本文为自学大模型应用开发的学习路线整理，适合想进行大模型应用开发而非模型训练的程序员。学习路线强调Python工程能力、模型调用及复杂流程组织，而非堆砌数学或死磕底层原理。核心学习内容包括Python基础、LLM概念理解、Prompt与Prompt Engineering、RAG、Agent以及进阶的Langchain、PyTorch和Transformer。文章推荐按特定顺序学习，并提供了相关学习资料的推荐。

最初了解大模型应用开发的时候对各种术语很模糊，LLM是什么？RAG是什么？LLM，RAG与Agent是什么关系？Langchain又是什么？很混乱，于是我花了一周的时间去了解学习。

本文是我在自学大模型应用开发过程中，一边实践、一边修正后整理出的学习路线。 目标不是“学全概念”，而是知道哪些必须学、哪些了解即可、哪些可以暂时不碰。

这份路线适合谁 / 不适合谁

适合：想做 大模型应用开发（而不是训练模型）；偏工程、系统、业务场景（如接口、日志、数据处理）

不适合：想从零训练大模型;走算法 / 学术研究路线;以数学推导为主要目标

整体学习思路

大模型应用开发 = Python 工程能力 + 调用模型的能力 + 组织复杂流程的能力

不是：堆数学; 死磕底层原理; 从 Transformer 推公式

下面是个人自学摸索后，规划的学习路线图，因为是个人摸索的可能有遗漏，如有不对的，希望大家可以给出指点

学习内容	介绍	备注
python	是一种高级编程语言 ，学习大模型应用开发是 Python 是必须学习的。学习基础内容，函数，包的调用即可。无需研究深度学习与机器学习。 对于大模型应用开发，python的角色是：胶水语言+工程语言，而不是算法语言	必须学习
LLM	大语言模型（英文：Large Language Model，缩写LLM）也称大型语言模型,是一种人工智能模型，旨在理解和生成人类语言。	必须理解概念 不需要自己训练
Prompt 与 Prompt Engineering	Prompt 提示词 (一次对模型的具体输入） Prompt Engineering 提示词工程（系统性的具体输入）	必须掌握使用方法 工程能力不是理论
RAG	RAG全称是Retrieval-Augmented Generation，中文叫"检索增强生成"。	必须理解并能实践（常见应用模式） 不是每个项目都需要
Agent	把大模型和一堆工具组装起来，变成一个能感知和改变外界环境的智能程序，称之为Agent	复杂场景下需要（会用是加分项） 不是每个项目都需要
Langchain	(进阶学习) LangChain是一种创新性的框架，是语言模型驱动的应用程序的开发方式。	进阶学学，不建议一开始学 复杂项目使用
pytorch	(进阶学习) 深度学习框架，用来实现和训练Transformer等模型	了解即可，不建议一开始学
Transformer	(进阶学习) 一种神经网络架构，广泛应用于NLP(自然语言处理) ,大多数模型基于它

学习推荐顺序：

1. python基础+API调用

2. LLM概念（知道能干什么）

3. Prompt/Prompr Engineering

4. RAG(解决"查资料不准")

5. Agnet（复杂流程自动化）

6. LangChain（当项目复杂时）

7. pyTorch/Transformer （了解，不急）

下面内容为各核心概念的补充说明与学习资料，可按需阅读

Python

---

定义：是一种高级编程语言

Python 在这里扮演什么角色？

Python 是胶水语言 + 工程语言，而不是算法语言。

在大模型应用开发中python的主要作用以及不需要做什么？

python主要作用	调接口 处理数据 组织流程 写日志、查问题
不需要做什么	深度学习训练 复杂数学推导

学习范围：

针对于学习大模型应用开发，只需要学习Python的基础内容即可，不需要学习机器学习与深度学习。

我让deepseek给过我一个学习路线，我个人感觉东西可能有点多，所以没有全部采用，准备在日后学习实践中逐渐记录

python学习视频推荐黑马课程，简单易懂，小白也可很快上手学习，B站就有课程，可以直接搜索学习。

必学（基础生存能力）	基本语法、数据结构(字符串、数字、列表、元组、字典、集合） 条件语句（if/elif/else） 循环（for/while） 函数、模块 文件读写 异常处理 logging 日志 JSON 处理 requests 调用接口
进阶（可后面再补）	虚拟环境（venv / conda） 配置管理 简单异步（asyncio）
可暂时不学	装饰器 / 元类 深度学习框架细节 数学原理推导

LLM（补充理解与参考资料）

---

定义：大语言模型（英文：Large Language Model，缩写LLM）也称大型语言模型,是一种人工智能模型，旨在理解和生成人类语言。

LLM 是“已经训练好的语言模型”

能做什么：理解、生成、总结、推理文本

有那些LLM: 国外的GPT、LLaMA、 Gemini；国内的DeepSeek、 文心一言(百度)、 通义千问(阿里) 都属于 LLM

在应用开发中，你只负责调用模型，不负责训练模型。

推荐学习资料（非必须）

知乎文章链接：什么是LLM大语言模型？Large Language Model，从量变到质变 - 知乎 https://zhuanlan.zhihu.com/p/622518771

Prompt / Prompt Engineering

---

注：必须掌握使用方式

Prompt：一次对模型的具体输入（一段文字）

Prompt Engineering：系统性设计 Prompt 的方法

日常在大模型应用开发的学习中说"学Prompt"，实际上指的是

“Prompt Engineering” ，而不是背几句话术。

核心目标：让模型输出稳定，让结果可控、可解析

RAG（进阶理解与推荐资料）

---

RAG全称是Retrieval-Augmented Generation，中文叫"检索增强生成"。

RAG = 检索 + 大模型生成

解决的问题：模型不知道你的私有数据,模型容易胡编

适合场景：文档问答;日志分析;知识库查询

不是每个项目都必须用 RAG，但一旦涉及“查资料”，它非常常见。

推荐学习资料（非必须）

B站：详细原理可以看B站up：马克的技术工作坊 的RAG详解，非常易懂

https://www.bilibili.com/video/BV1JLN2z4EZQ/?spm_id_from=333.1387.homepage.video_card.click

Agent（进一步了解）

---

Agent = 用大模型“规划 + 调用工具 + 执行步骤”

本质上仍然是程序逻辑+模型调用，并不是"有自主意识的系统"

适合：多步骤、条件判断、自动化流程

注意：Agent 不是必须项， 很多需求用普通 Python 逻辑就能解决。

推荐学习资料（非必须）

B站：同样推荐的B站up 马克的技术工作坊 的Agent详解

https://www.bilibili.com/video/BV1TSg7zuEqR/?spm_id_from=333.1387.homepage.video_card.click&vd_source=38410fc54f9e8d536c013e81b142c0fd

小红书上找的Agent相关文档介绍：

Langchain【工程辅助工具】

---

定义：LangChain是一种创新性的框架，是语言模型驱动的应用程序的开发方式。LangChain 是基于大模型的应用开发框架，是一个开源的Python库，旨在通过以下方式更轻松地构建基于LLM的应用程序
LangChain 是一个 框架 / 工具集

用来：

组织 Prompt

组合 RAG

构建 Agent

它不是大模型本身，也不是必须掌握的前置条件。 项目复杂时再用即可。

推荐学习资料（非必须）

知乎：

https://zhuanlan.zhihu.com/p/1919781127339620246

官方中文链接：

https://www.langchain.com.cn/docs/introduction/

PyTorch 与 Transformer

---

PyTorch：主流深度学习框架之一，用于训练神经网络模型，很多大模型（如 DeepSeek-V3）基于它进行训练。

Transformer：一种神经网络架构，广泛应用于自然语言处理（NLP）任务，是 GPT 等大模型的核心结构。

要不要学？

对应用开发者来说： 知道Pytorch与Transformer它们是什么即可，不是学习重点。

推荐学习资料（非必须）

知乎：【科普向】PyTorch、Transformer、神经网络到底是什么关系？ - 知乎 https://zhuanlan.zhihu.com/p/1895539473363751627

以上为我为自己整理的学习路线，希望对寻找转行和学习路径的你有所帮助。

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】