想学大模型开发但面对海量教程、复杂概念和动辄需要多张GPU的环境是不是感觉无从下手很多人以为大模型开发是顶尖AI研究员的专属领域但实际上随着工具链的成熟一个具备基础Python能力的开发者完全可以在7天内从零搭建起自己的第一个大模型应用。真正的门槛往往不是算法本身而是如何避开那些分散、过时、不落地的“学习弯路”。这篇文章将为你梳理一条清晰的、可执行的“大模型开发实战”学习路径。我们不会空谈理论而是聚焦于一个核心目标让你在有限的个人电脑资源下快速跑通从模型部署、微调到应用集成的全流程。你会发现所谓的“大模型开发”其核心已经从“炼丹”转向了“工程化应用”。本文将拆解这条路径上的每一个关键节点并提供可直接运行的代码和配置帮你把“看教程”变成“做项目”。1. 重新定义“大模型开发”你的7天实战地图在开始之前我们必须澄清一个普遍的误解大模型开发 ≠ 从头训练一个GPT。对于绝大多数开发者和应用者来说真正的价值在于“基于现有大模型解决特定业务问题”。这包括了模型选型、本地/云端部署、Prompt工程、检索增强生成RAG、微调Fine-tuning以及应用集成。基于这个认知我们规划一条为期7天、每天聚焦一个核心主题的实战学习路线Day 1: 认知重塑与环境搭建– 理解大模型应用开发的技术栈在个人电脑上搭建Python和基础AI工具环境。Day 2: 模型初体验与Prompt工程– 学会调用云端大模型API如DeepSeek、通义千问和部署本地轻量模型如Qwen2.5-1.5B掌握指令编写的核心技巧。Day 3: 本地模型部署实战– 使用Ollama在本地无GPU或仅有消费级GPU的情况下流畅运行7B/14B级别的开源模型。Day 4: 构建你的第一个AI应用– 利用LangChain框架快速搭建一个具备记忆和工具调用能力的对话机器人。Day 5: 深入RAG打造专属知识库– 学习文档加载、文本分割、向量化存储与检索让大模型“读懂”你的私有资料。Day 6: 模型微调入门– 使用LoRA等高效微调技术在单张消费级GPU上用自定义数据让模型获得新技能。Day 7: 项目集成与优化– 将AI能力封装为API服务并探讨性能监控、成本优化等工程化问题。这条路径的核心思想是“快速获得正反馈”。每一步都有可视化的成果避免陷入枯燥的理论学习。接下来我们从环境准备开始。2. 基础概念与核心原理避开术语陷阱在动手之前快速理解几个最常被混淆的核心概念能让你后续的学习事半功倍。1. 基座模型 vs. 微调模型 vs. 应用基座模型Base Model 如LLaMA、Qwen、ChatGLM是经过海量通用数据预训练得到的“通才”。它知识渊博但可能不擅长你的特定任务。微调模型Fine-tuned Model 在基座模型的基础上用特定领域的数据如医疗问答、法律条文进行额外训练使其成为该领域的“专家”。LoRA是当前最流行的轻量级微调技术它只训练一小部分参数极大降低了资源需求。应用Application 利用模型无论是基座还是微调的能力通过Prompt工程、RAG、Agent等框架构建的最终产品如智能客服、代码助手。2. 云端API vs. 本地部署云端API如OpenAI, DeepSeek 优点是无须关心硬件按需付费模型能力强且稳定。缺点是数据隐私、持续计费和对网络依赖。本地部署如Ollama, vLLM 优点是数据完全私有一次部署长期使用可深度定制。缺点是对硬件尤其是GPU显存有要求性能可能不及顶级云端模型。如何选择初学者建议从云端API开始快速验证想法涉及敏感数据或需要定制化时转向本地轻量模型。3. RAG vs. 微调这是解决“模型知识陈旧或缺乏领域知识”的两种主流方案适用场景不同特性RAG检索增强生成微调Fine-tuning核心原理从外部知识库检索相关信息连同问题一起交给模型生成答案。通过训练改变模型内部的参数使其掌握新知识或风格。数据需求需要结构化的知识文档PDF、TXT、MD等。需要高质量的指令-回答对数据。更新速度快。更新知识库即可让模型获取新知识。慢。需要重新训练模型。擅长场景知识问答、基于文档的摘要、信息查询。风格模仿如客服话术、复杂推理、代码生成优化。资源消耗低主要是检索过程的计算。高需要GPU训练LoRA可大幅降低。简单判断如果你的知识是静态的、可文档化的优先用RAG如果需要模型学会一种新的思维方式或复杂任务考虑微调。3. 环境准备与前置条件我们将使用Python作为主要开发语言。请确保你的环境满足以下要求操作系统 Windows 10/11, macOS, 或 Linux (Ubuntu 20.04 推荐)。本文示例以Linux/macOS命令为主Windows用户建议使用WSL2或Git Bash。Python版本Python 3.9 - 3.11。Python 3.12可能存在一些库的兼容性问题建议暂时避开。包管理工具 使用pip和venv(或 conda) 创建独立的虚拟环境这是避免依赖冲突的最佳实践。硬件建议最低配置 8GB内存用于运行云端API调用和非常小的本地模型。推荐配置 16GB 内存并拥有一张至少8GB显存的NVIDIA GPU如RTX 3060, 4060等这将能流畅运行7B参数的量化模型并支持轻量微调。无GPU情况 依然可以学习大部分内容但本地模型体验和微调步骤会受到限制可使用CPU运行或完全依赖云端API。第一步创建并激活虚拟环境打开你的终端命令行执行以下命令# 1. 创建项目目录并进入 mkdir llm-dev-roadmap cd llm-dev-roadmap # 2. 创建Python虚拟环境命名为venv python3.10 -m venv venv # 3. 激活虚拟环境 # 在 macOS/Linux 上 source venv/bin/activate # 在 Windows 上CMD # venv\Scripts\activate # 在 Windows 上PowerShell # .\venv\Scripts\Activate.ps1 # 激活后命令行提示符前通常会显示(venv)第二步安装核心基础库我们将安装未来几天都会用到的一些基础库。# 升级pip pip install --upgrade pip # 安装核心库 pip install langchain langchain-community langchain-core pip install openai # 用于兼容OpenAI API格式的调用 pip install sentence-transformers # 用于本地 embedding 模型 pip install chromadb # 一个轻量级向量数据库用于RAG pip install pypdf # 用于读取PDF文档 pip install tiktoken # 用于Token计数 # 验证安装 python -c import langchain; print(fLangChain version: {langchain.__version__})环境准备好后我们就可以开始第一天的实战了。4. Day 1 2 核心流程从API调用到本地模型4.1 Day 1 认知与环境检查今天的目标是建立正确的认知并确认环境。完成上述环境搭建后可以尝试一个最简单的云端API调用以DeepSeek为例因其提供了免费额度。首先你需要去DeepSeek官网注册并获取一个API Key。然后创建一个测试文件# file: test_api.py import os from openai import OpenAI # 设置你的API Key和环境变量 os.environ[DEEPSEEK_API_KEY] your-deepseek-api-key-here # 请替换为你的真实Key # 初始化客户端指向DeepSeek的API端点 client OpenAI( api_keyos.environ.get(DEEPSEEK_API_KEY), base_urlhttps://api.deepseek.com # DeepSeek的API地址 ) response client.chat.completions.create( modeldeepseek-chat, # 使用deepseek-chat模型 messages[ {role: system, content: 你是一个乐于助人的AI助手。}, {role: user, content: 用Python写一个函数计算斐波那契数列的第n项。} ], streamFalse # 非流式输出 ) print(模型回复) print(response.choices[0].message.content)运行它python test_api.py。如果你能看到返回的Python代码恭喜你你已经成功调用了大模型这证明了你的环境和网络是通的。4.2 Day 2 本地模型部署Ollama 实战对于本地部署Ollama是目前对初学者最友好的工具。它简化了模型下载、加载和运行的全过程。1. 安装Ollama访问 Ollama官网 下载并安装对应操作系统的版本。安装后在终端输入ollama应能看到帮助信息。2. 拉取并运行一个轻量模型我们选择Qwen2.5最新推出的超小尺寸模型它对硬件要求极低。# 拉取模型 (约1.5B参数大小约1GB) ollama pull qwen2.5:1.5b # 运行模型并进行对话 ollama run qwen2.5:1.5b运行后会进入一个交互式命令行你可以直接输入问题例如“用中文介绍一下你自己”。按CtrlD退出。3. 通过API与Ollama模型交互Ollama在本地启动了一个API服务默认在http://localhost:11434。我们可以用Python代码与之交互这更接近真实应用场景。# file: test_ollama.py import requests import json def ask_ollama(prompt, modelqwen2.5:1.5b): url http://localhost:11434/api/generate payload { model: model, prompt: prompt, stream: False } headers {Content-Type: application/json} try: response requests.post(url, datajson.dumps(payload), headersheaders) response.raise_for_status() # 检查HTTP错误 result response.json() return result.get(response, No response found.) except requests.exceptions.RequestException as e: return f请求出错: {e} except json.JSONDecodeError as e: return f解析响应出错: {e} if __name__ __main__: question 太阳系最大的行星是什么 answer ask_ollama(question) print(f问题: {question}) print(f回答: {answer})运行前确保Ollama正在运行即上一步的ollama run未关闭或模型已加载。然后执行python test_ollama.py。你将看到模型生成的答案。关键点 到这里你已经掌握了两种最核心的模型交互方式云端API和本地Ollama API。这是所有后续应用的基础。5. Day 3 4 核心流程用LangChain构建AI应用LangChain是一个用于开发大模型应用的框架它提供了模块化的组件能让你像搭积木一样构建复杂的AI应用。5.1 Day 3 构建基础对话链让我们用LangChain封装刚才的Ollama调用并增加对话历史记忆功能。# file: langchain_ollama_chat.py from langchain_community.llms import Ollama from langchain.memory import ConversationBufferMemory from langchain.chains import ConversationChain # 1. 初始化Ollama模型确保ollama服务正在运行 llm Ollama(modelqwen2.5:1.5b, base_urlhttp://localhost:11434) # 2. 创建记忆体用于保存对话上下文 memory ConversationBufferMemory() # 3. 创建对话链 conversation ConversationChain( llmllm, memorymemory, verboseTrue # 设置为True可以看到LangChain内部的过程思考 ) # 4. 进行多轮对话 print( 开始对话 (输入 quit 退出) ) while True: user_input input(\n你: ) if user_input.lower() quit: break response conversation.predict(inputuser_input) print(fAI: {response})运行这个脚本你会发现AI能记住之前的对话内容。例如你先问“我的名字叫小明”再问“我叫什么名字”它应该能回答“小明”。verboseTrue会打印出LangChain传递给模型的完整Prompt这对于调试和理解其工作原理至关重要。5.2 Day 4 为AI赋予“工具”能力搜索与计算让大模型调用外部工具如搜索引擎、计算器、数据库是构建智能Agent的关键。这里我们演示一个简单的“数学计算工具”。# file: langchain_with_tools.py from langchain_community.llms import Ollama from langchain.agents import initialize_agent, AgentType from langchain.agents import Tool from langchain.tools import BaseTool from langchain.callbacks.streaming_stdout import StreamingStdOutCallbackHandler import math # 1. 自定义一个计算器工具 class CalculatorTool(BaseTool): name Calculator description 当需要回答数学计算问题时使用此工具。输入应该是一个可计算的数学表达式字符串。 def _run(self, query: str) - str: 执行计算 try: # 警告使用eval有安全风险此处仅作演示。生产环境应使用安全评估库如ast.literal_eval或解析器。 # 这里进行简单替换和过滤仅用于演示安全计算。 safe_query query.replace(^, **).replace( , ) # 非常简单的安全过滤实际项目需要更严谨 allowed_chars set(0123456789-*/.() ) if not all(c in allowed_chars for c in safe_query): return 错误表达式包含不安全字符。 result eval(safe_query) return str(result) except Exception as e: return f计算错误: {e} async def _arun(self, query: str) - str: 异步版本 raise NotImplementedError(此工具不支持异步) # 2. 初始化模型和工具 llm Ollama(modelqwen2.5:1.5b, base_urlhttp://localhost:11434, callbacks[StreamingStdOutCallbackHandler()]) calculator_tool CalculatorTool() tools [calculator_tool] # 3. 初始化带有工具的Agent agent initialize_agent( tools, llm, agentAgentType.ZERO_SHOT_REACT_DESCRIPTION, # 一种通用的Agent类型 verboseTrue, handle_parsing_errorsTrue # 处理解析错误 ) # 4. 运行Agent print( 数学计算Agent ) questions [ 123乘以456等于多少, 100的平方根是多少, (3 5) * 2 等于多少 ] for q in questions: print(f\n问题: {q}) print(回答: , end) try: agent.run(q) except Exception as e: print(f\nAgent执行出错: {e})运行此脚本观察verbose模式下Agent的“思考”过程它会先判断是否需要使用计算器然后生成调用工具的指令最后整合结果。这就是大模型作为“大脑”协调外部工具的雏形。6. Day 5 核心流程RAG实战 - 打造专属知识库RAG的核心步骤是加载文档 - 分割文本 - 向量化 - 存储到向量数据库 - 检索 - 生成答案。我们使用ChromaDB作为向量数据库all-MiniLM-L6-v2作为本地Embedding模型。# file: rag_with_chromadb.py import os from langchain_community.document_loaders import TextLoader, PyPDFLoader from langchain.text_splitter import RecursiveCharacterTextSplitter from langchain_community.embeddings import HuggingFaceEmbeddings from langchain_community.vectorstores import Chroma from langchain.chains import RetrievalQA from langchain_community.llms import Ollama # 0. 准备一份知识文档 (例如创建一个关于你公司的FAQ文本文件) knowledge_text 问公司的主要产品是什么 答我们主要提供AI模型微调和RAG系统定制开发服务。 问公司的成立时间 答公司成立于2023年。 问技术支持的联系方式是什么 答请发送邮件至 supportexample.com。 问如何获取产品的API文档 答API文档可以在我们的开发者门户网站 https://dev.example.com 找到。 with open(company_faq.txt, w, encodingutf-8) as f: f.write(knowledge_text) # 1. 加载文档 loader TextLoader(company_faq.txt, encodingutf-8) documents loader.load() # 2. 分割文本 text_splitter RecursiveCharacterTextSplitter( chunk_size200, # 每个片段的大小 chunk_overlap50, # 片段之间的重叠保持上下文 separators[\n\n, \n, 。, , , , , , ] ) texts text_splitter.split_documents(documents) print(f文档被分割成 {len(texts)} 个片段。) # 3. 创建嵌入模型 (Embedding) 和向量数据库 # 使用一个轻量级的句子嵌入模型 embedding_model HuggingFaceEmbeddings( model_nameall-MiniLM-L6-v2, # 一个广泛使用的轻量级模型 model_kwargs{device: cpu}, # 如果没有GPU使用CPU encode_kwargs{normalize_embeddings: False} ) # 将文本向量化并存储到ChromaDB中持久化到本地目录./chroma_db vectorstore Chroma.from_documents( documentstexts, embeddingembedding_model, persist_directory./chroma_db ) vectorstore.persist() # 持久化保存 print(向量数据库已创建并保存。) # 4. 创建检索器 retriever vectorstore.as_retriever(search_kwargs{k: 2}) # 检索最相关的2个片段 # 5. 创建RAG链 llm Ollama(modelqwen2.5:1.5b, base_urlhttp://localhost:11434) qa_chain RetrievalQA.from_chain_type( llmllm, chain_typestuff, # 将检索到的文档“塞”进Prompt retrieverretriever, return_source_documentsTrue, # 返回源文档便于调试 verboseTrue ) # 6. 进行问答 print(\n RAG 知识库问答测试 ) questions [ 公司是做什么的, 我怎么联系你们的技术支持, 公司什么时候成立的 ] for question in questions: print(f\n问题: {question}) result qa_chain({query: question}) print(f回答: {result[result]}) # 可以查看检索到的源文档 # for doc in result[source_documents]: # print(f 来源: {doc.page_content[:100]}...)这个脚本完成了一个完整的RAG流程。当你询问“公司是做什么的”时模型会先从向量库中检索出最相关的片段关于产品服务的描述然后将这些片段和问题一起交给大模型生成一个准确的、基于你私有知识的答案。7. Day 6 核心流程使用LLaMA-Factory进行LoRA微调模型微调是让大模型掌握新技能的关键。我们使用LLaMA-Factory这个优秀的微调框架它支持多种微调方法LoRA, QLoRA等并提供了友好的Web界面和脚本。注意微调需要GPU资源。以下步骤假设你有一张至少8GB显存的NVIDIA GPU并已安装CUDA和PyTorch。7.1 环境准备与框架安装# 1. 克隆 LLaMA-Factory 仓库 git clone https://github.com/hiyouga/LLaMA-Factory.git cd LLaMA-Factory # 2. 安装依赖 (建议在新建的虚拟环境中进行) pip install -r requirements.txt # 3. 安装 flash-attention (可选可加速训练但安装可能较复杂) # pip install flash-attn --no-build-isolation # 4. 启动Web UI (最推荐的方式) CUDA_VISIBLE_DEVICES0 python src/train_web.py启动后在浏览器中打开http://localhost:7860即可看到Web界面。7.2 准备微调数据微调需要特定格式的数据。LLaMA-Factory支持多种格式最常见的是alpaca格式JSON。我们创建一个简单的数据集教模型用特定风格回答。// file: my_dataset.json [ { instruction: 将以下中文翻译成法语。, input: 你好世界, output: Bonjour le monde }, { instruction: 用活泼可爱的风格介绍你自己。, input: , output: 嗨我是你的AI小助手充满活力又聪明随时准备帮你解决任何问题哦~ (✧ω✧) }, { instruction: 根据关键词生成一首短诗。, input: 春天花朵微风, output: 春风拂面暖意融\n百花争艳笑颜红。\n微风轻送香满径\n心随蝶舞入芳丛。 } ]7.3 通过Web界面进行LoRA微调模型选择在“模型”标签页选择“模型路径”。你可以输入Hugging Face上的模型ID如Qwen/Qwen2.5-1.5B程序会自动下载。或者选择你本地已有的模型路径。数据配置在“数据”标签页上传你的my_dataset.json文件。在“数据集”下拉框中选择它。训练配置训练模式选择LoRA。学习率可以保持默认如2e-4。Epoch设置为3-5小数据集可以多一些。Batch Size根据你的GPU显存调整对于7B模型8G显存可能只能设1。LoRA Rank保持默认8或16。Rank越高微调能力越强但参数也越多。开始训练点击“开始”按钮。你可以在“输出”标签页看到训练日志和损失曲线。7.4 测试微调后的模型训练完成后LLaMA-Factory会在output目录下生成适配器权重LoRA权重。你可以在Web界面的“聊天”标签页直接加载这个微调后的模型进行测试。关键点 LoRA微调只训练了原模型极少量通常1%的参数因此保存的权重文件很小可能只有几十MB但效果却可以非常显著。你可以尝试用“用活泼可爱的风格介绍你自己。”这个指令来测试微调后的模型应该能模仿你数据中的风格。8. 运行结果与效果验证在整个7天学习路径中每一步都应该有明确的验证点Day 1-2 API Ollama成功运行test_api.py和test_ollama.py获得模型生成的合理回复。Day 3-4 LangChain运行langchain_ollama_chat.py进行多轮对话确认AI能记住上下文如你的名字。运行langchain_with_tools.py观察Agent正确调用计算器工具并输出计算结果同时在verbose模式下看到其“思考-行动-观察”的链条。Day 5 RAG运行rag_with_chromadb.py脚本应成功创建chroma_db目录。针对“公司是做什么的”等问题模型应能基于company_faq.txt中的内容生成准确答案而不是通用回答。验证技巧将verboseTrue观察LangChain构建的完整Prompt确认检索到的文档片段被正确插入。Day 6 微调在LLaMA-Factory Web UI中成功启动训练并看到损失loss值稳步下降。训练完成后在聊天界面用训练数据中的指令如“用活泼可爱的风格介绍你自己”进行测试对比微调前后的回答风格差异。如何判断失败API调用失败检查API Key、网络连接、以及API服务状态如Ollama是否运行在localhost:11434。Ollama模型拉取失败检查网络或尝试更换模型镜像源。LangChain代码报错最常见的是版本不兼容。请确保严格按照本文的库版本或使用兼容版本。查看错误信息通常是某个导入的模块不存在。RAG回答不准确检查文本分割的chunk_size是否合适太大可能包含无关信息太小可能丢失上下文或尝试调整检索的k值返回更多或更少的片段。微调训练报错CUDA out of memory降低batch_size使用梯度累积或尝试更小的模型如1.5B或使用QLoRA量化LoRA进一步降低显存。9. 常见问题与排查思路问题现象可能原因排查方式解决方案ModuleNotFoundError: No module named ‘xxx‘Python包未安装或虚拟环境未激活。1. 确认终端提示符前有(venv)。2. 运行pip list | grep xxx查看。激活虚拟环境使用pip install xxx安装。Ollama运行时提示Error: pull model manifest网络问题无法从仓库拉取模型。尝试ollama pull其他小模型测试网络。1. 配置网络代理如需。2. 使用国内镜像源如阿里云镜像。LangChain调用Ollama超时Ollama服务未启动或端口被占用。运行curl http://localhost:11434/api/tags测试。1. 新开终端运行ollama serve。2. 检查11434端口是否被其他程序占用。RAG回答与知识库无关向量检索失败或检索到的片段不相关。1. 检查vectorstore创建时是否报错。2. 打印result[‘source_documents‘]查看实际检索到的内容。1. 调整文本分割策略chunk_size,chunk_overlap。2. 尝试不同的Embedding模型。3. 调整检索的相似度阈值或k值。微调时GPU显存不足OOM模型太大或batch_size设置过高。使用nvidia-smi监控显存使用。1. 使用量化模型如Qwen2.5-1.5B-Instruct。2. 减小batch_size增大gradient_accumulation_steps。3. 启用gradient_checkpointing。4. 使用QLoRA4-bit量化代替LoRA。微调后模型输出乱码或退化学习率过高、数据质量差或Epoch过多导致过拟合。观察训练损失曲线是否先下降后上升。1. 降低学习率如从2e-4降到1e-5。2. 清洗和扩充训练数据。3. 减少训练Epoch使用早停Early Stopping。流式输出Streaming不工作代码未正确配置流式回调或模型不支持。确认在初始化LLM时传入了StreamingStdOutCallbackHandler。参考Day 4的langchain_with_tools.py中callbacks的用法。10. 最佳实践与工程化建议当你完成7天学习准备将项目投入实际应用时以下建议能帮你走得更稳环境隔离与依赖管理始终使用虚拟环境venv或conda。使用pip freeze requirements.txt记录所有依赖及其精确版本。考虑使用Docker容器化你的应用确保环境一致性。配置与密钥管理永远不要将API Key等敏感信息硬编码在代码中。使用环境变量os.environ.get或.env文件配合python-dotenv库管理配置。# .env 文件 DEEPSEEK_API_KEYyour_key_here OLLAMA_BASE_URLhttp://localhost:11434 # Python代码中读取 from dotenv import load_dotenv load_dotenv() api_key os.environ.get(DEEPSEEK_API_KEY)Prompt工程标准化将常用的系统提示词System Prompt和指令模板抽离成配置文件或常量。为不同任务摘要、翻译、代码生成设计专用的Prompt模板。使用LangChain的PromptTemplate来规范管理。RAG优化方向分块策略根据文档类型代码、论文、手册选择不同的分割器。重排序Re-ranking在初步向量检索后使用一个更精细的模型对结果进行重排序提升Top1答案的准确率。元数据过滤为文档块添加来源、章节、日期等元数据检索时进行过滤。Hybrid Search结合关键词搜索BM25和向量搜索取长补短。微调数据质量质量优于数量1000条高质量数据远胜于10万条噪声数据。格式一致性确保指令instruction、输入input、输出output字段清晰明确。数据多样性覆盖你希望模型掌握的各种场景和表达方式。应用部署与监控API服务化使用FastAPI或Flask将你的AI能力封装成HTTP API。异步处理对于耗时的生成任务使用异步框架如FastAPI的async或消息队列避免阻塞。日志与监控记录每一次请求的Prompt、响应、Token使用量和耗时便于分析和优化成本。限流与降级为API设置速率限制并在主要模型服务失败时有备用的降级方案如返回缓存或简化模型。成本控制云端API监控Token消耗设置预算警报。对非实时任务考虑使用更便宜的批量处理API。本地部署主要成本是电费和硬件折旧。对于使用不频繁的服务考虑使用按需启动的云服务器。这条从零到一的7天路径其价值不在于让你成为大模型算法专家而在于帮你系统性打通“想法 - 原型 - 应用”的闭环。你不再需要恐惧那些晦涩的论文和复杂的配置而是可以聚焦于用这项技术解决实际问题。接下来你可以选择一个你感兴趣的方向深入比如深入研究Agent框架如AutoGen、探索更复杂的多模态模型或者将你的AI应用部署到云服务器上供他人使用。记住最好的学习永远是动手构建。