大模型技能树路线图 (LLM Skill Tree & Learning Paths)#

从入门到精通，根据职业目标选择最优学习路径。

技能树总览 (Skill Tree Overview)#

graph TD
    Start[开始学习] --> Foundation[基础阶段]

    Foundation --> P1_1["第1章: 初识大语言模型"]
    Foundation --> P1_2["第2章: 提示工程基础"]
    Foundation --> P1_3["第3章: 分词与嵌入"]

    P1_1 --> Architecture[架构理解阶段]
    P1_2 --> Architecture
    P1_3 --> Architecture

    Architecture --> P2_1["第1章: Transformer核心"]
    Architecture --> P2_2["第2章: 模型家族谱系"]
    Architecture --> P2_3["第3章: 预训练奥秘"]

    P2_1 --> Split{职业分流}
    P2_2 --> Split
    P2_3 --> Split

    Split -->|应用开发路线| AppDev[👨‍💻 应用开发]
    Split -->|算法研究路线| Research[🧪 算法研究]
    Split -->|MLOps路线| Ops[⚙️ MLOps工程]

    AppDev --> P4_RAG["RAG应用开发"]
    AppDev --> P4_Agent["Agent系统开发"]
    AppDev --> P6_Deploy["生产部署"]

    Research --> P3_Data["数据工程"]
    Research --> P3_FineTune["微调技术"]
    Research --> P3_Align["对齐与偏好优化"]
    Research --> P7_Advanced["前沿技术"]

    Ops --> P5_Tools["工具栈掌握"]
    Ops --> P6_Serving["高性能推理"]
    Ops --> P6_Eval["评估体系"]

    P4_RAG --> Master[精通阶段]
    P4_Agent --> Master
    P3_Align --> Master
    P7_Advanced --> Master
    P6_Serving --> Master

    style Start fill:#e1f5ff
    style Split fill:#fff4e1
    style Master fill:#d4f5d4
    style AppDev fill:#ffe1e1
    style Research fill:#e1ffe1
    style Ops fill:#f0e1ff

三大职业路线详解 (Career Paths)#

👨‍💻 应用开发路线 (Application Developer Path)#

职业目标：基于 LLM 构建应用（聊天机器人、RAG 系统、AI Agent）

核心能力：

• 熟练使用 LLM API（OpenAI、Claude、国产大模型）
• 掌握 Prompt Engineering 与工具调用（Function Calling）
• 构建 RAG 知识库与向量检索系统
• 设计 Multi-Agent 协作架构
• 部署生产级 LLM 服务

学习路线图：

graph LR
    A[第一部分: 基础] --> B[第四部分: 应用开发]
    B --> C[第六部分: 生产部署]
    C --> D[第五部分: 工具栈精选]
    D --> E[第七部分: 高级应用]

    style A fill:#e3f2fd
    style B fill:#fff9c4
    style C fill:#c8e6c9
    style D fill:#f8bbd0
    style E fill:#d1c4e9

详细章节路径：

关键技术栈：

# 核心依赖
pip install openai anthropic          # LLM API
pip install langchain langgraph        # Agent 框架
pip install chromadb faiss-cpu         # 向量数据库
pip install sentence-transformers     # Embedding

项目实战建议：

1. 构建一个垂直领域知识问答机器人（RAG）
2. 开发一个支持工具调用的 AI Agent（如代码生成助手）
3. 实现一个流式推理的聊天应用（WebSocket）

🧪 算法研究路线 (Research & Model Engineering Path)#

职业目标：微调模型、优化性能、探索前沿算法

核心能力：

• 深入理解 Transformer 架构与注意力机制
• 掌握 LoRA/QLoRA 等参数高效微调技术
• 熟练使用 RLHF/DPO 进行模型对齐
• 处理大规模训练数据（去重、清洗、质量评估）
• 跟踪前沿论文（推理模型、MoE、长上下文）

学习路线图：

graph LR
    A[第一部分: 基础] --> B[第二部分: 架构深度理解]
    B --> C[第三部分: 数据与微调]
    C --> D[第五部分: 工具栈实战]
    D --> E[第七部分: 前沿技术]

    style A fill:#e3f2fd
    style B fill:#ffccbc
    style C fill:#fff9c4
    style D fill:#c8e6c9
    style E fill:#f48fb1

详细章节路径：

关键技术栈：

# 训练框架
pip install transformers peft bitsandbytes
pip install trl deepspeed accelerate

# 数据处理
pip install datasets datasketch
pip install polars apache-beam

# 评估工具
pip install lm-eval vllm

论文必读清单：

1. Attention Is All You Need (Transformer)
2. LoRA: Low-Rank Adaptation of Large Language Models
3. DPO: Direct Preference Optimization
4. Mixtral of Experts (MoE)
5. DeepSeek-R1 Technical Report

⚙️ MLOps 工程路线 (MLOps & Infrastructure Path)#

职业目标：模型部署、服务运维、性能优化、成本控制

核心能力：

• 掌握模型量化与压缩技术（GPTQ、AWQ）
• 熟练使用 vLLM/TensorRT-LLM 等推理引擎
• 构建高可用 LLM 服务架构（负载均衡、流量控制）
• 显存优化与吞吐量调优
• 模型评估与 A/B Testing

学习路线图：

graph LR
    A[第一部分: 基础] --> B[第五部分: 工具栈]
    B --> C[第六部分: 部署与评估]
    C --> D[第七部分: 性能优化]

    style A fill:#e3f2fd
    style B fill:#c8e6c9
    style C fill:#ffccbc
    style D fill:#f8bbd0

详细章节路径：

关键技术栈：

# 推理引擎
pip install vllm tensorrt-llm

# 量化工具
pip install auto-gptq autoawq

# 监控工具
pip install prometheus-client ray[serve]

# 部署框架
docker, kubernetes, nginx

实战项目建议：

1. 搭建一个支持百万级 QPS 的 LLM 推理集群
2. 实现模型热更新与 A/B Testing 系统
3. 构建 LLM 性能监控大盘（延迟、吞吐、显存）

快速导航 (Quick Navigation)#

按部分浏览 (Browse by Section)#

第一部分：大语言模型基础#

• 第1章：初识大语言模型
• 第2章：与模型对话：提示工程基础
• 第3章：语言的基石：分词与嵌入

第二部分：Transformer 架构揭秘#

• 第1章：Transformer 核心揭秘
• 第2章：模型家族谱系：从编码器到解码器
• 第3章：预训练的奥秘：从数据到智能

第三部分：数据工程与定制化#

• 第1章：数据工程基础
• 第2章：微调你的专属模型
• 第3章：与人类对齐：偏好优化
• 第4章：创建更优的嵌入模型

第四部分：大模型应用开发#

• 第1章：语义理解应用：文本分类与聚类
• 第2章：检索增强生成（RAG）原理
• 第3章：智能体（Agent）核心机制
• 第4章：多模态大模型原理

第五部分：工程实战工具栈#

• 第1章：Hugging Face 生态全景
• 第2章：LLaMA-Factory 微调工厂
• 第3章：TRL 与强化学习实战
• 第4章：DeepSpeed 分布式训练
• 第5章：端到端 LLM 项目实战

第六部分：生产部署与评估#

• 第1章：模型压缩与推理加速
• 第2章：vLLM 高性能推理
• 第3章：生产部署最佳实践
• 第4章：模型评估体系

第七部分：高级技术专题#

• 第1章：长上下文技术
• 第2章：新型架构探索
• 第3章：推理时计算增强
• 第4章：推理模型专题
• 第5章：模型安全与可解释性
• 第6章：大规模预训练数据工程

学习建议 (Study Tips)#

时间规划 (Time Commitment)#

学习策略 (Strategy)#

1. 理论 + 实践结合

   • 每学完一章，必须完成代码实战
   • 推荐使用 Google Colab（免费 GPU）

2. 循序渐进

   • 不要跳过第一部分基础章节
   • 先掌握工具使用，再深入原理

3. 项目驱动

   • 以实际项目需求为导向
   • 推荐先做一个简单的 RAG 问答系统

4. 社区互动

   • 关注 Hugging Face、LangChain 官方文档
   • 加入 Discord/Slack 技术社区

常见误区 (Common Pitfalls)#

• 不要一上来就训练大模型（成本极高）
• 不要忽视数据质量（Garbage In, Garbage Out）
• 不要盲目追求最新模型（稳定性 > 性能）
• 不要忽视 Prompt Engineering（80% 问题可通过优化 Prompt 解决）

技术栈对比 (Tech Stack Comparison)#

进阶路径 (Advanced Paths)#

从应用开发到算法研究#

1. 深入学习 第二部分：Transformer 架构
2. 掌握 第三部分：微调与对齐
3. 研究 第七部分：推理模型

从 MLOps 到算法研究#

1. 学习 第二部分：预训练原理
2. 掌握 第七部分：新型架构
3. 研究 第七部分：大规模数据工程

推荐资源 (Recommended Resources)#

官方文档#

• Hugging Face Docs
• LangChain Docs
• vLLM Docs

论文阅读#

• Papers with Code - NLP
• Hugging Face Daily Papers

开源项目#

• LLaMA-Factory
• vLLM
• LangGraph

最后更新：2026-01-25 作者：Claude Code 反馈：如有问题或建议，欢迎提交 Issue！