摘要：关于 AI（人工智能）的发展历程，我们可以将其划分为Artificial Intelligence（弱人工智能）、Machine Learning（机器学习）、Deep Learning（深度学习） 和 Large Language Model（大语言模型）四
关于 AI（人工智能）的发展历程，我们可以将其划分为 Artificial Intelligence（弱人工智能）、Machine Learning（机器学习）、Deep Learning（深度学习） 和 Large Language Model（大语言模型）四个关键阶段，每个阶段都会有标志性的重大技术突破和应用领域的扩展。
四个关键阶段的技术特点对比：
阶段时间代表性技术成果数据规模技术栈弱人工智能1950年 ~ 1990年基于人工设计的规则系统数百规则集基于专家知识和规则的系统机器学习1990年 ~ 2012年HMM，CTF，SVM，反向传播，卷积网络百万级标注数据统计机器学习算法 + 算法包（scikit-learn，XGBoost）深度学习2013年 ~ 2018年ImageNet，ResNet，Word2vec，Attention，Transformer十亿级标注数据深度神经网络 + 开发框架（TensorFlow，PyTorch）大语言模型2018年 ~ 至今BERT，PaLM，LLaMA，GPT-5，GLM全网万亿级数据，十亿用户反馈预训练 + 微调 + 开源社区Artificial Intelligence（弱人工智能）阶段：
关键词：symbolic（符号主义）、基于规则、专家系统、图灵测试。核心特点：以理论基础建立为核心，采用符号主义方法，受限于计算与数据，系统多针对特定简单问题，泛化能力不足。代表成果：约翰·麦卡锡提出“人工智能”概念以及 DENDRAL 专家系统在化学领域的成功应用，这两者共同奠定了 AI 发展的基础。Machine Learning（机器学习）阶段：
Deep Learning（深度学习）阶段：
Large Language Model（大语言模型）阶段：
我们可以将 AI 大模型的技术划分为提示工程（Prompt Engineering）、AI 智能体（Agents）、大模型微调（Fine-tuning）、预训练技术（Pre-training）四阶技术。
提示工程（Prompt Engineering）是大模型时代的沟通话术。我们可以将大模型当做自己的工作伙伴，共同解决工作中的种种问题。
基于 GPT 的 Prompt 技巧最佳实践：
角色设定：擅于使用 System 给 GPT 设定角色和任务，如：资深架构师；指令注入，在 System 中注入常驻任务指令，如：解决各种架构设计问题；问题拆解：将复杂问题拆解成子问题，分布执行，如：把大象装进冰箱，第一步打开冰箱门，第二步把大象放进去，第三步后关上冰箱门；分层设计：创作长篇内容，分层提问，先概览再章节，最后补充细节，如：生成小说；编程思维：将 Prompt 当做编程语言，主动设计变量、模板和正文，如：评估模型输出质量；Few-Shot：基于样例的 Prompt 设计，规范推理路径和输出样式，如：构造训练数据。LangChain Hub 上有很多 Prompt 值得学习和参考：
AI 智能体（Agents）的基础是 ReAct（Reason + Act）范式，即推理-行动范式。它的核心思想是使用大模型（LLM）来决策一系列要执行的动作，以完成目标。
我们可以使用 LangChain、Coze、Dify、FastGPT 等去开发搭建自己的 AI Agent。
大模型微调（Fine-tuning）是在预训练大模型（如：DeepSeek、LLaMA、Qwen等）的基础上，用特定领域或任务的数据集对模型参数进行二次训练，让大模型“从通才变成专家”。
大模型微调的本质是通过参数优化、数据适配与领域约束，将通用大模型的能力“聚焦”到特定场景，使其在保持基础能力的同时，精准适配行业需求。
大模型微调的技术路线：
全量微调（Full Fine-Tune，FFT）高效微调（Parameter-Efficient Fine-Tune，PEFT）有监督微调（Supervised Fine-Tune，SFT）基于人类反馈的强化学习（RLHF）基于 AI 反馈的强化学习（RLAIF）训练成本高；灾难性遗忘。1、围绕 Token 做文章：语言模型（PLM）不变
Prompt TuningPrefix TuningP-Tuning预训练技术（Pre-training）是现代人工智能的核心基础，通过在大规模无标注数据上学习通用特征，为模型注入先验知识，显著提升下游任务的性能与效率。
预训练技术的核心价值：
泛化能力：将通用知识迁移至多样下游任务；数据效率：小数据集也能高性能微调；计算优化：避免从头训练的资源消耗。随着 AI 的崛起，原先遵循固定模式的技能正在加速贬值，如：“搬砖”式（机械化的CRUD）的编码工作。而跨领域整合、系统性思考、创造性解决问题、价值判断的技能随着 AI 的发展正在不断地升值，如：AI Agent 架构师（能系统设计 AI 应用）、垂直领域 AI 专家（具备领域知识，能够用 AI 赋能行业）、AI 产品经理（能洞察“人性”和“市场”，具备商业嗅觉和价值判断）、高级提示工程师（能深刻理解和运用大模型的能力）。
我们的机会就在随着 AI 不断发展价值能不断升值的地方，具体的还是需要我们在学习和使用 AI 的过程中，结合自身的情况和 AI 大模型的四阶技术，不断地去探索，从而找到自己的位置。
相信你现在已经知道 AI 大模型的四阶技术，希望你能够结合自己的实际情况分阶段地掌握它们，并将它们应用到自己的实际工作和生活中，找到属于自己的机会。
目前AI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 。
目前，开源人工智能大模型已应用于医疗、政务、法律、汽车、娱乐、金融、互联网、教育、制造业、企业服务等多个场景，其中，应用于金融、企业服务、制造业和法律领域的大模型在本次调研中占比超过 30%。
如果你真的想学习大模型，请不要去网上找那些零零碎碎的教程，真的很难学懂！你可以根据我这个学习路线和系统资料，制定一套学习计划，只要你肯花时间沉下心去学习，它们一定能帮到你！
点这：AI大模型入门到进阶学习包获取
来源：AI大模型知识库一点号