软件工程师对大型语言模型（LLM）的看法存在严重分歧。许多人认为它们是迄今为止对该行业最具变革性的技术。另一些人则认为它们不过是又一个炒作过度的产品：想想很兴奋，但最终对从事严肃工作的专业人士来说毫无用处。

就我个人而言，我觉得我从人工智能中获得了很大的价值。我认为很多没有这种感觉的人都是“用错了方法”：也就是说，他们没有以最有帮助的方式使用语言模型。在这篇文章中，我将列出我作为一名高级软件工程师，在日常工作中经常使用人工智能的许多方式。

编写生产代码

我每次编写代码都会使用Copilot的代码补全功能¹。我接受的几乎所有补全都是完整的样板代码（例如，填写函数参数或类型）。我很少让Copilot为我生成业务逻辑，但这种情况偶尔也会发生。在我擅长的领域（例如，Ruby on Rails），我有信心我能比LLM做得更好。它只是一个（非常好的）自动完成工具。

但是，我并非总是在我擅长的领域工作。我经常发现自己需要在不太熟悉的领域进行小的战术性更改（例如，Golang服务或C库）。我知道这些语言的语法，并且用它们写过个人项目，但我不太确定什么是惯用的。在这些情况下，我更多地依赖Copilot。通常，我会启用o1模型的Copilot聊天，粘贴我的代码，然后直接询问“这是惯用的C语言吗？”

像这样更多地依赖LLM是有风险的，因为我不知道自己错过了什么。它基本上让我能够在所有领域都以一个聪明的实习生的水平进行操作。我必须像一个明智的实习生一样行事，并确保该领域的主题专家审查我的更改。但即便如此，我认为能够快速进行这类战术性更改是非常有价值的。

编写一次性代码

当我编写永远不会投入生产的代码时，我会更自由地使用LLM。例如，我最近做了一项研究，需要从API中提取大量公共数据，对其进行分类，并使用一系列快速正则表达式来近似该分类。所有这些代码都只在我的笔记本电脑上运行，我使用LLM编写了几乎所有代码：提取数据的代码，运行单独的LLM进行分类的代码，对其进行标记并测量标记频率并对其进行评分的代码，等等。

LLM擅长编写可以工作但无需维护的代码。仅运行一次（例如，用于研究）的非生产代码非常适合这种情况。我想说，我在这里使用LLM意味着我完成这项工作的速度比没有帮助的情况下快2到4倍。

学习新领域

我用LLM做的最有用的事情可能是把它当作一个随叫随到的导师来学习新领域。例如，上周末我学习了Unity的基础知识，并大量依赖ChatGPT-4o。使用LLM学习的妙处在于你可以提问：不仅是“X是如何工作的”，还可以提出后续问题，例如“X与Y有什么关系”。更重要的是，你可以问“这是对的吗”之类的问题。我经常写一些我认为我学到的东西，然后反馈给LLM，它会指出我哪里是对的，哪里仍然存在误解。我问LLM很多问题。

当我学习新东西时，我会做很多笔记。能够直接复制粘贴我所有的笔记并让LLM进行审查真是太棒了。

幻觉呢？说实话，自从GPT-3.5以来，我没有注意到ChatGPT或Claude出现太多幻觉。我尝试学习的大多数领域都非常容易理解（只是我不懂），而且根据我的经验，这意味着出现幻觉的可能性非常低。我从未遇到过从LLM那里学到的东西最终被证明是完全错误或产生幻觉的情况。

最后的bug修复手段

我不会经常这样做，但有时当我真的卡在bug上时，我会将整个文件或多个文件附加到Copilot聊天中，粘贴错误消息，然后直接问“你能帮忙吗？”

我不这样做是因为我认为我目前比目前的人工智能模型更擅长bug查找。几乎所有时候，Copilot（或者Claude，对于一些个人项目）都会感到困惑。但如果我真的卡住了，尝试一下还是值得的，以防万一，因为它非常省力。我记得有两三次我只是错过了一些细微的行为，而LLM抓住了，这为我节省了很多时间。

因为LLM在这方面还不太擅长，所以我不会花很多时间迭代或试图让LLM摆脱困境。我只是尝试一次，看看它是否能解决问题。

校对拼写错误和逻辑错误

我写了相当多的英文文档：ADR、技术摘要、内部帖子等等。我从不允许LLM为我写这些东西。部分原因是我认为我写得比目前的LLM更清楚。部分原因是我对ChatGPT的写作风格普遍反感。

我偶尔会做的是将草稿输入LLM并寻求反馈。LLM非常擅长捕捉拼写错误，有时会提出一些有趣的观点，从而成为我草稿的编辑内容。

像bug修复一样，我不会在这样做时进行迭代——我只是请求一轮反馈。通常LLM会提供一些文体反馈，我总是忽略这些反馈。

我将LLM用于以下任务：

• 使用Copilot进行智能自动完成
• 在我不熟悉的领域进行小的战术性更改（始终由SME审查）
• 编写大量一次性使用的研究代码
• 提出大量问题以学习新主题（例如，Unity游戏引擎）
• 最后的bug修复手段，以防万一它能立即解决问题
• 对长篇英文交流进行宏观层面的校对

我（目前）不将LLM用于以下任务：

• 在我熟悉的领域为我编写完整的PR
• 编写ADR或其他技术交流
• 在大型代码库中进行研究并找出事情是如何完成的

如何学习大模型 AI ？

我国在AI大模型领域面临人才短缺，数量与质量均落后于发达国家。2023年，人才缺口已超百万，凸显培养不足。随着Al技术飞速发展，预计到2025年，这一缺口将急剧扩大至400万，严重制约我国Al产业的创新步伐。加强人才培养，优化教育体系，国际合作并进，是破解困局、推动AI发展的关键。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

2025最新大模型学习路线

明确的学习路线至关重要。它能指引新人起点、规划学习顺序、明确核心知识点。大模型领域涉及的知识点非常广泛，没有明确的学习路线可能会导致新人感到迷茫，不知道应该专注于哪些内容。

对于从来没有接触过AI大模型的同学，我帮大家准备了从零基础到精通学习成长路线图以及学习规划。可以说是最科学最系统的学习路线。

针对以上大模型的学习路线我们也整理了对应的学习视频教程，和配套的学习资料。

大模型经典PDF书籍

新手必备的大模型学习PDF书单来了！全是硬核知识，帮你少走弯路！

配套大模型项目实战

所有视频教程所涉及的实战项目和项目源码等

博主介绍＋AI项目案例集锦

MoPaaS专注于Al技术能力建设与应用场景开发，与智学优课联合孵化，培养适合未来发展需求的技术性人才和应用型领袖。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

为什么要学习大模型？

2025人工智能大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 ， 大模型作为其中的重要组成部分 ， 正逐渐成为推动人工智能发展的重要引擎 。大模型以其强大的数据处理和模式识别能力， 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 ，为各行各业带来了革命性的改变和机遇 。

适合人群

• 在校学生：包括专科、本科、硕士和博士研究生。学生应具备扎实的编程基础和一定的数学基础，有志于深入AGI大模型行业，希望开展相关的研究和开发工作。
• IT行业从业人员：包括在职或失业者，涵盖开发、测试、运维、产品经理等职务。拥有一定的IT从业经验，至少1年以上的编程工作经验，对大模型技术感兴趣或有业务需求，希望通过课程提升自身在IT领域的竞争力。
• IT管理及技术研究领域人员：包括技术经理、技术负责人、CTO、架构师、研究员等角色。这些人员需要跟随技术发展趋势，主导技术创新，推动大模型技术在企业业务中的应用与改造。
• 传统AI从业人员：包括算法工程师、机器视觉工程师、深度学习工程师等。这些AI技术人才原先从事机器视觉、自然语言处理、推荐系统等领域工作，现需要快速补充大模型技术能力，获得大模型训练微调的实操技能，以适应新的技术发展趋势。
  

课程精彩瞬间

大模型核心原理与Prompt：掌握大语言模型的核心知识，了解行业应用与趋势；熟练Python编程，提升提示工程技能，为Al应用开发打下坚实基础。

RAG应用开发工程：掌握RAG应用开发全流程，理解前沿技术，提升商业化分析与优化能力，通过实战项目加深理解与应用。

Agent应用架构进阶实践：掌握大模型Agent技术的核心原理与实践应用，能够独立完成Agent系统的设计与开发，提升多智能体协同与复杂任务处理的能力，为AI产品的创新与优化提供有力支持。

模型微调与私有化大模型：掌握大模型微调与私有化部署技能，提升模型优化与部署能力，为大模型项目落地打下坚实基础。

顶尖师资，深耕AI大模型前沿技术

实战专家亲授，让你少走弯路

一对一学习规划，职业生涯指导

• 真实商业项目实训
• 大厂绿色直通车

人才库优秀学员参与真实商业项目实训

以商业交付标准作为学习标准，具备真实大模型项目实践操作经验可写入简历，支持项目背调

大厂绿色直通车，冲击行业高薪岗位

文中涉及到的完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】