跳转至

大模型应用开发 - 详细学习指南

⚠️ 时效性说明：本章涉及前沿模型/价格/榜单等信息，可能随版本快速变化；请以论文原文、官方发布页和 API 文档为准。

大模型应用学习路线图

📚 学习总览

本指南为清华大学计算机技术专业专硕及985 AI专业本科生量身定制,提供系统性的大模型应用开发学习路径。目标是帮助你在16-20周内掌握大模型应用开发的核心理论和工程实践能力,为进入字节跳动、腾讯、阿里巴巴、百度、大疆、影石等互联网大厂做好准备。

🎯 学习目标

短期目标(1-3个月)

  • 掌握大模型应用开发基础理论
  • 能够使用Prompt工程进行应用开发
  • 完成2-3个小型实战项目

中期目标(3-6个月)

  • 深入理解RAG系统和Agent开发
  • 能够独立设计和实现大模型应用
  • 完成1-2个中型实战项目

长期目标(6个月+)

  • 掌握大模型前沿技术
  • 具备解决复杂大模型应用问题的能力
  • 完成1个大型实战项目
  • 通过大厂面试

📅 详细学习计划

第一阶段:基础夯实(第1-3周)

第1周:大模型应用概述

学习内容: - 01-大模型应用概述.md - 大模型发展历程(1天) - 主流大模型介绍(2天) - 大模型应用场景(2天) - 环境搭建与第一个Demo(2天)

学习时间:每天3-4小时,总计20-25小时

第2周:Prompt工程

学习内容: - 02-Prompt工程.md - Prompt基础(2天) - Prompt设计技巧(2天) - Prompt优化方法(2天) - 实战:Prompt工程实践(1天)

学习时间:每天3-4小时,总计20-25小时

第3周:上下文学习

学习内容: - 03-上下文学习.md - 上下文学习原理(2天) - Few-shot Learning(2天) - Zero-shot Learning(2天) - 实战:上下文学习应用(1天)

学习时间:每天3-4小时,总计20-25小时

第二阶段:核心应用(第4-8周)

第4周:思维链与推理

学习内容: - 04-思维链与推理.md - 思维链概述(1天) - CoT技术(2天) - 推理优化(2天) - 实战:思维链应用(2天)

学习时间:每天3-4小时,总计20-25小时

第5周:RAG系统构建

学习内容: - 05-RAG系统构建.md - RAG概述(1天) - 文档检索(2天) - 知识库构建(2天) - 实战:RAG系统实现(2天)

学习时间:每天3-4小时,总计20-25小时

第6周:向量数据库

学习内容: - 06-向量数据库.md - 向量数据库概述(1天) - Embedding技术(2天) - 向量检索(2天) - 实战:向量数据库应用(2天)

学习时间:每天3-4小时,总计20-25小时

第7周:Agent开发基础

学习内容: - 07-Agent开发基础.md - Agent概述(1天) - Agent架构(2天) - Agent工具(2天) - 实战:简单Agent实现(2天)

学习时间:每天3-4小时,总计20-25小时

第8周:LangChain框架

学习内容: - 08-LangChain框架.md - LangChain概述(1天) - LangChain核心组件(2天) - LangChain应用开发(2天) - 实战:LangChain项目(2天)

学习时间:每天3-4小时,总计20-25小时

第三阶段:进阶技术(第9-12周)

第9周:大模型微调技术

学习内容: - 09-大模型微调技术.md - 微调概述(1天) - 全量微调(2天) - 参数高效微调(2天) - 实战:微调实践(2天)

学习时间:每天3-4小时,总计20-25小时

第10周:LoRA与QLoRA

学习内容: - 10-LoRA与QLoRA.md - LoRA原理(2天) - QLoRA技术(2天) - 微调实践(2天) - 实战:LoRA应用(1天)

学习时间:每天3-4小时,总计20-25小时

第11周:大模型部署

学习内容: - 11-大模型部署.md - 部署概述(1天) - 模型量化(2天) - 推理优化(2天) - 实战:模型部署(2天)

学习时间:每天3-4小时,总计20-25小时

第12周:推理优化

学习内容: - 12-推理优化.md - 推理优化概述(1天) - KV Cache(2天) - 批处理优化(2天) - 实战:推理优化实践(2天)

学习时间:每天3-4小时,总计20-25小时

第四阶段:前沿应用(第13-15周)

第13周:多模态应用

学习内容: - 13-多模态应用.md - 多模态概述(1天) - 图文理解(2天) - 多模态生成(2天) - 实战:多模态应用(2天)

学习时间:每天3-4小时,总计20-25小时

第14周:大模型安全与对齐

学习内容: - 14-大模型安全与对齐.md - 安全概述(1天) - 对齐技术(2天) - 安全防护(2天) - 实战:安全应用(2天)

学习时间:每天3-4小时,总计20-25小时

第15周:大模型应用案例

学习内容: - 15-大模型应用案例.md - 案例分析(2天) - 最佳实践(2天) - 项目实战(3天)

学习时间:每天3-4小时,总计20-25小时

第五阶段:实战项目(第16-20周)

第16-17周:项目1-RAG问答系统

学习内容: - 实战项目/01-RAG知识库问答系统.md - 项目需求分析(2天) - 知识库构建(3天) - RAG系统实现(4天) - 系统优化与部署(3天)

学习时间:每天4-5小时,总计48-60小时

第18-19周:项目2-AI Agent系统

学习内容: - 实战项目/02-AI Agent工作流.md - 项目需求分析(2天) - Agent设计(3天) - Agent实现(4天) - 系统集成与部署(3天)

学习时间:每天4-5小时,总计48-60小时

第20周:项目3-多模态应用

学习内容: - 实战项目/03-多模态应用.md - 项目需求分析(1天) - 多模态模型集成(2天) - 应用开发(3天) - 系统部署(2天)

学习时间:每天4-5小时,总计32-40小时

第六阶段:面试准备(第21-24周)

第21周:算法题库

学习内容: - 面试准备/README.md（算法题库部分） - 大模型算法题(2天) - 系统设计基础(2天) - 编程题(2天) - 刷题练习(1天)

学习时间:每天3-4小时,总计20-25小时

第22周:系统设计与项目经验

学习内容: - 面试准备/README.md（系统设计与项目经验部分） - 大模型系统设计(2天) - 项目经验梳理(2天) - 技术难点准备(2天) - 模拟面试(1天)

学习时间:每天3-4小时,总计20-25小时

第23-24周:大厂面试准备

学习内容: - 面试准备/README.md（大厂面试与行为面试部分） - 字节跳动面试题(2天) - 腾讯面试题(2天) - 阿里巴巴面试题(2天) - 百度面试题(2天) - 综合复习与模拟面试(4天)

学习时间:每天3-4小时,总计48-60小时

📊 学习进度跟踪

进度检查点

第3周末: - [ ] 完成基础理论学习 - [ ] 运行第一个大模型Demo - [ ] 完成Prompt工程实践

第8周末: - [ ] 理解RAG和Agent核心原理 - [ ] 完成RAG系统项目 - [ ] 完成Agent项目

第12周末: - [ ] 掌握微调和部署技术 - [ ] 完成微调实践 - [ ] 完成模型部署

第15周末: - [ ] 了解前沿技术 - [ ] 完成多模态应用 - [ ] 形成技术知识体系

第20周末: - [ ] 完成3个完整实战项目 - [ ] 具备独立开发能力 - [ ] 准备好面试

第24周末: - [ ] 完成所有面试准备 - [ ] 通过模拟面试 - [ ] 准备好求职

💡 学习方法建议

1. 理论学习

  • 先理解后记忆:不要死记硬背,理解原理更重要
  • 画图辅助:用图示帮助理解复杂概念
  • 联系实际:将理论与实际应用联系起来

2. 代码实践

  • 从零实现:关键算法要自己实现一遍
  • 阅读源码:学习优秀开源项目的代码
  • 调试技巧:掌握调试和问题排查方法

3. 项目开发

  • 完整流程:从需求到部署完整实践
  • 迭代优化:不断改进和优化
  • 文档编写:养成良好的文档习惯

4. 面试准备

  • 系统复习:定期复习核心知识
  • 刷题练习:LeetCode、牛客网等
  • 模拟面试:进行多次模拟面试

5. 持续学习

  • 关注前沿:阅读最新论文和博客
  • 参与社区:加入技术社区交流
  • 分享输出:写博客、做分享

❓ 常见问题解答

Q1: 学习时间不够怎么办?

A: - 优先学习核心章节(01-08章) - 其他章节可以根据兴趣选择 - 重点掌握Prompt工程、RAG、Agent - 利用碎片时间学习

Q2: 没有GPU怎么办?

A: - 使用Google Colab免费GPU - 使用Kaggle Kernels - 使用学校/实验室资源 - 先学习理论知识,后期再实践

Q3: 数学基础薄弱怎么办?

A: - 边学边补,在实践中理解 - 推荐《深度学习》第2-4章 - 观看3Blue1Brown的数学视频 - 多做练习题巩固

Q4: 如何选择大模型?

A: - GPT系列:通用能力强,适合大多数场景 - Claude:长文本处理能力强 - 开源模型:成本可控,可私有部署 - 建议:根据需求选择合适模型

Q5: 实战项目太难怎么办?

A: - 从简单项目开始 - 参考开源项目,理解后再自己实现 - 分阶段完成,逐步增加难度 - 遇到问题及时求助

Q6: 如何准备大厂面试?

A: - 系统学习面试准备目录 - 多刷LeetCode相关题目 - 准备2-3个深度项目 - 进行多次模拟面试 - 了解目标公司和岗位

Q7: 学习过程中遇到困难怎么办?

A: - 查阅官方文档和教程 - 在Stack Overflow搜索 - 加入技术社区提问 - 向同学、导师请教 - 不要放弃,持续努力

Q8: 如何平衡学习和求职?

A: - 制定合理的学习计划 - 优先学习核心知识 - 边学习边准备面试 - 项目经验很重要 - 保持积极心态

🎥 视频教程链接

中文视频教程

B站推荐

💡 以下为推荐的UP主和搜索关键词，请在B站直接搜索获取最新内容。

推荐UP主（在B站搜索其名称即可找到）： - 李沐 - 论文精读系列（RAG、Agent等前沿论文） - 跟李沐学AI - 大模型应用相关论文精读

推荐搜索关键词： - "Prompt工程 实战"、"RAG 系统 构建" - "LangChain 教程"、"Agent 开发 入门" - "大模型 微调 LoRA"、"向量数据库 教程" - "LLM 应用开发 实战"

国内MOOC平台

💡 以下为推荐平台，请在平台内搜索相关课程名称。

英文视频教程

YouTube优质频道

Coursera课程

Udemy课程

edX课程

💻 在线练习平台

LLM应用开发实践平台

LLM应用开发课程

  • Coursera - 搜索"Generative AI with LLMs"、"Prompt Engineering"等课程
  • Udemy - 搜索"LangChain"、"RAG Applications"等课程
  • Fast.ai - 实用导向的深度学习和NLP课程
  • edX - MIT/Stanford AI免费课程

📚 推荐学习资源

在线课程

  1. CS224N - Stanford
  2. Deep Learning Specialization - Coursera
  3. Prompt Engineering Guide - OpenAI

书籍

  1. 《深度学习》- Ian Goodfellow
  2. 《注意力机制》- Vaswani et al.
  3. 《大模型应用开发实战》

论文

  1. arXiv cs.CL
  2. Papers with Code
  3. Hugging Face Papers

开源项目

  1. LangChain
  2. LlamaIndex
  3. AutoGPT
  4. Hugging Face Transformers

🚀 开始学习

现在你已经了解了完整的学习路径,让我们开始大模型应用开发的学习之旅吧!

第一步:阅读01-大模型应用概述.md

记住:学习是一个持续的过程,保持耐心和坚持,你一定能够成功!

祝学习顺利,早日实现大厂梦想! 💪

📚 参考文献

核心论文

Prompt工程

  1. Language Models are Few-Shot Learners - Brown et al., 2020

  2. GPT-3论文，展示了大模型的few-shot能力

  3. Chain-of-Thought Prompting Elicits Reasoning in Large Language Models - Wei et al., 2022

  4. 思维链（CoT）提示方法

  5. Large Language Models Are Zero-Shot Reasoners - Kojima et al., 2022

  6. Zero-shot-CoT方法

  7. Tree of Thoughts: Deliberate Problem Solving with Large Language Models - Yao et al., 2023

  8. 思维树（ToT）框架

RAG系统

  1. Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks - Lewis et al., 2020

  2. RAG开山之作

  3. Dense Passage Retrieval for Open-Domain Question Answering - Karpukhin et al., 2020

  4. DPR，密集检索方法

  5. Improving Dense Retrieval with Contrastive Learning - Qu et al., 2022

  6. 对比学习改进检索

  7. HyDE: Precise Answer Generation via Retrieval from Hypothetical Document Embeddings - Gao et al., 2022

  8. 假设文档嵌入方法

Agent开发

  1. ReAct: Synergizing Reasoning and Acting in Language Models - Yao et al., 2022

  2. ReAct框架，推理与行动结合

  3. Reflexion: Language Agents with Verbal Reinforcement Learning - Shinn et al., 2023

    • 反思机制

  4. AutoGPT: An Autonomous GPT-4 Agent - Significant Gravitas, 2023

    • 自主Agent框架

  5. BabyAGI: A Task-Driven Autonomous Agent - Yohei Nakajima, 2023

    • 任务驱动的自主Agent

微调与部署

  1. LoRA: Low-Rank Adaptation of Large Language Models - Hu et al., 2021

    • 低秩适配技术

  2. QLoRA: Efficient Finetuning of Quantized LLMs - Dettmers et al., 2023

    • 量化感知的LoRA

  3. vLLM: Easy, Fast, and Cheap LLM Serving - Kwon et al., 2023

    • 高效推理服务

技术博客

中文博客

英文博客

开源项目

应用框架

RAG系统

Agent框架

向量数据库

  • Chroma - 开源向量数据库
  • Weaviate - AI原生向量数据库
  • Qdrant - 高性能向量数据库
  • Milvus - 开源向量数据库
  • FAISS - Facebook相似性搜索库

参考书籍

中文书籍

  1. 《大模型应用开发实战》- 机械工业出版社

  2. 大模型应用开发实践指南

  3. 《LangChain实战：构建大语言模型应用》- 电子工业出版社

  4. LangChain框架实战教程

  5. 《自然语言处理综论》- Daniel Jurafsky、James H. Martin 著，电子工业出版社

  6. NLP领域的经典教材

  7. 《深度学习》- Ian Goodfellow、Yoshua Bengio、Aaron Courville 著，人民邮电出版社

  8. 深度学习领域的"圣经"

  9. 《动手学深度学习》- 李沐、阿斯顿·张 著，人民邮电出版社

  10. 实践导向的深度学习教程

  11. 《Python深度学习》- François Chollet 著，人民邮电出版社

  12. Keras作者撰写的深度学习实践指南

  13. 《机器学习实战：基于Scikit-Learn、Keras和TensorFlow》- Aurélien Géron 著，机械工业出版社

  14. 机器学习实践指南

  15. 《强化学习》- Richard S. Sutton、Andrew G. Barto 著，电子工业出版社

  16. 强化学习领域的奠基之作

英文书籍

  1. "Natural Language Processing with Transformers" - Lewis Tunstall, Leandro von Werra, Thomas Wolf

  2. O'Reilly，Transformer实战指南

  3. "Designing Machine Learning Systems" - Chip Huyen

  4. O'Reilly，机器学习系统设计

  5. "Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow" - Aurélien Géron

  6. O'Reilly，机器学习实践指南

  7. "Building AI Applications with LangChain" - Denis Rothman

  8. Packt，LangChain应用开发

  9. "Prompt Engineering for Generative AI" - James Phoenix

  10. Packt，提示词工程

  11. "Large Language Models: Concepts, Architecture, and Applications" - Soma Halder

  12. Packt，大模型应用

  13. "Reinforcement Learning: An Introduction" - Richard S. Sutton, Andrew G. Barto

  14. MIT Press，强化学习奠基之作

  15. "Python Machine Learning" - Sebastian Raschka, Vahid Mirjalili

  16. Packt，Python机器学习实践

在线课程

中文课程

💡 中文视频教程推荐请参见上方 视频教程链接 章节。

英文课程

社区资源

中文社区

英文社区

论坛与问答

邮件列表与Slack

最后更新日期：2026-02-12 适用版本：LLM应用指南 v2026