想要学习LLM（大型语言模型），首先要对LLM有一定的了解，知道LLM的基本概念和使用。因此，对于每一位初学者，首先都需要学习一些LLM的入门课程，包括基础的 Python 语法（因为 LLM 目前基本都建立在Python生态上）、LLM 的概念、Prompt 书写技巧等，对 LLM 有一个初步而全面的了解。在LLM基础入门方面，DW 目前有这样一些开源教程供学习：
- 学习 Python 基本语法与程序编写方法的《聪明办法学 Python》：https://github.com/datawhalechina/learn-python-the-smart-way-v2
- 面向非从业人员、非高级开发者的 LLM 通识课程《GPT 从入门到应用——Prompt 使用指南》：https://linklearner.com/lesson/11eee795-2d34-a81b-afbb-00ffd44c5a68/summary
- 从 Prompt 开始，讲授 LLM 的全面入门的《LLM Cookbook 必修一——面向开发者的提示工程》：https://github.com/datawhalechina/llm-cookbook/tree/main/content/%E5%BF%85%E4%BF%AE%E4%B8%80-Prompt%20Engineering%20For%20Developers
细分方向
在对 LLM 有基本了解之后，需要更进一步理解 LLM 的细分方向，确定自己想要深入探索的具体方向。根据个人的学习经验，我将 LLM 这个领域分成以下四个细分方向：
- 首先是 LLM 开发，主要指基于闭源 LLM API 来去构建一些有意思的应用。这是一个更“开发”的方向，你需要在 LLM API 的基础上来做文章，包括构建 RAG 或者 Agent 框架，优化 Prompt 等来开发一个能解决用户实际需求的应用。例如主打情感聊天的个性化聊天伙伴、前段时间爆火出圈的哄哄模拟器等，都是 LLM 开发的成果；
- 其次是微调 LLM，主要指本地微调一个开源 LLM 来去解决实际业务问题。这是一个更偏向于传统“算法”的方向，你需要针对业务需求进行业务逻辑拆解，再针对性地构建、优化训练数据，对开源 LLM 进行分布式微调并不断迭代优化 Bad Case。例如我们上文所使用的案例，就是一个微调 LLM 的经典任务；
- LLM 部署是一个更底层的方向，主要指如何对训练好的 LLM 进行部署推理、加速优化。这个方向一般会涉及到 LLM 的分布式部署、量化、剪枝、蒸馏等操作，一般存在于大企业的架构部门。针对这个方向，你不仅需要熟悉 LLM 的架构和原理，还需要掌握一定 CUDA 编程等底层知识；
- 最后是门槛最高、技术空间最广阔的训练 LLM，包括 LLM 相关的、更硬核、资源要求更高的一切内容，例如 LLM 的预训练、SFT、RLHF 全流程，海量预训练数据处理，超大分布式集群训练，LLM 的架构、训练方法优化等。要深研这个方向，需要有较高的数学和代码功底，往往还需要一定的科研素养与灵感。
LLM 开发
对于 LLM 开发，可以先学习一些 LLM 开发的入门内容，例如什么是 RAG、什么是 Agent，如何使用 Langchain 构建 LLM Demo 等。在掌握了 LLM 开发的基本技能之后，可以深入学习例如 RAG 高级技巧或是 Agent 开发等进阶内容，来去尝试如何构建强大、可用的 LLM 应用，包括阅读一些前沿论文或经典开源项目源码，来不断深入自己对 LLM 开发的理解。在完成了上述内容的学习并掌握对应内容之后，需要投入到真正的 LLM 开发实践中去深入探索 LLM 开发，提出新的 Idea 并组队开发创新产品，或是参加一些由国内知名企业举办的 LLM 赛事，从而在实践中不断磨练真正的 LLM 开发技术。
在 LLM 开发领域，DW 有这样一些开源教程可供学习参考：
- 聚焦于如何使用ChatGPT相关API创造新的功能和应用的《Hugging LLM》：https://github.com/datawhalechina/hugging-llm
- 面向小白开发者的大模型应用开发教程《LLM Universe —— 动手学大模型应用开发》：(https://github.com/datawhalechina/llm-universe
- 基于 MetaGPT 框架的多智能体开发教程《Hugging Multi-Agent》：https://github.com/datawhalechina/hugging-multi-agent
LLM 微调
要学习 LLM 微调，需要学习更多的 LLM 基础内容和原理，更进一步掌握 LLM 本身，因为微调需要对 LLM 的参数做调整。你需要首先学习深度学习基础，掌握深度学习基本概念，了解深度学习任务的常见术语、经典网络。你还需要具备一定的 Pytorch 基础，因为目前 LLM 基本都搭建在 Pytorch 生态上。完成深度学习基础和 Pytorch 基础学习后，可以从理论到实践来去学习 LLM 的微调。
首先需要学习一系列理论教程，对 LLM 有全面、深入、微观的认识和理解；然后进行真正的 LLM 微调实践，一步步掌握 LLM 部署、推理、微调全流程并尝试参加一些算法比赛产出实际成果。在掌握基本的 LLM 微调技巧后，你还需要投入到真正业务实践中，去理解学界、业界真正如何使用 LLM 微调。你可以去到一些知名企业（例如互联网大厂或独角兽）实习 LLM 算法岗位，目前，LLM 微调一般有两种核心工作：一是微调 LLM 来解决实际业务问题，另一个就是微调垂域大模型，如医学大模型、法律大模型等。这两种工作中都存在大量业务实践经验和技巧，需要学习者亲身实践才能体会。
你也可以跟随有足够资源的导师或实验室去进行科研探索，例如阅读大量科研论文，找到新的 Idea 并进行实现实验，尝试产出真正的学术成果。到这一步，在 LLM 微调的细分方向上，学习者就算登堂入室了。
在 LLM 微调领域，Datawhale有这样一些开源教程可供学习参考：
- 深度学习入门经典教程《李宏毅深度学习教程》：https://github.com/datawhalechina/leedl-tutorial
- 入浅出、从理论到实践的 Pytorch 教程《深入浅出 Pytorch》：https://github.com/datawhalechina/thorough-pytorch
- 全面介绍 LLM 理论基础的《So Large LM》：https://github.com/datawhalechina/so-large-lm
- 提供LLM 的调用、部署、微调全链路手把手教学的《Self LLM——开源大模型食用指南》：https://github.com/datawhalechina/self-llm
LLM 部署
LLM 部署是一个比微调更底层、更硬核的方向，主要是对已训练好的模型进行部署、量化和推理加速，该方向一般是在大型企业的架构部门，在一些企业中，负责训练模型算法工程师也需要兼顾模型部署和推理。要学习 LLM 部署的方向，你首先同样需要学习深度学习基础、Pytorch 基础和 LLM 基础。
在掌握相关基础之后，我们建议通过学习一些经典的部署框架来进行部署的实践，包括常用分布式框架 Deepspeed、常用部署推理框架 vLLM 和经典量化框架 accelerate。要深入掌握 LLM 部署，不仅要学会如何使用上述框架，更要深入其原理和源码，理解 LLM 部署需要做些什么。最后，你同样需要进行深入实践。可以去到企业的架构团队进行实习，尝试上手真实业务场景下 LLM 的部署与推理加速；也可以进行 CUDA 编程的学习，从更底层掌握 LLM 的部署优化。
LLM 训练
LLM 训练是门槛最高、技术空间最大、学习路径最系统的一个方向。LLM 训练包括 LLM 的全流程训练、结构优化、理论研究等，需要大量资源和较高的功底，一般在知名高校、研究院或是企业的研究类部门中，是比较“稀缺”的一个方向。学习 LLM 训练，需要更长周期、更系统、更全面的基础学习。首先，你需要具备一定的数学基础。包括高等数学、线性代数与矩阵论、概率论等，都需要掌握到至少本科水平。其次，你需要学习机器学习和深度学习基础。对于机器学习基础，要掌握常见算法理论，熟悉常见算法的实现。对于深度学习基础，学习的要求可能会更高，需要深入掌握主流神经网络的结构，最好要能够自己动手实现。
在掌握机器学习与深度学习的基础之后，你还需要学习 NLP 基础。你需要阅读一系列 NLP 经典论文，如 Word2Vec、ELMo、Transformer、GPT、BERT 等，理解 NLP 任务的特点、核心思路和发展历程。具备足够的 NLP 基础，我们才推荐学习 LLM 基础，因为对于 LLM 训练这个方向，掌握扎实的基础至关重要。你同样需要学习 LLM 理论基础，同时阅读一系列 LLM 经典论文，例如 Instruct-GPT、LoRA 等，从而对 LLM 有一个更深入、透彻的掌握。同样，需要掌握开源 LLM 的部署、微调实践，这也是学习 LLM 训练的必备基础技能。
最后，在具备较深厚的基础后，可以投身到有足够资源的科研团队中，紧跟研究热点，产出学术成果；还可以到知名 LLM 团队实习（如讯飞星火、百度文心一言、阿里通义千问等），亲身参与 LLM 训练，体验 LLM 训练中的核心难点和问题所在。
到这个阶段，就算 LLM 训练方向上完成入门了。
想入门 AI 大模型却找不到清晰方向？备考大厂 AI 岗还在四处搜集零散资料？别再浪费时间啦！2025 年AI 大模型全套学习资料已整理完毕，从学习路线到面试真题，从工具教程到行业报告，一站式覆盖你的所有需求，现在全部免费分享！
👇👇扫码免费领取全部内容👇👇
一、学习必备：100+本大模型电子书+26 份行业报告 + 600+ 套技术PPT，帮你看透 AI 趋势
想了解大模型的行业动态、商业落地案例？大模型电子书？这份资料帮你站在 “行业高度” 学 AI：
1. 100+本大模型方向电子书
2. 26 份行业研究报告：覆盖多领域实践与趋势
报告包含阿里、DeepSeek 等权威机构发布的核心内容，涵盖：
- 职业趋势：《AI + 职业趋势报告》《中国 AI 人才粮仓模型解析》；
- 商业落地：《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》；
- 领域细分：《AGI 在金融领域的应用报告》《AI GC 实践案例集》；
- 行业监测：《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。
3. 600+套技术大会 PPT：听行业大咖讲实战
PPT 整理自 2024-2025 年热门技术大会，包含百度、腾讯、字节等企业的一线实践：
- 安全方向：《端侧大模型的安全建设》《大模型驱动安全升级（腾讯代码安全实践）》；
- 产品与创新：《大模型产品如何创新与创收》《AI 时代的新范式：构建 AI 产品》；
- 多模态与 Agent：《Step-Video 开源模型（视频生成进展）》《Agentic RAG 的现在与未来》；
- 工程落地：《从原型到生产：AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。
二、求职必看：大厂 AI 岗面试 “弹药库”，300 + 真题 + 107 道面经直接抱走
想冲字节、腾讯、阿里、蔚来等大厂 AI 岗？这份面试资料帮你提前 “押题”，拒绝临场慌！
1. 107 道大厂面经：覆盖 Prompt、RAG、大模型应用工程师等热门岗位
面经整理自 2021-2025 年真实面试场景，包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题，每道题都附带思路解析：
2. 102 道 AI 大模型真题：直击大模型核心考点
针对大模型专属考题，从概念到实践全面覆盖，帮你理清底层逻辑：
3. 97 道 LLMs 真题：聚焦大型语言模型高频问题
专门拆解 LLMs 的核心痛点与解决方案，比如让很多人头疼的 “复读机问题”：
![]()
三、路线必明： AI 大模型学习路线图，1 张图理清核心内容
刚接触 AI 大模型，不知道该从哪学起？这份「AI大模型 学习路线图」直接帮你划重点，不用再盲目摸索！
路线图涵盖 5 大核心板块，从基础到进阶层层递进：一步步带你从入门到进阶，从理论到实战。
L1阶段:启航篇丨极速破界AI新时代
L1阶段：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。
L2阶段：攻坚篇丨RAG开发实战工坊
L2阶段：AI大模型RAG应用开发工程，主要学习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。
L3阶段：跃迁篇丨Agent智能体架构设计
L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。
L4阶段：精进篇丨模型微调与私有化部署
L4阶段：大模型的微调和私有化部署，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。
L5阶段：专题集丨特训篇 【录播课】
![]()
四、资料领取：全套内容免费抱走，学 AI 不用再找第二份
不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：
👇👇扫码免费领取全部内容👇👇
2025 年想抓住 AI 大模型的风口？别犹豫，这份免费资料就是你的 “起跑线”！
