本文系统梳理了大模型的技术栈分层从Agent应用层到硬件层帮助读者建立清晰的技术认知框架。文章详细解析了大模型框架的演变逻辑、训练范式的演变逻辑、推理技术的关系网以及Agent框架的技术栈等内容并探讨了多模态的统一路径、Benchmark的取舍逻辑等关键问题。通过本文的学习即使是小白也能对大模型有一个全面而深入的理解。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Densescaling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1Chat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2Reasoning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3Agent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MTPMLA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 BoundMTP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 劣势各模态编码器独立、架构不够优雅07 Benchmark的取舍逻辑❌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GPUCPU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如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线互联网企业工作十余年里指导过不少同行后辈。帮助很多人得到了学习和成长。我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限很多互联网行业朋友无法获得正确的资料得到学习提升故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。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】为什么要学习大模型我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年人才缺口已超百万凸显培养不足。随着AI技术飞速发展预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。大模型入门到实战全套学习大礼包1、大模型系统化学习路线作为学习AI大模型技术的新手方向至关重要。 正确的学习路线可以为你节省时间少走弯路方向不对努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划带你从零基础入门到精通2、大模型学习书籍文档学习AI大模型离不开书籍文档我精选了一系列大模型技术的书籍和学习文档电子版它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。3、AI大模型最新行业报告2025最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。4、大模型项目实战配套源码学以致用在项目实战中检验和巩固你所学到的知识同时为你找工作就业和职业发展打下坚实的基础。5、大模型大厂面试真题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我精心整理了一份大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。适用人群第一阶段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…学习是一个过程只要学习就会有挑战。天道酬勤你越努力就会成为越优秀的自己。如果你能在15天内完成所有的任务那你堪称天才。然而如果你能完成 60-70% 的内容你就已经开始具备成为一名大模型 AI 的正确特征了。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】