大模型全景指南：从入门到权威使用者

目标读者：不写代码，但想深度理解大模型、能用好大模型的AI权威使用者

核心目标：当不了开发者，就当最懂怎么用的那个人——哪怕淘汰，也是最后一批。

信息来源：GitHub 高星开源项目（实时抓取）+ 业界公开资料 + 实践总结

目录

第一部分：学习资源大全
第二部分：全球大模型厂商全景对比
第三部分：大模型核心知识体系
第四部分：成为AI权威使用者的实战路径
附录：速查表

第一部分：学习资源大全

一、推荐书籍

中文书籍

#	书名	作者	适合人群	核心特点
1	AI 3.0	Melanie Mitchell	零基础	不写代码不讲公式，用通俗语言解释AI的能力边界
2	协同智能 (Co-Intelligence)	Ethan Mollick（沃顿商学院教授）	职场人士	最推荐。2024年出版，聚焦人与AI如何协作
3	即将到来的浪潮 (The Coming Wave)	Mustafa Suleyman（DeepMind联合创始人）	战略思维者	讲AI将如何重塑社会、经济、安全格局
4	大语言模型	赵鑫等（中国人民大学）	想系统理解者	国内较早的大模型专著，涵盖从训练到应用的完整流程
5	人工智能：现代方法（第4版）	Stuart Russell, Peter Norvig	想建立系统认知者	AI领域圣经，重点读第1部分和第23-24章
6	动手学深度学习（第2版）	李沐、阿斯顿·张等	想理解技术原理者	配合B站李沐免费视频，可跳过代码只看讲解
7	人人都能用AI	多位国内AI教育者	零基础职场人	从什么是AI讲起，覆盖办公、创作等日常场景
8	ChatGPT 中文指南	多位国内作者	实战派	不讲原理讲用法，大量Prompt实例和避坑指南

英文书籍

#	书名	作者	核心特点
1	Co-Intelligence	Ethan Mollick	必读。学会把AI当同事而不是工具
2	The Coming Wave	Mustafa Suleyman	站在更高维度理解为什么必须学AI
3	Prompt Engineering for Generative AI	James Phoenix, Mike Taylor	系统讲解Prompt设计模式
4	Scary Smart	Jay Stanley	讨论AI能力增长速度、潜在风险
5	AI for Everyone (open-access)	多位作者	帮助理解语言模型，学习如何做出更好决策

二、GitHub 高星开源学习项目（2026年5月实时数据）

入门教程类

项目	Stars	说明
datawhalechina/llm-cookbook	24,074	面向开发者的LLM入门教程，吴恩达大模型系列课程中文版
liyupi/ai-guide	14,237	程序员鱼皮的AI资源大全，大模型玩法、Prompt提示词大全
WangRongsheng/awesome-LLM-resources	8,381	全世界最好的LLM资料总结
wgwang/awesome-LLMs-In-China	6,444	中国大模型开源项目汇总
AiHubCN/Awesome-Chinese-LLM	22,566	整理开源的中文大语言模型，可私有化部署

Prompt工程类

项目	Stars	说明
f/prompts.chat	162,597	Awesome ChatGPT Prompts，社区分享和收集Prompt的开放平台
PlexPt/awesome-chatgpt-prompts-zh	60,223	ChatGPT中文调教指南，各种场景使用指南
dair-ai/Prompt-Engineering-Guide	74,807	Prompt工程指南，包含指南、论文、课程、笔记等资源
anthropics/prompt-eng-interactive-tutorial	35,811	Anthropic官方交互式Prompt工程教程
brexhq/prompt-engineering	9,538	使用GPT-4等大模型的Tips和Tricks

综合资源类

项目	Stars	说明
Shubhamsaboo/awesome-llm-apps	111,277	100+可实际运行的AI Agent和RAG应用
Hannibal046/Awesome-LLM	26,839	大模型精选资源列表
humanloop/awesome-chatgpt	8,218	ChatGPT工具、Demo、文档精选列表
EmbraceAGI/awesome-chatgpt-zh	11,543	ChatGPT中文指南，应用开发指南、精选资源清单
davidkimai/Context-Engineering	8,986	上下文工程——用恰到好处的信息填充上下文窗口的艺术与科学

进阶专题类

项目	Stars	说明
hijkzzz/Awesome-LLM-Strawberry	6,900	聚焦OpenAI o1和推理技术的论文、博客、项目合集
xlite-dev/Awesome-LLM-Inference	5,291	LLM推理论文精选（Flash-Attention, Paged-Attention等）
tensorchord/Awesome-LLMOps	5,788	LLMOps工具精选列表
georgezouq/awesome-ai-in-finance	5,950	金融领域的LLM和深度学习策略工具

三、免费在线课程

课程	平台	语言	时长	特点
吴恩达 Generative AI for Everyone	Coursera	中文字幕	6小时	零基础友好，讲解极清晰
吴恩达 ChatGPT Prompt Engineering	DeepLearning.AI	中文字幕	1.5小时	Prompt工程入门必修
吴恩达 LLM Cookbook 中文版	GitHub/B站	中文	10+小时	对应llm-cookbook项目，2.4万星
李宏毅生成式AI	YouTube/B站	中文	10+小时	台湾教授，讲解生动幽默
李沐动手学深度学习	B站	中文	40+小时	可跳过代码只看讲解理解核心概念
微软 Introduction to LLMs	Microsoft Learn	中文	2小时	免费微软官方课程
Anthropic Prompt Eng Tutorial	GitHub	英文	2小时	Anthropic官方交互式教程，3.5万星

第二部分：全球大模型厂商全景对比

一、全球第一梯队（四大家）

维度	OpenAI	Google (DeepMind)	Anthropic	Meta
代表模型	GPT-4o, o1, o3	Gemini 2.0/2.5 Pro	Claude 3.5 Sonnet, Claude 4 Opus	Llama 3/4
定位	行业标杆，通用王者	搜索+AI深度融合	安全优先，宪法AI	开源之王
核心优势	多模态最强，工具调用生态最完善，o系列推理能力断层领先	上下文窗口最大(100万+token)，与Google生态深度集成	安全性最好，长文本处理能力强（20万token）	完全开源，社区生态最大，可私有部署
技术路线	闭源，逐步开放API	闭源+部分开放，搜索增强是杀手锏	闭源，Constitutional AI是核心理念	完全开源，Apache/MIT许可
适用场景	通用对话、代码、多模态、复杂推理	长文档分析、搜索增强、Google生态用户	安全敏感场景、长文档、代码、企业应用	私有化部署、学术研究、定制化微调
价格策略	按token计费，有免费额度	免费tier generous，API按量	中等价位，API稳定	完全免费（遵守许可）
上下文窗口	12.8万token	100万+token	20万token	12.8万token

二、中国大模型第一梯队

厂商	代表模型	核心优势	适用场景	价格
百度	文心一言(ERNIE 4.5/5.0)	中文理解最深，知识图谱融合	中文场景、知识问答、企业服务	有免费额度
阿里	通义千问(Qwen 3/Max/Plus)	开源+闭源双线，中文能力突出	中文对话、代码生成、私有部署	开源免费
腾讯	混元(Hunyuan)	微信生态集成，多模态	社交场景、内容创作	内部优先
字节跳动	豆包(Doubao)	C端用户量大，语音/视频能力强	对话助手、内容创作、娱乐	免费为主
智谱AI	GLM-4/GLM-5	学术+商业双线，中英双语强	学术研究、企业定制	开源免费
月之暗面	Kimi(K2)	长文本处理突出（200万token+）	长文档分析、论文阅读	免费+订阅
DeepSeek	DeepSeek-V3/R1	代码能力强，开源，极低价格	代码生成、数学推理	完全免费/极低价格
MiniMax	MiniMax/海螺AI	角色扮演/情感交互强	情感陪伴、游戏、创意写作	免费+订阅
零一万物	Yi系列	中英双语，开源社区活跃	多语言、企业定制	开源免费

三、核心能力排行榜

代码能力：GPT-4o 约等于 Claude 4 > DeepSeek-R1 > Gemini > Qwen > GLM
中文理解：文心约等于 Qwen > GLM > Kimi > GPT-4o > Claude
长文本处理：Kimi(200万+) > Gemini(100万+) > Claude(20万) > GPT-4o(12.8万)
推理能力：o3 > o1 > Claude 4 > GPT-4o > Gemini > DeepSeek-R1
多模态：GPT-4o > Gemini > Claude > Qwen-VL
安全性：Claude > Gemini > GPT-4o > 国产模型
性价比：DeepSeek > Qwen开源 > GPT-4o-mini > Claude > GPT-4o

四、各大模型的共性（所有大模型都一样的东西）

都是概率预测器：本质上都是在预测下一个最可能的词是什么，没有真正的理解
都有幻觉：因为是在猜下一个词，所以会编造看似合理但不真实的内容
都需要Prompt工程：同样的问题，问法不同，结果天差地别
都有知识截止时间：训练数据有截止日期，不知道截止日期之后的事（除非联网搜索）
都不能真正理解：没有意识、没有情感、没有主观体验，只是模式匹配极其精准
都受限于上下文窗口：一次能记住的内容有限
都会在长对话中遗忘：早期信息会被后面的信息挤出去
都基于Transformer架构：这是所有大模型的DNA
都需要海量数据训练：预训练阶段消耗最大，占总成本80%以上
都在快速迭代：以月甚至周为单位更新，今天的最强明天可能被超越

五、各大模型的区别维度

维度	差异说明
架构改进	虽然都基于Transformer，但各厂商在注意力机制、多模态融合、推理优化上做了不同改进
训练数据	OpenAI用互联网公开+授权数据；Google用搜索索引+YouTube+Books；Anthropic用高质量精选数据；国产用中文互联网+自有平台数据
对齐方式	OpenAI用RLHF；Anthropic用Constitutional AI；Google用混合方式；国产多用RLHF变种
开放程度	Meta完全开源；DeepSeek/Qwen部分开源；OpenAI/Google/Anthropic闭源
生态集成	Google集成搜索；腾讯集成微信；百度集成搜索；阿里集成钉钉/通义
定价策略	从完全免费(DeepSeek/Llama)到高端付费(Claude Opus/GPT-4o)

第三部分：大模型核心知识体系（非开发者版）

一、什么是大语言模型（最通俗的解释）

大语言模型就是一个读过几乎整个互联网的、极其擅长接龙的超级大脑。

它读过互联网上几乎所有的公开文字
它学到的不是知识，而是文字之间的概率关系
当你问它问题时，它不是在思考，而是在计算接下来最可能说什么
这种计算极其精准，以至于看起来像是在理解和思考

类比理解：想象一个读了全世界所有书的人。他不是记住了每本书的内容，而是记住了哪些话经常一起出现。当你问他问题时，他根据这种经常一起出现的规律，组合出一段最可能的回答。这就是大模型。

二、大模型是怎么练出来的

阶段1：预训练（Pre-training）-- 读书

给模型喂海量文本（万亿级token）
让它学会预测下一个词
结果：得到一个博学但不会聊天的基础模型
成本：占总训练成本80%以上

阶段2：监督微调（SFT）-- 培训

用高质量的问答对教模型怎么回答问题
结果：模型学会了对话、遵循指令
成本：占10-15%

阶段3：人类反馈强化学习（RLHF）-- 价值观对齐

人类对模型的回答打分
模型学习人类觉得什么样的回答好
结果：模型的回答更符合人类偏好
成本：占5-10%

三、关键概念速解

Token（词元）

Token是模型处理文本的基本单位，不是字也不是词。

英文：1个token约等于0.75个单词
中文：1个token约等于1-2个汉字
计费、限制、上下文窗口，全部按token计算

上下文窗口（Context Window）

上下文窗口等于模型一次对话能记住的最大信息量。

模型	上下文窗口	约等于
GPT-4o	12.8万token	约10万汉字
Claude 3.5	20万token	约15万汉字
Gemini 2.0	100万+token	约75万汉字
Kimi	200万+token	约150万汉字

重要理解：上下文窗口不是越大越好。窗口越大，模型越容易分心，对关键信息的注意力反而可能下降。

幻觉（Hallucination）

幻觉等于模型一本正经地胡说八道。

原因：模型在预测下一个词，而不是检索事实
所有大模型都有幻觉，只是程度不同
降低幻觉的方法：
- 让模型说我不知道
- 提供参考资料让模型基于资料回答（RAG技术）
- 要求模型给出引用来源
- 对关键事实进行二次核实

温度（Temperature）

温度等于控制模型回答的创造性与确定性。

温度值	效果	适用场景
0.1-0.3	回答稳定、确定、保守	事实性问题、数据分析
0.5-0.7	平衡	一般对话、常规任务
0.8-1.0	回答有创意、多样、可能跑题	创意写作、头脑风暴

RAG（检索增强生成）

RAG等于让大模型先查资料，再回答问题。

解决幻觉的核心技术之一
原理：先从你的知识库中检索相关信息，然后把检索到的信息和问题一起给模型
应用场景：企业知识库问答、客服、专业领域咨询
作为使用者要知道：RAG的质量取决于检索质量，而不是模型本身

Agent（智能体）

Agent等于不仅能聊天，还能做事的大模型。

传统大模型：只能生成文字
Agent：可以调用工具（搜索、代码执行、API调用、文件操作等）
作为使用者要知道：Agent的能力取决于它能调用哪些工具，而不是模型本身多聪明

第四部分：成为AI权威使用者的实战路径

一、学习路线（建议3-6个月完成）

第1阶段：认知建立（1-2周）

看：吴恩达 Generative AI for Everyone（6小时，Coursera免费旁听）
读：协同智能 (Co-Intelligence)
读：AI 3.0
产出：写一份我理解的AI能力边界笔记（500字即可）

第2阶段：上手实践（2-4周）

用：GPT-4o / Claude / Kimi / 通义千问（每个至少深度用一周）
学：吴恩达 ChatGPT Prompt Engineering（1.5小时）
练：每天用AI完成3个实际工作/生活任务
看：llm-cookbook（2.4万星，选读非技术章节）
产出：整理你的Prompt模板库（至少20个）

第3阶段：深度使用（4-8周）

探索：RAG、Agent、工作流自动化
比较：同一任务用不同模型，记录差异
学习：了解API基础概念（不需要写代码，但要懂原理）
读：Prompt-Engineering-Guide（7.4万星）
产出：你的AI工作流SOP文档

第4阶段：权威使用者（持续）

跟踪：每周关注AI领域最新动态
分享：教别人用AI（最好的学习方式是教）
实践：在你的专业领域，成为最会用AI的那个人
产出：你的行业AI应用指南

二、权威使用者的核心能力矩阵

能力	说明	如何获得	检验标准
Prompt设计	精准表达需求的能力	大量练习+学习模式	同一任务，你的Prompt比普通人效果好3倍以上
模型选择	知道什么任务用什么模型	多模型对比测试	能说出每个模型最适合的3个场景
幻觉识别	能识别模型什么时候在胡说	经验+交叉验证习惯	能发现模型回答中的事实性错误
工作流设计	把AI嵌入日常工作流程	实践+迭代	你的工作中30%以上任务有AI参与
信息筛选	在海量AI信息中辨别真伪	关注可靠信源	能区分营销噱头和真实进展
伦理判断	知道什么时候不该用AI	学习伦理框架	能说出3个不适合用AI的场景
持续学习	AI领域变化太快	建立信息渠道	每周花2小时跟踪AI动态

三、日常练习（权威使用者的每日功课）

每日一问：每天问AI一个你不知道答案的问题，然后交叉验证
Prompt迭代：同一个问题，用5种不同方式提问，比较结果差异
模型横评：同一个任务，用GPT-4o、Claude、Kimi、通义分别做，记录差异
幻觉测试：故意问一些模型容易出错的问题（如最新事件、专业细节），观察幻觉模式
工作流优化：每周审视自己的工作流，思考这件事能不能用AI做得更好

四、信息渠道推荐

中文渠道：

机器之心（jiqizhixin.com）：最权威的中文AI资讯
量子位（qbitai.com）：AI产业动态
新智元：AI技术解读
B站：李沐、李宏毅的AI课程
公众号：AI科技评论、硅星人、晚点LatePost
GitHub：datawhalechina/llm-cookbook、Awesome-Chinese-LLM

英文渠道：

Anthropic Blog：Claude的技术博客，写得极其清晰
OpenAI Blog：官方更新
Google DeepMind Blog：前沿研究
The Decoder、Ars Technica：AI新闻
X/Twitter：@_akhaliq（AI论文速递）
GitHub：dair-ai/Prompt-Engineering-Guide、Awesome-LLM

五、常见误区（权威使用者必须避开的坑）

把AI当搜索引擎：AI生成的是最可能的回答而不是最准确的回答
过度信任AI：AI会一本正经地胡说八道，关键信息必须交叉验证
只用一个模型：不同模型在不同任务上各有所长，善用多模型
Prompt太简短：帮我写个报告 vs 你是一位资深商业分析师请帮我写一份市场分析报告，结果天差地别
忽略上下文管理：长对话中早期信息会被遗忘，关键信息需要适时重申
不知道温度参数：创造性任务用高温度，事实性任务用低温度
不用AI优化AI：让AI帮你优化Prompt、分析结果、设计工作流
不跟踪更新：AI领域以周为单位变化，一个月不看就落伍了
认为AI无所不能：AI在需要真实世界经验、深层专业判断、人际互动的场景仍然不足
认为AI随时会被淘汰：AI是工具不是替代者，善用AI的人永远不会被淘汰

附录：速查表

模型选择速查表

任务类型	推荐模型	理由
中文写作	通义千问 / 文心一言	中文语料最丰富，表达最地道
英文写作	GPT-4o / Claude 4	英文表达最自然、最专业
代码生成/理解	GPT-4o / Claude 4 / DeepSeek	代码能力最强
长文档分析	Kimi / Gemini / Claude	上下文窗口大，能处理整本书
数学/逻辑推理	o1 / o3 / DeepSeek-R1	推理能力最强，会一步步思考
多模态理解（看图说话）	GPT-4o / Gemini	图片+文字处理最好
角色扮演/情感交互	MiniMax / Claude	情感交互能力强
性价比/免费	DeepSeek / GPT-4o mini / 豆包	免费或极低价
安全敏感场景	Claude	安全对齐做得最好
私有部署	Llama / Qwen / GLM	开源可私有化

Prompt设计模式速查表

模式	适用场景	模板
角色设定	需要专业回答	你是一位[角色]，请...
思维链（CoT）	需要推理过程	请一步步思考，然后给出答案
少样本学习	需要特定风格	请参考以下示例：[示例1] [示例2]
格式约束	需要结构化输出	请用[JSON/表格/列表]格式输出
反向验证	需要减少幻觉	如果不确定，请说我不知道
分步执行	复杂任务	第一步：... 第二步：... 第三步：...
自我反思	提高质量	请检查你的回答，指出可能存在的问题
对比分析	需要多角度	请从正反两方面分析...

关键数字速记

概念	数字
Transformer提出年份	2017年
GPT-1参数量	1.17亿
GPT-4参数量	约1.8万亿（未公开，估算）
训练1个大模型的成本	数百万到数千万美元
1个token（英文）	约0.75个单词
1个token（中文）	约1-2个汉字
典型上下文窗口	4K到200万token
AI领域更新频率	以周为单位

结语

AI不是魔法，也不是威胁。它是一个极其强大的模式匹配工具，它的能力取决于你如何使用它。

开发者构建它，但使用者决定它能创造什么价值。

成为权威使用者的核心不是知道模型有多少参数、用了什么架构，而是：

知道它能做什么、不能做什么
知道怎么问才能得到最好的答案
知道什么时候该信、什么时候该怀疑
知道怎么把它嵌入你的工作流
保持好奇，持续学习

世界上确实有两种人：一种是AI的开发者，一种是AI的权威使用者。当不了第一种，就当第二种——哪怕淘汰，也是最后一批被淘汰的人。

🚀 部署运维

AI运维体系驾驭指南(LLMOps)

架构师视角：AI系统架构设计与大模型部署