这份90天学习计划将带你从零基础成长为全栈LLM工程师。内容涵盖神经网络原理、Transformer架构、提示工程、RAG系统、模型微调等，通过三个阶段的理论学习与动手实践，最终完成一个综合性Agent项目。适合想系统学习大模型技术的程序员和小白，注重实践操作与每日复盘。

这套90天的学习计划旨在帮助你从零基础成长为一名全栈LLM（大型语言模型）工程师。我们将从最底层的神经网络原理开始，逐步深入到Transformer架构、提示工程、RAG系统、模型微调，最终通过一个综合性的Agent项目来巩固所有知识。

整个旅程分为三个阶段，每个阶段都将理论学习与动手实践紧密结合，确保你不仅理解原理，更能亲手构建和应用。

第一阶段：从零到神经网络英雄 (第1-30天)

这一阶段是你的基础，我们将通过亲手编写代码，从最底层的数学原理开始构建神经网络。

第1-5天：从神经元到反向传播

• 学习内容： Karpathy - “The spelled-out intro to neural networks and backpropagation: building micrograd”。
• 第1天： 观看视频前20分钟，理解神经元与前向传播实现。
• 第2天： 理解损失函数和梯度计算，并实现梯度回传。
• 第3天： 理解反向传播链式法则，并用代码实现。
• 第4天： 扩展到小型网络，实现完整前向和反向传播。
• 第5天： 独立重写代码，确保能完整实现微型网络。

第6-10天：构建多层感知机 (MLP)

• 学习内容： Karpathy - “Let’s build GPT: from scratch” 前置部分。
• 第6-7天： 使用 PyTorch 从头构建 MLP，理解 torch.nn.Module。
• 第8天： 实现批量归一化 (Batch Norm) 并理解其作用。
• 第9天： 用MLP解决 MNIST 手写数字分类问题。
• 第10天： 复盘总结，比较手写网络与PyTorch MLP的差异。

第11-20天：可视化理解与卷积神经网络

• 学习内容： 3Blue1Brown《神经网络的本质》系列 + 《动手学深度学习》(d2l.ai) CNN章节。
• 第11-15天： 观看3Blue1Brown系列视频，每天理解卷积和池化操作，并画示意图。
• 第16-20天： 实践CNN章节代码，实现 LeNet 或 AlexNet，理解每层功能。

第21-30天：循环神经网络 (RNN) 与序列数据

• 学习内容： 《动手学深度学习》RNN章节。
• 第21-25天： 学习 RNN、LSTM、GRU 结构与原理，理解序列数据处理方式。
• 第26-30天： 使用 PyTorch 构建 LSTM/GRU 模型处理文本情感分析或序列预测任务。

---

第二阶段：从零到Transformer英雄 (第31-60天)

第31-45天：亲手构建GPT

• 学习内容： Karpathy - “Let’s build GPT: from scratch”。
• 第31-35天： 实现 Bigram Model，理解自回归模型概念。
• 第36-40天： 理解自注意力机制，实现多头注意力及 QKV 概念。
• 第41-45天： 完整实现 Transformer Block，并堆叠多个Block形成 NanoGPT。

第46-50天：Prompt Engineering 基础

• 第46天： Zero-Shot 与 Few-Shot Prompting 理论 + 实践情感分析任务。参考：OpenAI Cookbook, IBM Prompt Engineering。
• 第47天： Chain-of-Thought (CoT) 理论 + 多步推理问题实践。参考：Hugging Face CoT教程。
• 第48-50天： 构建小型项目（如美食评论分析器），应用不同Prompt策略并记录结果。

第51-55天：ReAct Agent 入门

• 第51-52天： 理论 ReAct 框架 + 构建简单Agent调用工具。参考：LangChain, Hugging Face Agent示例。
• 第53-55天： 将Prompting与Agent结合，生成完整小型Agent项目，记录行为日志。

第56-60天：RAG 系统实战

• 第56天： 理论 RAG 流程（文档加载 -> Chunking -> Embedding -> 检索 -> 生成）。参考：Hugging Face Blog, Mr. Bourque GitHub。
• 第57-58天： 文档拆分、Embedding、向量数据库存储（FAISS/Milvus）。
• 第59天： 构建端到端RAG系统，将检索内容传入LLM生成答案。
• 第60天： 优化与复盘，不同分割策略和Embedding模型对结果的影响。

---

第三阶段：LLM微调与Agent综合项目 (第61-90天)

第61-70天：LLM 微调基础与LoRA

• 第61-65天： 理论 LoRA 与 PEFT 方法，实践 Colab LoRA微调。参考：Unsloth文档, Hugging Face PEFT。
• 第66-70天： 准备小型数据集，加载开源模型（如Llama3），运行微调训练循环。

第71-75天：微调优化与评估

• 理论：评估指标（Perplexity, BLEU, Accuracy）
• 实践：尝试不同学习率、LoRA参数和微调策略
• 输出：微调报告与优化策略总结
• 参考资料：Hugging Face 文档, PEFT 示例Notebook

第76-85天：Agent 构建基础

• 第76-80天： 理论 ReAct 框架 + 实践构建基础Agent（调用搜索工具）。参考：LangChain, Codecademy Agentic AI。
• 第81-85天： 理论 LangGraph 状态机概念 + 实践复杂Agent工作流编排。

第86-90天：Agent 毕业项目

• 第86-88天： 综合Prompting、RAG、微调模型，设计Agent处理研究主题任务。
• 第89天： 复盘与优化Agent决策流程和生成质量。
• 第90天： 总结报告，整合90天学习成果，包括微调模型、RAG系统、Agent项目，形成可运行的最终项目展示。

---

该指南以实践为主导，理论紧随其后，强调每天动手和复盘的重要性。希望能为学习LLM提供一个清晰可执行的路径。

最后

如果说程序员已经是高薪职业，那么干AI的程序员，就是高薪中的高薪。

现在的市场，已经用数据给程序员指明了方向：学AI大模型，就是冲刺高薪的最优解！

看着身边越来越多的同行转型大模型、拿到高薪offer，很多人心里都动了心，但真正的难题来了：零基础小白不知道从哪入门？有基础的程序员找不到系统学习路径？实战项目练手无门？面试不知道考什么？

别慌！今天就给大家整理了一份【2026年最新版】AI大模型免费学习资源包，覆盖从入门到实战、从理论到面试、从基础到进阶的全流程，所有资料均已整理归档，无冗余、无套路，免费分享给每一位想抓住AI风口的程序员和小白！

👇👇扫码免费领取全部内容👇👇

1、大模型系统化学习路线

2、大模型学习书籍&文档

3、AI大模型最新行业报告

4、大模型项目实战&配套源码

5、大模型大厂面试真题

四阶段精细化学习规划（附时间节点，可直接照做）

结合上述资源，给大家整理了一份可直接落地的四阶段学习规划，总时长约2个月，小白可循序渐进，程序员可根据自身基础调整节奏，高效掌握大模型核心能力，快速实现从“入门”到“能落地、能面试”的跨越。

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
• …

👇👇扫码免费领取全部内容👇👇

6、这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

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】