大概一个月前有个做Java后端的朋友找我说想转大模型方向问我怎么系统性入门。我一开始以为他只是缺教程结果他硬盘里存了十几个G的资料知乎收藏了上百篇回答真正动手的时候还是一脸懵——模型下载不下来显存不够报错微调跑起来loss不降连该看原理还是该先跑代码都拿不准。这其实不是个例大部分人学大模型卡住的根本原因不是缺资料而是缺一条能把资料串起来的线。所以我干脆把手头这份系统性入门资料重新梳理了一遍把学习路线、核心原理、微调实战、部署推理、常见坑位全部串成一条完整链路分享出来希望能帮你少走几个月的弯路。这份资料面向三类人一是刚入门的开发者和在校学生需要从零建立大模型的知识框架二是已经会调API、想往工程方向深入的同学需要补上微调和部署这块硬功夫三是团队里负责技术选型或做内部培训的人可以直接拿这套路线当参考大纲。它的核心价值不在于收录了多少文档而在于把“该学什么、按什么顺序学、学到什么程度算会了”这件事讲清楚了。1. 先搞清楚大模型入门到底在学什么1.1 别把它当成“又一个深度学习框架”很多人一上来就找代码、看公式方向其实错了。大模型和传统深度学习模型最本质的区别不是结构变复杂了而是训练范式整个换了。传统模型是“一个任务训练一个模型”数据标注成本高换场景就得重来。大模型走的是“预训练对齐”的路子先用海量文本把模型训练成一个通用的“语言底座”这个底座本身已经具备理解、推理、生成的能力然后再通过指令微调、人类偏好对齐等方式让它学会“听指挥”。这套范式带来的改变是革命性的——同一个底座你可以通过微调变成客服、变成代码助手、变成文档分析器而不需要从零开始训练。如果你的背景是NLP或机器学习可以直接跳过一些基础概念但如果你是纯工程背景那Transformer结构、注意力机制、tokenizer、嵌入向量这几个基础概念是绕不过去的。这块学不扎实后面看微调、看部署都会觉得像在听天书。1.2 一张技术版图从LLM到多模态到Agent我建议所有入门的人先花半天时间建立一张技术版图搞清楚大模型这条技术栈到底有哪些层级。有了这张版图你学任何东西都能知道自己站在地图的哪个位置。底层是模型本身包括模型架构目前主流基本是Transformer的变体、预训练方法、分词器tokenizer、上下文窗口机制。这是最接近“原理”的部分面试考八股文基本都在这一层。中间层是工程化能力微调比如LoRA、QLoRA这类参数高效微调技术、推理优化vLLM这类推理加速框架、量化压缩、评测方法。这是做落地必须掌握的也是资料里最实用的一块。上层是应用开发提示词工程和上下文工程、检索增强生成RAG、智能体Agent、多模态应用。这一层离业务最近也是现在就业市场上需求最大的。你看那些热搜词——大模型微调实战、本地部署大模型让个人电脑智能化、主流agent框架有哪些、vllm部署大模型——基本都分布在这三个层级里。先建立全景认知再逐层击破这是我认为最不容易走偏的入门方式。1.3 系统性入门资料应该包含哪些模块一份真正靠谱的系统性入门资料核心不是资源堆积而是模块划分和学习顺序。我整理资料时按五个大模块来组织给每个模块也配了对应的常见问题方便你按需查阅模块核心内容对应的高频问题基础理论Transformer、tokenizer、注意力机制、预训练与对齐范式大模型原理是什么LLM八股文考什么模型微调LoRA/QLoRA、数据构造、训练参数调优微调效果不好怎么排查GPU显存不够怎么办推理与部署量化、vLLM部署、Ollama本地运行、显存估算个人电脑能跑多大的模型用什么框架部署应用开发提示词工程、上下文工程、RAG、Agent框架怎么接API主流Agent框架选哪个评测与安全模型评估指标、幻觉控制、安全测试模型胡说八道怎么办投毒测试是什么这套模块划分的逻辑是从“理解”到“训练”再到“应用”每一步都以上一步为基础。我见过太多人上来就学Agent框架结果连API返回的chat completion结构都看不懂那学起来就是空中楼阁。2. 系统性学习路线从零基础到能干活2.1 第一阶段基础理论与数学兜底这一阶段的目标不是让你成为理论专家而是让你能看懂模型的输入输出逻辑以及具备读懂技术文档的基本功。第一个要搞清楚的概念是tokenizer。大模型处理的不是“字”而是“token”——可以理解成模型自己的一套字符切分方式。一个中文汉字经常对应一到三个token英文单词则通常是一个或多个token。你调用模型API时计价按token算上下文限制按token算微调时最大长度也按token算这个概念不懂后面处处碰壁。第二个是Transformer的核心机制——自注意力。一句话概括模型在生成每个词的时候会“回看”输入序列中的其他词动态计算每个词对当前词的重要程度。这里最好配合代码看我推荐nanoGPT这个项目几百行代码把GPT的训练和推理讲得明明白白比起直接啃原始论文理解效率高很多。第三个是位置编码重点看RoPE旋转位置编码。你只要知道一件事模型对词的位置信息是“编码”进去的而且现在主流模型对位置的敏感度非常强后面做上下文工程的时候会用到这个特性。这个阶段的自测方式很简单能不能给别人讲清楚“为什么大模型能生成看起来合理的文字”能讲清楚就算过关了。2.2 第二阶段提示词工程与上下文工程基础原理看完我建议不要急着碰微调先用现成的模型API或者开源模型把提示词工程和上下文工程这两个相对低门槛但极其重要的技能练熟。提示词工程的核心不是“写指令”而是“给约束”。同样是“写一份活动策划”和“你是一名资深活动策划请为一场200人的开发者线下沙龙写一份三小时的活动流程需要包含签到破冰、主题分享、动手实践和自由交流四个环节预算控制在8000元以内输出格式为时间环节负责人”得到的结果质量完全不是一个量级。上下文工程是比提示词工程更进阶的能力也是现在行业里讨论很多的方向。它的核心是管理“上下文窗口”——也就是模型一次能看到的全部内容。实操中有几个关键点关键指令放在上下文的开头和结尾实验结果普遍表明模型对这两处位置的注意力更强中间堆超长文档时信息容易被“稀释”所以要做信息压缩或分段检索上下文窗口不是越大越好每增加一倍的token数推理延迟和显存占用都会明显上涨。我的建议是这个阶段至少做三个练习写一个可复用的系统提示词模板、把一个长文档问答场景用上下文工程跑通、做一个输出格式严格受控的示例比如让模型只输出JSON。这三级练习做完你对“大模型到底怎么跟人协作”就有手感了。2.3 第三阶段微调实战与数据工程很多人把微调想得太神秘了其实微调就是“在预训练底座的基础上用你的业务数据再做一步有监督训练”目的是让模型适应你特定的数据分布和输出格式。但微调也不是万能的我甚至建议你在决定微调之前先问自己三个问题现有模型通过提示词能不能实现能不能通过RAG检索来注入私有知识你真的有足够的、干净的、有代表性的数据吗如果这三个问题的答案都是“确实需要微调”或“不微调不行”再进入实操。微调路线分为全参数微调全量微调、LoRA和QLoRA微调方式需要训练的参数量显存需求适用场景全参微调全部参数极高7B模型通常要40G以上数据量极大、领域差异极大LoRA约1%参数7B模型在消费级显卡可跑大多数业务场景QLoRA约1%参数4bit量化基座比LoRA更低个人单卡极限场景LoRA是目前绝大多数场景下的首选它的思路非常巧妙冻结底座模型的权重只在注意力层旁边加一个低秩矩阵训练时只更新这个矩阵。效果上能达到接近全量微调的水平但显存和训练时间都大幅缩减。数据质量比数据量重要得多。我在实操中反复验证过一个结论500条高质量、格式统一的对话数据效果经常好过5万条随手爬来的噪声数据。微调数据至少要做三件事去重、去脏、统一格式。数据里一个标签不一致、一个换行符混乱都会直接反映在模型输出上。这个阶段我强烈建议直接上手LLaMA-Factory这个开源工具它把数据处理、训练、推理、评测整个流程都封装好了支持各类主流大模型对新手非常友好。2.4 第四阶段推理部署与性能优化微调完的模型是要拿来用的部署就是让模型“跑起来”并且“跑得快”的事情。这个阶段解决三个问题模型放在哪跑、跑多快、怎么省资源。如果是本地个人使用我建议从Ollama开始。它是一个把模型下载、运行、封装成API一条龙完成的工具支持Windows、macOS、Linux一条命令就能把模型跑起来。如果你的电脑只是日常配置没有独立显卡或显存很小建议从7B级别的量化模型开始比如qwen2.5:7b这类。如果是服务化部署要给团队或产品提供接口vLLM是目前最主流的选择。它的高吞吐推理能力非常关键原理上用了PagedAttention页式注意力和连续批处理通俗理解就是“把一个batch里的多个请求拼在一起并行计算”显存利用率和吞吐量都远超原生推理方式。vLLM开箱即用的部署命令非常简单vllm serve Qwen/Qwen2.5-7B-Instruct --gpu-memory-utilization 0.9 --max-model-len 8192这个命令里两个参数值得多解释一下。--gpu-memory-utilization 0.9表示允许vLLM使用90%的显存剩下10%留给CUDA上下文和其他进程防止OOM--max-model-len 8192限制最大上下文长度如果开太大显存会被KV cache撑爆。如果你对推理引擎的内部机制感兴趣可以看看nano-vLLM这类教学性质的开源项目它把vLLM的核心流程用最小化代码实现特别适合用来学习连续批处理、显存管理这些关键功能是怎么设计的。2.5 第五阶段应用开发与落地部署好了模型接下来就是让它真正干活。这个阶段的核心技能是掌握模型输入输出接口也就是API协议和围绕它构建的应用框架。现在各家的API基本都兼容OpenAI的Chat Completions格式你只要学会一个其他厂商的接口基本是同样的套路。比如用Python调用本地vLLM服务from openai import OpenAI client OpenAI(base_urlhttp://localhost:8000/v1, api_keyEMPTY) resp client.chat.completions.create( modelQwen/Qwen2.5-7B-Instruct, messages[{role: user, content: 用三句话解释什么是检索增强生成}] ) print(resp.choices[0].message.content)如果你在Java生态里做应用Spring AI这个项目值得关注它把大模型接入做成了类似Spring Data的标准化方式减少了大量的胶水代码。这一阶段有两个更贴近实际业务的玩法也是现在企业里应用最多的方向第一个是RAG检索增强生成。核心思路是“先检索再生成”——从你的文档库里找出和用户问题最相关的片段拼进上下文再让大模型基于这些片段回答。这是一个把私有知识库和实时数据注入大模型的标准姿势比微调的成本低得多见效也快得多。第二个是让大模型调用工具。比如有人问“如何使用大模型分析不同股票的K线图”本质上是把K线数据整理成结构化指标、让模型读懂数据含义并按规则输出判断再由代码去执行画图或下单操作。这里考验的是你拆解任务、定义工具的能力而不是模型本身有多聪明。3. 核心实战环节的实现细节3.1 本地部署个人电脑如何选模型“让个人电脑变智能”这件事听起来酷但真上手时最大的一道坎就是显存。很多人兴冲冲下载了一个32B的模型结果点击运行的时候直接OOM体验非常劝退。选模型前建议先算一笔账。大模型显存需求可以粗略估算为模型参数量乘以每个参数占用的字节数再乘以一个冗余系数。以加载7B模型为例半精度FP16下每个参数占2字节那么加载权重就需要约14GB显存再加上KV cache和运行时开销实际需要大约16到18GB显存。如果换成4bit量化比如GPTQ或AWQ格式每个参数约0.5字节同样的7B模型只需要大约4GB权重显存这就是为什么量化之后普通游戏显卡也能跑起来。模型规模FP16所需显存4bit量化所需显存推荐配置7B14GB4GB~6GB8GB以上显卡13B26GB8GB~10GB12GB以上显卡32B64GB18GB~20GB24GB以上显卡或双卡我自己的经验是本地部署的第一个成功项目不要贪大用7B量化模型跑通全流程再逐步换更大的模型。先跑通再深入这是所有部署实操的第一原则。Windows 11环境下的部署有些模型格式在Windows上兼容性会有些问题建议优先选择GGUF格式的量化版本配合Ollama或LM Studio运行省去C编译环境的折腾。比如直接执行ollama run qwen2.5:7b一条命令就能在本地拉起一个可对话的模型服务这也是我推荐新手第一周内完成的任务。3.2 用vLLM部署吞吐量提升的关键在哪里本地体验用Ollama够了但是一旦涉及到给多个人用、或者接入业务系统就得考虑高并发推理能力这时候vLLM就该出场了。vLLM的吞吐量优势根源在于PagedAttention。传统推理时每个请求的KV cache要提前申请一整块连续的显存空间申请得多了浪费少了会溢出。vLLM把KV cache拆成固定大小的“页”像操作系统的虚拟内存一样按需分配利用率大幅提高。同时它还支持连续批处理意思是一个请求生成完一个词后不用等整个序列生成完新的请求可以立刻插入当前批次参与计算GPU始终处于满载状态。实际部署时除了前面说的显存利用率和上下文长度还有几个参数也值得注意--max-num-seqs控制并发序列数一般默认256就够用--served-model-name可以自定义对外暴露的模型名称方便你后续切换模型而不需要改业务代码。如果你是运维或平台方向的人强烈建议抽时间读一下vLLM的官方文档把PagedAttention的机制吃透。面试大模型推理优化相关岗位时这块几乎是必问的考点。3.3 微调实操LoRA参数与训练过程详解微调实操这块我以LLaMA-Factory工具为例带你走一遍完整的流程。第一步是数据准备。LLaMA-Factory支持多种数据格式最通用的是对话格式。比如你想让模型学会“用一句话总结会议纪要”数据格式长这样[ { conversations: [ {role: system, content: 你是一个会议纪要总结助手用一句话输出会议核心结论。}, {role: user, content: 下午三点项目组开了会讨论了新版登录模块的三套方案最终决定采用扫码登录方案预计本月25号完成开发。}, {role: assistant, content: 本月25号前完成新版扫码登录模块的开发。} ] } ]数据量建议一开始准备500到2000条高质量样本就够了。很多公开的微调数据集质量参差不齐如果你要训练一个业务模型我建议宁可用自己的业务数据也不要直接拿一堆公开数据开训。第二步是选LoRA参数。我常用的经验值是rank16或32alpharank*2learning_rate2e-4num_epochs3。这只是起步值需要根据loss变化和评测结果做调整。如果loss在训练集上降不下去调大学习率或rank如果在验证集上不降反升赶紧减小学习率加early stopping。第三步是执行训练。一张消费级显卡如24GB显存用QLoRA方式训练7B模型两三小时可以完成一轮。训练命令也简单llamafactory-cli train --model_name_or_path Qwen/Qwen2.5-7B-Instruct --dataset my_data.json --template qwen --lora_rank 16 --lora_alpha 32 --batch_size 4 --learning_rate 2e-4 --num_train_epochs 3这里关键点在于batch_size是由显存决定的24GB跑4并发基本到头了如果显存不够就减半梯度累积也可以用来等效增大batch size。训练过程中盯两个东西训练loss是否在稳步下降以及每隔几百步做一次采样输出看生成结果是否在向目标格式靠拢。3.4 API接入与免费API选型很多人入门大模型的第一步不是部署而是调用API。目前主流的API分两种一种是云厂商的付费接口另一种是社区公益接口和开源平台的免费额度。对于学习练手来说免费渠道完全够用。找免费大模型API要注意两个问题一是看渠道是否正规二是注意密钥安全。开源社区里有很多聚合类项目比如one-api这类自建网关可以把多家模型接入统一管理也有像OpenRouter这样的开放平台提供免费模型额度。我个人的建议是优先用知名云厂商的限免额度或开源平台的自助服务不要轻信来路不明的“公益API”这类接口往往不稳定还有数据泄露风险。调用层面现在API基本统一走OpenAI兼容格式这是一个巨大的福利。你只需要写一套代码换一下base_url和api_key就能切换不同模型供应商。调用时注意几个细节temperature控制随机性做事实性问答调低到0.3以下做创意写作可以调到0.8以上max_tokens控制生成长度top_p配合temperature一起用但一般调其中一个就够了。4. 常见问题与避坑实录4.1 显存不够怎么办这是我被问得最多的问题没有之一。显存不够的解法其实是一套组合拳按优先级排序换更小的模型。7B不行换3B3B不行换1.5B很多场景下小模型加上好的提示词效果并没有想象中那么差。做量化。FP16换成4bit的GPTQ或GGUF格式显存需求直接降一半以上效果损失通常在可接受范围内。打开CPU offload。Ollama和vLLM都支持把部分层放到内存里计算速度会慢不少但至少能跑起来。缩短上下文长度。刚才说了这个参数对显存影响极大8192和4096之间的显存差距可能就有几个GB。我自己有一块8GB显存的旧显卡部署7B量化模型配合4K上下文窗口跑RAG场景完全能干活。所以显存小不是放弃的理由关键是学会做减法。4.2 微调效果不如预期微调完模型效果没变化甚至变差了问题大概率不在训练环节而在数据。先说一个最常见的坑数据格式错乱。很多人从网上找的数据集本身存在对话格式不统一、系统提示词缺失、特殊符号混入等问题。模型学到的不是你想要的业务逻辑而是数据里的噪音。所以训练前一定要清洗数据至少做一遍格式校验。第二个常见问题是“灾难性遗忘”。模型微调后学会了新数据里的格式和内容但把原来通用的能力丢了。防范手段通常是在微调数据里混入20%到30%的通用对话数据就像你背新单词的同时也要复习常用句式否则出口就是“翻译腔”。第三个问题是验证方式缺失。很多人微调完只凭“感觉”判断效果。更好的做法是留出200条左右的测试数据微调前后分别让模型生成结果做一次系统对比。有条件的可以把对比结果做个打分表这样才知道微调到底带来了多少实际增益。4.3 幻觉问题与控制策略大模型一本正经地胡说八道是应用落地过程中最头疼的事情之一。所谓幻觉就是模型生成的内容和事实不一致但它自己完全“意识不到”。控制幻觉有几层手段。最基础的是调低temperature让采样更保守减少模型的“自由发挥”。然后是系统提示词明确约束比如“只依据提供的文档内容回答不要推测”。更高阶的是RAG框架把事实性内容先检索出来再喂给模型让模型当“复述者”而不是“编造者”。再往上还有一些安全和对齐手段比如在部署前做一轮评测针对模型容易出错的领域定向补充微调数据。顺便解释一个很多人疑惑的现象为什么大模型的输出有时候“只输出固定几种类型的概率”这通常是因为系统在模型输出层加了约束比如你让模型做情感分类它内部生成的是“正面/负面/中性”这几个词的概率分布然后在解码时限制只取这几种token。这种约束机制就是大模型做判别任务的基础也是面试里经常出现的一个考点。4.4 不同任务场景怎么选模型选模型没有银弹关键是按任务类型匹配合适的规模和微调程度。我按常见场景给你一个选型参考任务场景模型选择思路实操建议通用对话/问答7B~32B开源模型首选Qwen2.5、Llama系列本地部署选量化版代码生成/辅助代码专项模型或通用强模型代码补全用代码专项模型解释调试用大模型科研论文写作辅助长上下文模型检索增强重点在上下文工程把文献喂进去再让模型总结金融/股票K线分析通用模型结构化数据工具让模型调用计算工具算指标再基于结果做判断轻量级分类任务小模型微调7B以下量化模型LoRA速度快成本低关于选型我多说一句不要被各种奇怪的模型缩写和推荐贴带偏节奏。判断一个模型适不适合你的场景唯一靠谱的方法就是拿你自己的数据去跑一次评测。我在实际工作中见过很多技术选型会议在纠结几个模型的细节参数最后跑一遍才发现某个小模型在特定任务上吊打大模型——这种事太常见了。4.5 大模型八股文与面试必备如果你准备找大模型方向的工作除了会动手还需要一些“八股文”性质的硬知识。我整理了一份高频考点清单按重要性排序Transformer结构自注意力、多头注意力、FFN、残差连接Tokenizer原理BPE分词、token与字符的换算关系KV Cache推理时为什么可以缓存历史计算的Key和Value以及它的显存开销位置编码RoPE的原理和优势为什么它对长文本影响很大微调与对齐LoRA原理、RLHF/DPO的区别、SFT的作用量化常见的GPTQ、AWQ、GGUF、FP16/INT8/INT4的区别推理优化vLLM的PagedAttention、连续批处理应用框架RAG、Agent的主流实现方案。面试官通常不指望你背出所有公式但会通过追问来检验你是真懂还是背题。所以每一个概念尽量用自己的话解释一遍并配合一个实际项目经历来佐证。5. 从入门到进阶还能往哪些方向走5.1 主流Agent框架怎么选学完模型本身的部署和微调很多人下一个自然的方向是Agent。Agent的核心是让大模型不只“会说话”还能“会办事”——理解目标、拆解任务、调用工具、反思修正。选Agent框架时先看你的场景。LangChain是通用型框架生态最大适合快速搭建串联型的应用LlamaIndex在RAG和知识库场景做得更深入如果你要做文档问答优先考虑它如果做多智能体协作LangGraph或AutoGen这类图编排和多Agent通信框架更合适如果是纯低代码平台一些可视化编排工具可以让你不写代码先把流程验证起来。我的学习建议是不要同时学多个框架先选一个主框架把核心概念吃透——比如LangChain里的Chain、Tool、Memory、Agent这几个抽象。吃透一个再看其他框架会觉得万变不离其宗大模型应用层的东西抽象来抽象去就那么几件事。5.2 从个人项目走向企业私有化部署如果目标是企业落地那需要考虑的问题就完全不一样了。个人跑一个模型追求的是“能用”企业部署追求的是“稳定、安全、可维护”。企业私有化部署有四个核心关注点一是数据安全敏感数据不出内网模型必须跑在自己的服务器上二是算力规划需要根据并发量反推GPU数量和型号三是监控与评测体系不能只看单次回答好不好要建立自动化的评测集和回归测试流程每次升级模型都要跑一遍四是安全测试包括模型对恶意输入的抵抗能力、越狱攻击的防护以及业内常说的投毒测试——检测训练数据中是否被恶意注入了有害样本。这块在国内合规要求日益严格的环境下是任何大模型落地项目都绕不开的环节。如果是个人或小团队想在企业内部推广我建议从单机部署开始先跑通一个内部知识库问答系统等业务验证有效果之后再往集群化、多模型管理方向迭代。5.3 多模态、知识抽取与更多延伸方向大模型入门到一定程度后你会发现这个领域的方向远比你想象的分支更多。多模态大模型是现在最热的方向之一核心是让模型同时理解文本、图像、音频甚至视频实现跨模态的对齐和推理。知识抽取也是值得关注的实用方向比如在文档智能领域用大模型做命名实体识别、关系抽取、事件抽取会比传统NLP方法泛化能力强很多。开源社区里像OneKE这类知识抽取框架专门针对复杂文档做结构化信息抽取企业做知识图谱建设时经常用到。还有一个容易被忽视的方向是评测。模型越来越强怎么衡量它到底好不好反而成了难题。从基础的准确率、BLEU这类指标到更贴近业务的业务指标评测再到对齐安全评测这整条“评测”赛道目前人才缺口很大而且越往后走越吃香。5.4 一路走下来需要的工具清单最后分享一份我整理资料时常用的工具清单也是完整走完这条路线的必备工具箱类别工具/项目用途说明模型下载Hugging Face、ModelScope下载开源模型权重和数据集本地运行Ollama、LM Studio个人电脑快速跑量化模型推理加速vLLM、nano-vLLM高并发推理、学习推理原理微调训练LLaMA-Factory、TransformersLoRA微调和全参微调应用开发LangChain、LlamaIndex、Spring AI构建RAG和Agent应用API管理one-api、OpenRouter统一管理多家模型API这份清单不求全求的是“每一类你只需要学一个”。工具的价值是帮你达成目标而不是让你陷入“收藏了就是学会了”的虚假满足感。我的习惯是任何新工具先跑通一个最小用例再读文档去理解背后的机制最后才考虑要不要用到正式项目里。最后再分享一个我整理这套资料时最大的体会大模型入门拼的从来不是智商和资源而是节奏感。很多人学不下去不是因为难是因为在错误的阶段学了错误的内容——还没跑通部署就去啃论文还没做过微调就开始研究强化学习。这套资料里我最看重的部分恰恰是把学习顺序拆成了一个一个环环相扣的闭环。每学完一个模块就有一个明确的验证动作等着你部署了就立刻聊几轮微调了就留一批测试数据打分接API就写一个小应用跑起来。能让你在第一周就看到一个会“说话”的本地模型第二周就能把它的输出格式改造成自己需要的样子这种即时反馈带来的推进感比任何学习规划都管用。按这个节奏走下来一个月后你会发现自己已经能独立完成一个从模型部署到业务应用的小项目了。
