这两年大模型领域最热闹的事情，莫过于价格战了。

从2023年开始，各大厂商不断下调大模型API的价格，到了2025年，调用大模型的成本已经降到了几年前的几十分之一。以前调用一次GPT-4可能要几块钱，现在很多国产大模型，调用一次只要几分钱甚至几厘钱。

价格战带来的直接影响是，大模型的使用门槛大大降低了。以前只有大公司才用得起的技术，现在个人开发者和小团队也能随便用了。这对学习者来说是个好消息，因为你可以用很低的成本，去尝试各种大模型应用。

我是从2024年开始系统学习大模型技术的。在这之前，我只是一个普通的后端开发者，对AI的了解停留在"听说过"的层面。经过一年多的学习和实践，我现在已经能独立开发大模型应用了。

这篇文章我想分享一下我的学习路线，以及在价格战背景下，如何低成本、高效率地入门大模型技术。如果你也想学习大模型，但不知道从哪里开始，希望这篇文章能给你一些参考。

为什么要在价格战时期学习大模型

先说说为什么我觉得现在是学习大模型的好时机。

第一个原因是成本低。

大模型价格战之前，学习大模型的成本很高。你要么自己买显卡训练模型，动辄几万几十万；要么调用昂贵的API，做个实验可能就要花几百块。很多人因为成本太高，望而却步。

现在不一样了。很多国产大模型的API价格非常便宜，做实验、做项目，一个月可能也就花几十块钱。甚至有些厂商提供免费额度，个人学习完全够用。低成本意味着你可以大胆尝试，不用担心花太多钱。

第二个原因是资料多。

大模型火了之后，各种学习资料层出不穷。官方文档、技术博客、视频教程、开源项目、书籍，应有尽有。而且很多资料都是免费的，只要你愿意学，不愁找不到资料。

第三个原因是需求大。

现在几乎所有行业都在探索大模型的应用，市场对大模型人才的需求很大。学会大模型技术，不管是找工作还是做副业，都有很多机会。

所以，现在这个时期，成本低、资料多、需求大，是学习大模型的黄金时期。

第一阶段：打好基础

我的学习路线分为几个阶段，第一个阶段是打好基础。

刚开始学习大模型的时候，我犯了一个错误：一上来就想做复杂的应用，结果发现很多基础概念都不懂，越学越迷茫。后来我调整了策略，先花时间打基础。

基础阶段主要学三个方面的内容。

第一个方面是大模型的基本概念。

你需要了解什么是大模型，它的基本原理是什么，Transformer架构是怎么回事，注意力机制是什么，预训练和微调有什么区别，提示词工程是什么，RAG是什么，Agent是什么。这些概念是大模型的基础，不懂这些，后面的学习会很困难。

学习这些概念，我推荐先看一些科普性的文章和视频，建立一个整体的认知。然后再看一些技术文档和论文，深入理解细节。不需要一开始就把所有东西都搞懂，先有个大概的印象，后面在实践中慢慢理解。

第二个方面是Python编程基础。

大模型的开发主要用Python，所以你需要有一定的Python基础。如果你之前没学过Python，建议先花一两周时间学一下Python的基本语法，以及常用的库，比如requests、numpy、pandas等。

不需要成为Python专家，能看懂代码、能写简单的脚本就行。后面在项目中遇到不懂的，再边查边学。

第三个方面是API调用基础。

大模型的应用，很多都是通过API调用实现的。所以你需要学会如何调用大模型API。找一个便宜的国产大模型，注册账号，获取API Key，然后写一个最简单的脚本，调用API，让大模型回答一个问题。

这一步看起来简单，但很重要。它能让你快速建立对大模型的直观感受，知道大模型能做什么，不能做什么。

基础阶段我花了大概一个月的时间。这个阶段不要急着做项目，先把基础打牢，后面的学习会顺利很多。

第二阶段：提示词工程

打好基础之后，第二个阶段是学习提示词工程。

提示词工程是大模型应用开发中最基础也最重要的技能。同样的大模型，不同的提示词，效果可能天差地别。学会写好提示词，能让你用最低的成本，获得最好的效果。

提示词工程的学习，我主要是通过实践来学的。

我找了一个具体的场景，比如写文章摘要，然后尝试用不同的提示词，看哪种效果最好。我会对比不同提示词的输出结果，分析为什么有的好有的差，然后总结规律。

在这个过程中，我学到了很多提示词的技巧。比如，提示词要明确具体，不要模糊；要给大模型设定角色，比如"你是一个专业的编辑"；要给出示例，让大模型知道你想要什么样的输出；要分步骤指导，复杂的任务拆成多个步骤。

我还学习了一些高级的提示词技术，比如思维链、少样本学习、自我一致性等。这些技术能显著提升大模型在复杂任务上的表现。

提示词工程的学习，不需要看太多理论，最重要的是多实践。多写、多试、多对比，慢慢就有感觉了。

这个阶段我也花了大概一个月的时间。现在回想起来，这个阶段的投入非常值得，因为提示词能力是大模型开发的基本功，后面做项目天天都要用。

第三阶段：RAG实战

第三个阶段是学习RAG，也就是检索增强生成。

RAG是目前大模型应用最广泛的技术之一。它的基本思路是，先从知识库中检索相关的文档，然后把检索到的文档和问题一起传给大模型，让大模型基于检索到的内容来回答问题。

RAG能解决大模型的两个核心问题：一是知识过时，二是幻觉。通过RAG，大模型可以基于最新的、特定的知识库来回答问题，而且回答有依据，不容易胡说八道。

学习RAG，我是从一个简单的项目开始的。我做了一个个人知识库问答系统，把我自己的笔记和文章导入进去，然后可以用自然语言提问，系统会基于我的笔记来回答。

做这个项目的过程中，我学习了RAG的完整流程：文档加载、文档分割、向量化、向量存储、检索、重排序、生成回答。每个环节我都尝试了不同的方案，对比效果。

比如文档分割，我试过按固定长度分割、按语义分割、按标题分割，最后发现按标题结合固定长度的效果最好。比如向量化，我试过不同的嵌入模型，发现国产的一些嵌入模型效果不错，而且价格便宜。

通过这个项目，我对RAG有了深入的理解。后来我又做了几个RAG相关的项目，比如客服问答系统、文档摘要系统，越来越熟练。

RAG这个阶段，我建议一定要动手做项目。光看教程是学不会的，只有自己动手做一遍，遇到问题、解决问题，才能真正掌握。

第四阶段：Agent开发

第四个阶段是学习Agent开发。

Agent是大模型应用的进阶方向。简单来说，Agent就是让大模型不仅能回答问题，还能使用工具、执行任务、自主决策。比如，一个Agent可以帮你搜索资料、整理数据、写报告、发邮件，全程自动化。

学习Agent，我是从LangChain这个框架开始的。LangChain是目前最流行的大模型应用开发框架，它提供了很多Agent相关的组件，比如工具调用、记忆、规划等。

我先跟着官方教程，做了一个简单的Agent，能调用搜索工具回答问题。然后慢慢增加复杂度，比如让Agent能调用多个工具，能记住对话历史，能处理多步骤任务。

在这个过程中，我遇到了很多问题。比如Agent经常走错步骤，或者调用工具的参数不对，或者陷入死循环。解决这些问题的过程，让我对Agent的原理和局限性有了深入的理解。

我还学习了Agent的一些高级技巧，比如规划与执行、反思与修正、多Agent协作等。这些技术能让Agent处理更复杂的任务。

Agent这个阶段比较难，需要有耐心。我花了大概两个月的时间，才觉得自己入门了。但Agent的潜力很大，学会之后能做很多有意思的应用。

第五阶段：微调与部署

第五个阶段是学习模型微调和部署。

前面几个阶段，都是基于现成的大模型API来做应用。但有时候，API不能满足需求，比如需要定制化的模型，或者需要私有化部署。这时候就需要自己微调模型，或者部署开源模型。

微调方面，我学习了LoRA和QLoRA这两种高效微调方法。它们可以在单张消费级显卡上，对大模型进行微调，成本很低。我用自己的数据集，微调了一个7B的模型，效果还不错。

部署方面，我学习了vLLM和Ollama这两个部署工具。vLLM适合生产环境部署，吞吐量高；Ollama适合本地开发和测试，简单方便。我用Ollama在本地部署了几个开源模型，做了一些实验。

这个阶段需要一定的硬件条件，最好有一张显存比较大的显卡。如果没有显卡，也可以用云服务器，按小时计费，成本也不高。

微调与部署不是必须的，如果你的需求用API就能满足，不学这个也没关系。但了解一下，能拓宽你的技术视野。

价格战时期的省钱技巧

在价格战时期学习大模型，有一些省钱的技巧。

第一个技巧是选择便宜的国产大模型。

现在很多国产大模型的API价格非常便宜，而且效果也不错。学习和做实验的时候，优先用这些便宜的模型，能省很多钱。等项目成熟了，再考虑要不要用更贵的模型。

第二个技巧是利用免费额度。

很多大模型厂商都提供免费额度，新用户注册会送一些额度，有些厂商还有长期的免费套餐。学习的时候，充分利用这些免费额度，基本上不用花钱。

第三个技巧是用小模型做实验。

大模型的价格和参数规模有关，参数越大越贵。做实验的时候，可以先用小模型快速验证思路，等思路验证好了，再用大模型做最终版本。这样能省很多钱。

第四个技巧是缓存和批处理。

如果有重复的请求，可以缓存结果，避免重复调用。如果有大量的请求，可以批量处理，提高效率，降低成本。

第五个技巧是用开源模型本地跑。

如果你的电脑有显卡，可以用Ollama在本地跑开源模型，完全免费。虽然效果可能不如商业模型，但学习和做实验完全够用。

学习资源推荐

最后推荐一些我觉得不错的学习资源。

书籍方面，推荐《大模型应用开发实战》和《LangChain实战》，这两本书比较实用，适合入门。

网站方面，推荐Hugging Face的课程，免费而且质量高；还有LangChain的官方文档，写得很详细。

视频方面，B站上有很多大模型相关的教程，搜一下就能找到。推荐一些做AI教程的UP主，他们的视频通俗易懂，适合入门。

开源项目方面，推荐LangChain、LlamaIndex、AutoGPT等，看这些项目的源码，能学到很多东西。

社区方面，推荐加入一些大模型相关的微信群、QQ群、Discord社区，和大家交流学习，能少走很多弯路。

写在最后

大模型价格战，降低了技术的门槛，也给了我们普通人学习和使用大模型的机会。

我的学习路线是：打基础、学提示词、做RAG项目、开发Agent、学微调和部署。这个路线不一定适合所有人，但可以作为参考。

最重要的不是路线，而是行动。不要等到"准备好"了再开始，边学边做，在实践中成长。大模型技术发展很快，今天学的东西明天可能就过时了，但学习能力和实践经验，是永远不会过时的。

最后用一句话来结束这篇文章："最好的学习时间是十年前，其次是现在。"

愿你在大模型的浪潮中，找到自己的方向，学有所成。