本文系统梳理了大模型的技术栈，从基础设施层到应用层，详细阐述了模型架构的演变逻辑、训练范式的演变逻辑、推理技术的关系网、Agent框架的技术栈以及多模态的统一路径等关键知识点。文章强调从底层概念开始学习的重要性，并建议读者收藏本文以便深入理解大模型技术。

概念不清，地动山摇，要想搞清楚一件事，一定要从底层概念开始用劲。

温馨提示：文章很长，技术概念较多，建议先收藏，不迷路。

01 大模型总体技术栈分层

大模型技术可以分为以下层次，从顶到底：

┌─────────────────────────────────────────────────┐│ Agent 应用层 ││ Agent框架 / Skills / Memory / Multi-Agent │├─────────────────────────────────────────────────┤│ 模型服务层 ││ 推理(Inference) / API / TPS / 端侧/云端 │├─────────────────────────────────────────────────┤│ 后训练层 (Post-train) ││ SFT → RLHF → Reasoning RL → Agent RL │├─────────────────────────────────────────────────┤│ 预训练层 (Pretrain) ││ 自回归语言建模 / next token prediction │├─────────────────────────────────────────────────┤│ 模型架构层 ││ Transformer → Dense → MoE → MLA/Hybrid Retention│├─────────────────────────────────────────────────┤│ 基础设施层 (Infra) ││ 集群 / 通信算子 / 监控 / RL Infra │├─────────────────────────────────────────────────┤│ 硬件层 ││ 训练卡 / 推理卡 / 端侧芯片 │└─────────────────────────────────────────────────┘

02 大模型框架的演变逻辑

演变路线图：

Transformer (2017) │ ├──→ Dense模型 (LLaMA, 2023) │ │ │ │ 问题：参数全激活，又贵又慢 │ ▼ │ GQA (LLaMA_2, 2023) │ │ 多个Query head共享KV，减少KV Cache │ │ │ │ 问题：仍是Dense，scaling成本高 │ ▼ │ MoE (DeepSeek V2/V3, 2024) │ │ 稀疏激活：每次只用部分Expert │ │ + Router负责调度 │ │ + Expert负载均衡防"专家死亡" │ │ │ │ 问题：MLA设计针对特定推理卡，不支持MTP加速 │ ▼ │ MLA (DeepSeek V2, 2024) │ │ 低秩压缩KV Cache │ │ 访存/计算完美平衡（在Chat时代） │ │ │ │ 问题：已达Compute Bound/Memory Bound临界点 │ │ 上MTP后又被卡回Compute Bound │ │ 后训练周期拉长，架构假设易失效 │ ▼ │ MLA + MTP = ❌ 不兼容 │ └──→ Hybrid Retention (MemoVR, 2025) │ │ Full Attention层 + Sliding Window层交替堆叠 │ 稀疏比 5:1 → 7:1（更大模型可更稀疏） │ ├──→ + MTP = ✅ 兼容 │ │ 利用计算剩余的算力 │ │ 预训练提升基座能力 │ │ 推理时投机解码加速 │ └──→ Agent时代最优解 │ 长上下文效率高（KV Cache小） │ 推理速度快（60-150 TPS） │ 架构简洁，留有调整余地

架构选择的核心矛盾：

判断与洞察：

后训练周期从1个月拉长到半年到一年，预训练阶段做的假设（用什么卡、什么场景、多长上下文）全部可能失效。因此需要更简洁的架构，而非更精细的架构。

03 训练范式的演变逻辑

三阶段演变：

阶段1：Chat时代 (2022-2024)═══════════════════════════ 预训练(Pretrain) ──→ SFT ──→ 轻量RLHF │ │ │ 大规模语料 人工标注 人类偏好 (互联网数据) (指令-回答对) (哪个更好) │ 核心：学习语言知识和世界知识 算力比：预训练 >> 后训练 (33:5) 代表：ChatGPT, LLaMA 阶段2：Reasoning时代 (2024-2025)═══════════════════════════════ 预训练(Pretrain) ──→ SFT ──→ Reasoning RL │ │ │ 大规模语料 人工标注 Code/Math验证 + Code数据 │ (有标准答案) │ │ │ 核心：模型学会"思考" │ 模型长链推理 算力比：预训练 ≈ 后训练 │ Chain-of-Thought 代表：DeepSeek R1, o1 │ │ Reward来自验证器(自动) 而非人类标注 阶段3：Agent时代 (2025-2026)═══════════════════════════ 预训练(Pretrain) ──→ SFT ──→ Agent RL │ │ │ 大规模语料 Skills数据 环境交互 + Code数据 (人机共创) (多轮长程) │ │ │ 核心：模型学会"做事" │ 模型与Agent框架耦合 算力比：预训练 = 后训练 │ Trajectory级训练 代表：Claude Opus 4.6 │ │ Reward来自任务完成率 RL Infra完全不同于Reasoning

关键转变：后训练重心的迁移

Chat时代： 预训练 ████████████████████████████ 后训练 ████ 33份算力 5份算力 Reasoning时代：预训练 ████████████ 后训练 ████████████ 15份算力 15份算力 Agent时代： 预训练 ████ 后训练 ████████████████████████████ 1份算力 1份算力（但研究占3份以上） 研究 ████████████████████████████████████████████████████ 3+份算力

各阶段的数据逻辑：

Code的特殊地位：

在三个阶段都扮演关键角色——预训练中提供长上下文依赖数据、Reasoning中提供可验证reward、Agent中提供天然的长程复杂任务环境。

04 推理技术的关系网

推理流程：

输入文本 │ ▼┌─────────┐│ Prefill │ ← 计算密集（并行处理所有输入token）│ (读题) │ 生成KV Cache└────┬────┘ │ ▼┌─────────┐│ Decode │ ← 访存密集（逐个生成输出token）│ (写答案) │ 每步读取KV Cache└────┬────┘ │ ├──→ 普通Decode：一个一个token生成 │ └──→ MTP加速Decode： │ ▼ ┌──────────┐ │ MTP Head │ ← 小模型/额外层，快速猜多个token │ (小助手) │ └────┬─────┘ │ ▼ ┌──────────┐ │ Verify │ ← 主模型并行验证 │ (检查) │ 命中→采纳，未命中→重新生成 └──────────┘ │ ▼ 速度提升，成本下降

MTP的双重价值：

预训练阶段： 推理阶段： MTP MTP │ │ ▼ ▼提升基座能力 投机解码加速(预测未来多个token (猜对了直接用) 的训练信号更丰富) │ │ │ ▼ ▼更好的模型效果 更快的推理速度 + 更低的成本

为什么MLA不能用MTP？

MLA的计算/访存平衡： 访存 ████████████████████████████████ ← 已到极限 计算 ████████████████████████████████ ← 已到极限 ↑ 两者完美平衡 加上MTP后： 计算 ████████████████████████████████░░░░ ← 又被卡满 访存 ████████████████████████████████ ↑ 又变成Compute Bound，MTP白加了 Hybrid Retention + MTP： 计算 ████████████████████░░░░░░░░░░░░░░ ← 有剩余 访存 ████████████████████████████████ ↑ MTP刚好填补计算剩余

05 Agent框架的技术栈

Agent框架的组成：

┌──────────────────────────────────────────────┐│ 用户交互层 ││ (UI/消息通道/定时任务/心跳任务) │├──────────────────────────────────────────────┤│ Agent框架层 ││ ┌──────────┐ ┌──────────┐ ┌──────────┐ ││ │ Memory │ │ Skills │ │ 多模型 │ ││ │ 记忆系统 │ │ 技能包 │ │ 调度 │ ││ └──────────┘ └──────────┘ └──────────┘ ││ ┌──────────┐ ┌──────────┐ ┌──────────┐ ││ │ Context │ │ 评估 │ │ 工具 │ ││ │ 编排 │ │ 体系 │ │ 调用 │ ││ └──────────┘ └──────────┘ └──────────┘ │├──────────────────────────────────────────────┤│ 模型层 ││ 语言模型 + 多模态模型 + TTS ││ (Pro/Omni/TTS 协同工作) │├──────────────────────────────────────────────┤│ 环境层 ││ 代码执行 / 文件系统 / API调用 / 搜索 │└──────────────────────────────────────────────┘

Skills的来源与价值

互联网公开知识 vs 企业/个人私有知识(预训练数据) (Skills) │ │ ▼ ▼模型已学会 模型学不到 │ │ ▼ ▼通用能力 场景化能力(能聊天、能写代码) (能按你的规范写代码) │ │ └───────────┬──────────────────────┘ │ ▼ Skills = 预训练的补充 人与Agent共创的产物 群体智能的具象化

OpenClaw vs Claude Code：

核心洞察：

先用Opus 4.6在OpenClaw上把框架改好（自定义Memory系统、Multi-Agent架构），然后切换到更便宜的模型，效果依然很好。框架弥补了模型短板。

06 多模态的统一路径

当前状态：两条路线并行

路线A：离散化统一（小米AI大模型在探索的方向）═══════════════════════════════ 文本 ──→ Token ID（离散） ──┐ │ 音频 ──→ RVQ编码 ──→ Token ID（离散）──→ 同一套LLM处理 │ 图像 ──→ RVQ编码 ──→ Token ID（离散）──┘ (正在进行中) (尚未走通) 优势：统一架构、统一RL Infra、统一训练范式 劣势：离散化有损、研究成本高 路线B：连续表征拼接（主流做法）═══════════════════════════════ 文本 ──→ Token Embedding ──┐ │ 图像 ──→ VIT编码 ──→ 连续表征 ──→ 拼接后送入LLM │ 音频 ──→ 语音编码器 ──→ 连续表征 ──┘ 优势：成熟、效果好 ❌被放弃的Benchmark：SWE-Bench ──→ 只测修bug，不代表真正软件开发能力BrowseComp ──→ 信息检索太specific，换个方式就不行TerminalBench ──→ 终端操作能力，实际场景不常用 判断："在这上面训练模型只能在这种数据集上测""换的方式哪怕也是做信息检索，最终能力还是放不出去" ✅被采用的评估方式：体感评估 ──→ 接到OpenClaw/Claude Code里实际用 │ ├──→ Agent框架适配度（是否理解框架） ├──→ 任务完成率（端到端成功率） ├──→ 长程任务表现（复杂软件开发） └──→ 多框架稳定性（在不同scaffold上都好用） "当你路径走对了，靠体感就能立马测出非常大的质的差异"

08 关键技术名词的关联图

Transformer │ ┌──────────────┼──────────────┐ │ │ │ Dense MoE Attention变体 (LLaMA) (DeepSeek V3) │ │ │ ┌────┴────┐ │ │ MLA Hybrid │ │ (DeepSeek) Retention │ │ │ (MemoVR) │ │ │ │ │ │ │ ┌──┴──┐ │ │ │ Full Sliding │ │ │ Attn Window │ │ │ │ │ 不支持MTP 支持MTP │ │ │ │ └──────┬───────┘ │ │ │ │ │ │ │ │ GQA │ │ (减少KV Cache) │ │ │ │ │ └────────┬────────┘ │ │ │ KV Cache │ (显存瓶颈) │ │ │ ┌─────────┴─────────┐ │ │ │ │ Prefill Decode │ (读题) (写答案) │ │ │ │ │ ┌──────┴──────┐ │ │ 普通Decode MTP │ │ (逐个生成) (投机解码)│ │ │ │ │ Speculative │ │ Decoding ◄───┘ │ └──────────→ KV Cache管理 (长上下文核心)

09 训练与推理的Infra差异

预训练Infra：═══════════ 需求：稳定性、吞吐量 │ ├── Loss Spike必须解决 ├── Expert负载均衡 ├── 通信算子正确性 └── 数值稳定性（Clip/Norm） │ 特点：追求精确，不容错 Reasoning RL Infra：═══════════════════ 需求：推理引擎 + 验证器 │ ├── 模型推理引擎（长思考） ├── Code执行验证器 ├── Math验证器 └── Reward计算 │ 特点：以推理rollout为中心 Agent RL Infra：═══════════════ 需求：推理引擎 + Agent框架耦合 │ ├── 模型推理引擎 ├── Agent环境交互（黑盒/白盒） ├── 异构资源调度（GPU+CPU+存储） ├── 容错（任务可能中途断开） ├── 训练/推理一致性容忍 └── 框架变化的兼容性 │ 特点：以Agent为核心，模糊地带多 灵活性和敏捷性要求极高

10 一句话总结各技术的"为什么存在"

最后

2026年技术圈的分化愈发明显：降薪裁员潮持续蔓延，传统开发、测试等岗位大批缩水，不少从业者陷入职业焦虑；与之形成鲜明对比的是，AI大模型相关岗位迎来疯狂扩招，薪资逆势飙升150%，大厂更是直接开出70-100W年薪，疯抢具备实战能力的大模型人才，甚至放宽年龄限制，只求能快速落地技术、创造价值！

很多程序员、职场新人纷纷入局大模型领域，绝非盲目跟风，而是实实在在看到了不可替代的价值优势，这也是2026年最值得抓住的职业风口：

1、窗口期红利，入门门槛友好：不同于成熟赛道的“内卷式招聘”，2026年大模型人才缺口巨大，简历只要达标（掌握基础AI应用+具备简单项目经验），年龄、学历均非硬性要求，小白可快速入门，转行程序员也能无缝衔接；

2、技术可复用，上手速度翻倍：如果你有前后端开发、测试、数据分析等基础，在大模型落地、系统部署、Prompt工程等环节会更具优势，无需从零开始，复用原有技术能力就能快速进阶；

3、懂业务更吃香，竞争力翻倍：单纯懂技术已不够，2026年大厂更看重“技术+业务”的复合型人才，有垂直领域（金融、医疗、工业等）经验者，能精准定位模型落地痛点，薪资比纯技术岗高出30%以上；

更重要的是，即便没有转型需求，用AI大模型工具为工作赋能、提升效率，也已经成为80%企业的硬性要求——不会用大模型提效，未来很可能被行业淘汰！

那么2026年，小白/程序员该如何高效学习大模型？

很多人想入门大模型，却陷入两大困境：要么到处搜集零散资料，不成体系，越学越懵；要么被收费高昂的课程割韭菜，花了钱却学不到实战技能，白白浪费时间走弯路。

今天就给大家精心整理了一份2026年最新、免费、系统化的AI大模型学习资源包，覆盖从零基础入门到商业实战、从理论沉淀到面试通关的全流程，所有资料均已整理归档，无需拼凑，直接领取就能上手学习，小白可照做，程序员可进阶！

👇👇扫码免费领取全部内容👇👇

1、大模型系统化学习路线

这份学习路线结合2026年行业趋势和新手学习规律，由行业专家精心设计，从零基础到精通，每一步都有明确指引，帮你节省80%的无效学习时间，少走弯路、高效进阶，避免踩坑。

2、从0到进阶大模型学习视频教程

从入门到进阶这里都有，跟着老师学习事半功倍。

3、大模型学习书籍&电子文档

涵盖2026年最新技术要点，包括基础入门、Transformer核心原理、Prompt工程、RAG实战、模型微调与部署等内容

4、AI大模型最新行业报告

报告包含腾讯、阿里、甲子光年等权威机构发布的核心内容，还有2026年中文大模型基准测评报告、AI Agent行业研究报告等，帮你站在行业前沿，把握技术风口。

5、大模型项目实战&配套源码

项目包含Deepseek R1、GPT项目、MCP项目、RAG实战等热门方向，还有视频配套代码，手把手教你从0到1完成项目开发，既能练手提升技术，又能丰富简历，为求职和职业发展加分。

6、2026大模型大厂面试真题

2026年大模型面试已全面升级，不再单纯考察基础原理，而是转向侧重技术落地和业务结合的综合考察，很多程序员和新手因为缺乏针对性准备，明明技术不错，却在面试中失利。

适用人群

四阶段学习规划（共90天，可落地执行）

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型

• 带你了解全球大模型

• 使用国产大模型服务

• 搭建 OpenAI 代理

• 热身：基于阿里云 PAI 部署 Stable Diffusion

• 在本地计算机运行大模型

• 大模型的私有化部署

• 基于 vLLM 部署大模型

• 案例：如何优雅地在阿里云私有部署开源大模型

• 部署一套开源 LLM 项目

• 内容安全

• 互联网信息服务算法备案

• …

👇👇扫码免费领取全部内容👇👇

7、这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

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】