大模型全链路开发：基于书生开源体系的项目实战

Full-Link Development of Large Models: Hands-on Projects Based on the InternLM Open-Source Ecosystem

人工智能正在从”能用的模型”走向”可交付的系统”。本仓库是《大模型全链路开发》一书的配套开源项目，以书生（InternLM）开源体系的”模型—训练—评测—部署—应用”协同架构为主线，帮助读者从零散技术点进入完整的工程流程。

✨ 项目特色

全链路覆盖：从开源生态认知 → 前置技能 → 模型解析 → 部署评测 → 多模态应用 → 微调优化 → 进阶开发 → 综合交付
真实工具链：InternLM3、InternVL、LMDeploy、OpenCompass、XTuner 等书生生态核心工具
项目实战驱动：每章配套可复现的实验代码与交付文档
面向教学与工程：既可作为高校课程教材，也可作为开发者入门大模型工程的实践手册

📚 章节目录

章节	主题	核心工具/技术	代码目录
第 1 章	大模型时代与开源生态导论	开源协议、GitLink、社区协作	`ch01-intro`
第 2 章	前置技能与开源协作实践	Git、Markdown、虚拟环境、Docker	`ch02-prereq`
第 3 章	书生大模型体系全解析	InternLM3、InternVL、Intern-S	`ch03-internlm`
第 4 章	大模型部署实战：LMDeploy 推理	LMDeploy、量化、推理服务化	`ch04-lmdeploy`
第 5 章	大模型评测实战：OpenCompass	OpenCompass、评测基准、报告生成	`ch05-opencompass`
第 6 章	基于 InternVL 大模型多模态应用开发	InternVL、多模态推理、视觉问答	`ch06-internvl`
第 7 章	大模型微调实战：XTuner	XTuner、LoRA/QLoRA、增量训练	`ch07-xtuner`
第 8 章	大模型进阶开发应用	RAG、Agent、智能体编排、知识库	`ch08-advanced`
第 9 章	综合项目：从模型到可交付应用	全流程整合、项目验收、文档交付	`ch09-project`

🛠 环境要求

硬件：NVIDIA GPU（建议 ≥ 16GB 显存），或适配国产算力平台
软件：Python 3.10+、CUDA 11.8+、Git
操作系统：Linux / Windows（WSL2 推荐）/ macOS

🚀 快速开始

# 1. 克隆仓库
git clone https://www.gitlink.org.cn/zhuxinrong/Full-Link-Development-of-Large-Models.git
cd Full-Link-Development-of-Large-Models

# 2. 创建虚拟环境
conda create -n llm-fullstack python=3.10 -y
conda activate llm-fullstack

# 3. 安装依赖
pip install -r requirements.txt

# 4. 进入对应章节开始学习
cd ch04-lmdeploy

📂 目录结构

Full-Link-Development-of-Large-Models/
├── ch01-intro/           # 第1章 大模型时代与开源生态导论
├── ch02-prereq/          # 第2章 前置技能与开源协作实践
├── ch03-internlm/        # 第3章 书生大模型体系全解析
├── ch04-lmdeploy/        # 第4章 大模型部署实战：LMDeploy 推理
├── ch05-opencompass/     # 第5章 大模型评测实战：OpenCompass
├── ch06-internvl/        # 第6章 基于 InternVL 大模型多模态应用开发
├── ch07-xtuner/          # 第7章 大模型微调实战：XTuner
├── ch08-advanced/        # 第8章 大模型进阶开发应用
├── ch09-project/         # 第9章 综合项目：从模型到可交付应用
├── requirements.txt      # 全局依赖
├── LICENSE               # 开源协议
└── README.md             # 项目说明

🤝 适合人群

人工智能、软件工程、计算机应用等方向的高校学生
希望系统进入大模型工程实践的开发者、教师和企业技术人员
开源软件实践、智能体应用实训等课程的教学参考

📝 学习建议

学习过程中建议始终保留实验记录：模型来源、许可证、运行环境、命令参数、评测结果、失败样例和改进思路。大模型工程能力不只来自一次成功运行，更来自对每一次报错、延迟、幻觉、成本和安全边界的分析。

🤝 贡献指南

欢迎提交 Issue 和 Pull Request！请在提交前阅读各章的实验规范，确保代码可复现、文档完整。

📄 开源协议

本项目基于 Apache License 2.0 开源。

📮 联系方式

维护者：zhuxinrong
社区：ODTC AI Infra / GitLink