2025年自学AI大模型从入门到精通，顺序千万别弄反了

大模型目前在可以说正处于一种“炙手可热”的状态，吸引了很多人的关注和兴趣，也有很多新人小白想要学习大模型技术，转战AI领域，以适应未来的大趋势，寻求更有前景的发展！

2025最新大模型学习路线

一个明确的学习路线可以帮助新人了解从哪里开始，按照什么顺序学习，以及需要掌握哪些知识点。大模型领域涉及的知识点非常广泛，没有明确的学习路线可能会导致新人感到迷茫，不知道应该专注于哪些内容。

一、大模型基础篇

第一阶段基础篇：我们会去了解大模型的基础知识，以及大模型在各个行业的应用和分析；学习理解大模型的核心原理，关键技术，以及大模型应用场景；通过理论原理结合多个项目实战，从提示工程基础到提示工程进阶，掌握Prompt提示工程。

1、大语言模型的基本情况介绍

• 初识大模型

• OpenAI模型的发展历程

• 主流国产大模型

• 大模型赋能行业分析

• 未来展望：大模型的趋势与挑战

2、大模型核心原理

• 理解大模型成功的背后

• 理解生成式模型与大语言模型

• 大模型应用实例与Prompt使用技巧

• Transformer架构解析

• 关键技术解析：预训练、SFT、RLHF

• 交互式讨论：当前大模型应用场景

3、提示工程

• AI开发环境

• 提示工程基础

• 提示工程进阶

• 实战项目：基于提示工程的前端界面代码生成实战

二、大模型进阶篇

第二阶段进阶篇：进阶篇是我们的AI大模型RAG应用开发工程，我们会去学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。

1、RAG

• 检索增强生成

• Naive RAG Pipeline

• 实战项目：基于向量检索的RAG实现公司HR制度智能问答系统项目

2、Advanced-RAG

• Advanced RAG前沿Paper解读

• 商业化RAG分析与优化方案实践

3、RAG项目评估

• RAG效果评估

4、RAG热门项目精讲

• RAGFlow应用分析

• FastGPT应用分析

• QAnything应用分析

• LangChain-chatchat应用分析

• GraphRAG应用分析

• 实战：基于Dify实现K12教育行业智能助教

  

大模型Agent应用架构进阶实现，我们会去学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造我们自己的Agent智能体；同时还可以学习到包括Coze、Dify在内的可视化工具的使用。

5、Langchain

• 什么是开发框架

• 什么是langchain、它的意义是什么？

• LangChain的核心组件

• 实战项目：基于LangChain的企业知识库实战

6、LlamaIndex

• LlamaIndex是什么

• LlamaIndex的优势与劣势

• LlamaIndex与RAG检索增强联合应用实践

• LlamaIndex与LangChain对比分析

7、Agent

• Agents关键技术分析

• Funcation Calling

• Agent认知框架

• 实战项目：命理Agent机器人实战

• 多Agent系统

• 实战项目：多智能体协同代码生成应用

8、可视化框架

• GPTS

• Coze扣子

• Dify

9、项目实战

• 实战项目：公司HR制度智能问答系统商业化实战

• 实战项目：智能电商客服系统

三、大模型实战篇

第三阶段实战篇：大模型的微调和私有化部署，我们会更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调；并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。

1、Transformer

• Transformer结构理解

• 理解Self-Attention

• 理解Encoder与Decoder

• Multi-head Attention

• 不同Decoding方法

2、Open source（开源）

• 私有化大模型的必要性

• 国外开源模型生态

• 国内开源模型生态

• 开源模型的三种评估方式

• 开源模型应用场景与局限性

• 实战案例：ChatGLM大模型在Ollama上的部署

3、Fine-Tuning（微调）

• 模型微调简介

• 如何选择合适的基座模型

• 数据集的收集与预处理

• 数据集的收集与预处理

• 微调训练框架的选择

4、PEFT fine-turning

• PEFT 主流技术介绍

• LoRA 低秩适配微调

• LoRA 的改进和扩展

• 实战案例：ChatGLM在医疗领域的LoRA微调

5、Quantlzation（量化）

• 模型显存占用与量化技术简介

• Transformers 原生支持的大模型量化算法

• AWQ：激活感知权重量化算法

• GPTQ：专为 GPT 设计的模型量化算法

• 模型量化对比实例

• 实战案例：ChatGLM的量化演示

6、Application Engineering（应用工程）

• 大模型应用工程

• 大模型AI工程平台 (MoPaaS)

• 打造私有化模型 — 智能时代企业关键的 IP

• 私有化大模型部署LLaMA3.1 项目实践

7、multimodal（多模态）

• 什么是多模态模型

• 多模态的应用场景

• 图像生成技术概述

• DALLE-3与Midjourney

• Stable Diffusion与ControlNet

• 语音生成技术概述

• 主流TTS技术剖析

• 案例：Video-LLaVA与多模态图像视频识别

8、微调大实战：基于LLaMA3.1-8B做医疗领域微调大实战

• 真实的医疗数据集

• 数据清洗技术应用

• 开源大模型做基座

• LoRA微调应用

• AdaLoRA微调应用

• LongLoRA微调应用

整个大模型学习路线基础篇主要是对大模型的理论基础、核心原理以及提示词的学习掌握；而进阶实战篇更多的是通过项目实战来掌握大模型的应用开发，针对以上大模型的学习路线我们也整理了对应的学习视频教程，和配套的学习资料。

四、学习书籍文档

书籍和学习文档资料是学习大模型过程中必不可少的，我们精选了一系列深入探讨大模型技术的书籍和学习文档，它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。（书籍含电子版PDF）

五、学习视频教程

对于很多自学或者没有基础的同学来说，书籍这些纯文字类的学习教材会觉得比较晦涩难以理解，因此，我们提供了丰富的大模型视频教程，以动态、形象的方式展示技术概念，帮助你更快、更轻松地掌握核心知识。

六、项目实战源码

学以致用 ，当你的理论知识积累到一定程度，就需要通过项目实战，在实际操作中检验和巩固你所学到的知识，同时为你找工作和职业发展打下坚实的基础。

七、大模型面试题

面试不仅是技术的较量，更需要充分的准备。

在你已经掌握了大模型技术之后，就需要开始准备面试，我们将提供精心整理的大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

全套的AI大模型学习资源已经整理打包，有需要的小伙伴可以微信扫描下方二维码，免费领取