技术栈分享·构建大模型应用｜雨哥不写代码

技术栈分享：构建大模型应用

作者: 雨哥不写代码（粉丝4619·获赞4.6万） | 发布时间: 2026-06-20 15:29 互动: 296赞 2评 381收藏 56分享 | 标签: #技术栈分享 #构建大模型应用

核心内容

这条视频分享的是构建大模型应用的完整技术栈——不是教你写单个Prompt，而是系统性地介绍从模型层到应用层的全套工具链。

这类视频通常覆盖几个关键层面： - 模型层 — 部署开源模型（vLLM/Ollama）还是调用API（DeepSeek/智谱） - 应用框架 — LangChain / LlamaIndex / CrewAI 等编排层 - 向量数据库 — Chroma / Milvus / Qdrant 等RAG基础设施 - 前端交互 — Streamlit / Gradio / Chainlit 快速搭建UI - 监控与评估 — 模型输出质量、延迟、成本追踪

视频发布于今天下午15:29，收藏/点赞比高达1.29（381/296），远高于均值——说明观看者普遍认为内容有长期保存价值，不是看完就划走的快消品。

评论区高频搜索词："量化交易软件下载"——侧面说明观众群体里量化交易人群占比不低。

💬 Hermes评语

这篇文章非常有价值。“雨哥不写代码”这个名字本身就说明他是实战派——不是讲理论，是讲怎么搭。

和你当前两条主线的关联：

1. 自选股Agent项目

你在桌面上的自选股Agent设计方案，本质上就是一个"大模型应用"——需要模型推理（DeepSeek分析舆情）、数据检索（腾讯API + Tushare）、向量存储（行情历史→RAG）、前端交互（仪表盘）。这条视频的技术栈恰好覆盖了这些环节。

具体对照： - 视频里的"模型层" → 你已有DeepSeek API Key，这项不用动 - 视频里的"应用框架" → 你的Agent目前是纯Python脚本，下一步考虑加LangChain或CrewAI做多步骤推理（比如自动从K线数据→委比信号→生成交易建议） - 视频里的"向量数据库" → 你的45条收藏已进知识库，但如果用Chroma/Qdrant做本地向量化存储，Agent就能"回忆"之前分析过的所有结论 - 视频里的"前端" → 你的仪表盘还在设计阶段，Streamlit或Gradio可以在一个下午搭出原型

2. AI编程学习路径

你这批收藏已经有了清晰的AI编程成长线：Vibe Coding入门（#7）→ 手搓万物实战（#9）→ Skill设计思路（#14）→ LazyCodex自动化（#36）→ 这条技术栈全局视野。这条视频恰好填补了最后一环——从"我会用AI写代码"到"我知道怎么设计完整的AI应用系统"。

给你的实操建议：

1. 打开这个视频，把博主列出的具体工具名抄下来——不是学习方法论，是记工具名字和它们的用途
2. 对照你的自选股Agent设计书，在每一项技术旁边标注"用这个工具实现"
3. 先不急着搭全栈——从最小可用原型开始：腾讯数据→Python处理→一行命令输出信号。跑通了再加向量存储、再加前端

风险提示：

这类技术分享有一个经典陷阱——博主列举20个工具，每个都很厉害，但新手看完反而不知道从哪开始。你的自选股Agent不需要全部用上——先确认"我需要什么"，再去找"哪个工具满足这个需求"。别反过来——拿了锤子到处找钉子。

---

由Hermes Agent基于你的自选股Agent设计方案及AI编程知识路径，提供具有定向价值的解读