关注：Few-Shot-LtM提示流程如下：
思维导图：
核心知识点：大模型开发工程师面试题（九）：LtM提示工程如何用于数据建模
7.Chat Completion Models API详解与构建本地知识库问答系统实践
文章推荐：OpenAI开发系列（十）：Chat Completion Models API详解与构建本地知识库问答系统实践
理由：Chat Completion Models API是OpenAI提供的一种强大的API接口，据OpenAI官方的数据，97%的应用开发都是基于Chat模型的。所以本文提供了对OpenAI的Chat Completion Models API的全面介绍，详细解释了API的各种参数，并结合实际案例，提供了一种使用这个API实现本地知识库问答的开发思路。了解这个API的工作原理和如何使用它是开发这些应用的关键。
重点关注：Chat模型的由来
思维导图：
核心知识点：大模型开发工程师面试题（十）：Chat Completion Models API详解与构建本地知识库问答系统实践
8.Function calling功能的实际应用流程与案例解析
文章推荐：OpenAI开发系列（十一）：Function calling功能的实际应用流程与案例解析
理由：提供了对OpenAI的Chat Completions模型中Function calling功能的全面介绍。Function calling功能使大模型能够接入互联网，接入外部接口等，从而克服了其固有知识库的局限性。文章详细解释了这一功能的工作原理，并结合实际案例，展示了Function calling的函数调用流程，对大模型应用落地提供了重要的思路和参考价值
重点关注1：在引入 Function Calling 功能后，AI 开发流程有哪些显著变化
重点关注2：大模型在加载了 Function Calling 功能后，完整的调用流程
思维导图：
核心知识点：大模型开发工程师面试题（十一）：Function calling功能的实际应用流程与案例解析
9.Function calling功能的流程优化与多轮对话实现
文章推荐：OpenAI开发系列（十二）：Function calling功能的流程优化与多轮对话实现
理由：对Chat Completion模型的Function calling功能进行更高层次的函数封装，以实现一个能够调用外部函数的多轮对话助理。这一方法不仅延续了Function calling功能的基础用法，还在此基础上进行了进一步的优化和应用。通过这种高级的函数封装，开发者可以构建更为复杂和高级的多轮对话系统.
思维导图：
三、基于大模型开发实战篇
该系列内容主要展示了利用大模型开发AI应用的实战案例。
1. 开发一个基于大模型的实时天气查询助手
文章推荐：OpenAI开发系列（十三）：利用Function calling功能开发基于大模型的实时天气查询助手
理由：提供了一种使用Function calling功能调用外部API以实现实时天气查询的详细方法。这一方法不仅展示了如何利用大模型的Function calling功能来实现更复杂的任务，还提供了具体的代码示例和开发流程。Function calling是一种非常强大的功能，能让大模型与外部数据源和APIs相结合。在这篇文章中，通过一个实时天气查询的实例，具体展示了这一功能的应用。
总的来说，这篇文章为那些希望利用Function calling功能进行外部API调用的开发者提供了一个详细的教程和实例，有助于他们更好地了解如何使用这一功能来扩展大模型的应用范围
思维导图：
2. 通过Google API赋能大模型，打造智能邮件助理
文章推荐：OpenAI开发系列（十四）：通过Google API赋能大模型，打造智能邮件助理
理由：本文提供了一个结合OpenAI的Chat模型和Google API来开发智能邮件应用程序的详细教程。这一方法不仅展示了如何将两种强大的工具相结合，还提供了具体的代码示例和开发流程。Google API在应用开发中提供了许多强大的功能，结合OpenAI的Chat模型，开发者可以创建出更为强大和智能的应用。
总的来说，这篇文章为那些希望开发基于Google API的AI应用程序的开发者提供了一个详细的教程和实例，有助于他们更好地了解如何使用这些工具来开发强大和智能的应用。
思维导图：
