大模型应用开发学习路线图：小白程序员必备收藏指南！

本文作者分享了自己学习大模型应用开发的自学路线图，强调Python工程能力、调用模型能力和组织复杂流程能力的重要性，并给出学习建议。文章适合想做应用开发而非模型训练的工程师，不适合想从零训练模型或走学术研究路线的人。学习路线包括Python基础、LLM概念、Prompt工程、RAG、Agent、Langchain和进阶的pyTorch/Transformer等内容，并按推荐顺序列出。

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

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 - 艾凡AFan的文章 - 知乎

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

小红书上找的RAG相关文档（自己可以在小红书找到）

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

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：

官方中文链接：

最后

2026 年一晃已经过半，AI 大模型的热潮不仅没有降温，反而持续升温！

金融行业用大模型做风控、医疗依靠 AI 解析影像，电商、制造、教育各行各业，都在把 AI 融入日常业务。曾经热闹的 “百模大战”，早就告别单纯比拼模型参数，正式进入落地应用时代。

现在企业疯狂紧缺一类人才：懂业务、懂 AI、能做出可上线项目的大模型开发工程师，岗位缺口大，薪资待遇十分可观。

风口再好，不如手握高薪 offer 实在。行情火热，普通人、程序员该怎样从零入门大模型，抓住这波机会？

今天整理好【2026 最新版】AI 大模型全套免费学习资源，覆盖零基础入门、项目实战、理论知识、大厂面试，从基础一路进阶。所有资料分类归档，没有多余杂料，无套路免费分享给想要入局 AI 赛道的程序员与零基础小白！

👇👇扫码免费领取全部内容👇👇

1、大模型系统化完整学习路线

2、大模型经典书籍&文档

3、AI 大模型最新行业研究报告

4、企业级实战项目 + 完整配套源码

5、大厂大模型面试真题汇总

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 学习资料已经上传优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】