大模型应用开发这个岗位学习路线的介绍¶

1. 大模型应用开发岗学习路线¶

以下内容仅为个人观点，仅供参考，是本人学习的大模型应用开发知识的路线。

首先我们要明白应用开发岗的界限，即其与普通开发岗以及大模型算法岗的区别。

应用开发岗和普通的前后端开发均属于开发岗位。其区别在于，应用开发岗需要将大模型算法岗产出的模型落地，也就是调用模型 API，开发 AI 应用。

有的岗位也会把大模型应用开发岗和大模型算法岗合并到大模型岗位，这个我觉得是一个人干两个人的活儿，类似于 AI 界的“全栈”。这类岗位非本文目标，这种初级岗位一般也会标注熟悉微调模型等算法能力是加分项，非必备项。

观察招聘网站上的大模型岗位 JD，大部分的大模型应用开发岗的技术栈可以概括为：

后端开发技术栈 + AI 落地相关技术栈

所以这里会分成两部分：一部分是后端开发技术栈，另一部分是 AI 落地相关的技术栈。

这里会分以下两种情况。

这样的话有两种路径：先学后端开发相关技术栈，或者先学 AI 落地相关的技术栈。等后面有机会了再补另外一种技术栈。

如果时间充裕，建议大家先把后端开发知识过一遍，之后再开始学 AI 落地相关技术栈。个人认为这样就算大模型应用开发岗位没有合适的，也可以找普通后端开发。

如果时间不充裕，建议先学大模型应用开发技术栈，有机会再补普通后端开发相关的技术栈。原因如下：

优先 Python，目前 AI 应用开发的主流语言还是 Python。像 Java 和 Go 语言等也在逐渐完善，但相比之下还是没有 Python 这么流行。

直接学大模型应用开发相关的技术栈即可。

如果是 Python 的后端开发，则继续按照 Python 学即可，资源是最多的。

如果是 Java 或者 Go 语言后端开发，个人不建议转语言。虽然 Python 依旧是主流，但是其他语言也有在集成，例如 Java 的 Spring AI 和 LangChain4j，Go 的 Eino 等。建议继续深耕自己的领域，慢慢随着框架发展，做第一批吃螃蟹的人。

大模型应用开发岗的技术栈可以概括为：

后端开发技术栈 + AI 落地相关技术栈

后端技术栈已经有很多公开透明的学习路径，这里就不展开来阐述了，无非就是编程语言基础、数据库（MySQL、Redis）、中间件等内容。

AI 应用落地相关技术栈需要考虑具体落地场景。大模型应用的落地目前主要有两个方向，一个是 RAG，一个是 Agent，也就是本项目的重点。