大模型应用开发新手必看：一周速成学习路线，告别术语混乱！
本文为自学大模型应用开发的学习路线总结，旨在帮助初学者快速掌握核心概念和技术，而非追求全面概念学习。文章强调Python工程能力、调用模型能力和组织复杂流程能力的重要性，并提供了学习推荐顺序，包括Python基础、LLM概念理解、Prompt/Prompt Engineering、RAG、Agent和LangChain等，适合偏工程、系统、业务场景的学习者。
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：
- python基础+API调用
- LLM概念（知道能干什么）
- Prompt/Prompr Engineering
- RAG(解决"查资料不准")
- Agnet（复杂流程自动化）
- LangChain（当项目复杂时）
- 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
python学习视频推荐黑马课程，简单易懂，小白也可很快上手学习，B站就有课程，可以直接搜索学习。
| 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 https://zhuanlan.zhihu.com/p/622518771
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
https://www.bilibili.com/video/BV1JLN2z4EZQ/?spm_id_from=333.1387.homepage.video_card.click
小红书上找的RAG相关文档（自己可以在小红书找到也可以从本公众号后台回复"RAG"获取pdf文档）
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
https://www.bilibili.com/video/BV1TSg7zuEqR/?spm_id_from=333.1387.homepage.video_card.click&vd_source=38410fc54f9e8d536c013e81b142c0fd
小红书上找的Agent相关文档介绍（相关资料可以从公众号后台获取）：
结语：抓住大模型时代的职业机遇
AI大模型的发展不是“替代人类”，而是“重塑职业价值”——它淘汰的是重复性、低附加值的工作，却催生了更多需要“技术+业务”交叉能力的高端岗位。对于求职者而言，想要在这波浪潮中立足，不仅需要掌握Python、TensorFlow/PyTorch等技术工具，更要深入理解目标行业的业务逻辑（如金融的风险控制、医疗的临床需求），成为“懂技术、懂业务”的复合型人才。
无论是技术研发岗（如算法工程师、研究员），还是业务落地岗（如产品经理、应用工程师），大模型都为不同背景的职场人提供了广阔的发展空间。只要保持学习热情，紧跟技术趋势，就能在AI大模型时代找到属于自己的职业新蓝海。
最近两年大模型发展很迅速，在理论研究方面得到很大的拓展，基础模型的能力也取得重大突破，大模型现在正在积极探索落地的方向，如果与各行各业结合起来是未来落地的一个重大研究方向
大模型应用工程师年包50w+属于中等水平，如果想要入门大模型，那现在正是最佳时机
2025年Agent的元年，2026年将会百花齐放，相应的应用将覆盖文本，视频，语音，图像等全模态
如果你对AI大模型入门感兴趣，那么你需要的话可以点击这里大模型重磅福利：入门进阶全套104G学习资源包免费分享！
扫描下方csdn官方合作二维码获取哦！
给大家推荐一个大模型应用学习路线
这个学习路线的具体内容如下：
第一节：提示词工程
提示词是用于与AI模型沟通交流的，这一部分主要介绍基本概念和相应的实践，高级的提示词工程来实现模型最佳效果，以现实案例为基础进行案例讲解，在企业中除了微调之外，最喜欢的就是用提示词工程技术来实现模型性能的提升
第二节：检索增强生成（RAG）
可能大家经常会看见RAG这个名词，这个就是将向量数据库与大模型结合的技术，通过外部知识来增强改进提升大模型的回答结果，这一部分主要介绍RAG架构与组件，从零开始搭建RAG系统，生成部署RAG，性能优化等
第三节：微调
预训练之后的模型想要在具体任务上进行适配，那就需要通过微调来提升模型的性能，能满足定制化的需求，这一部分主要介绍微调的基础，模型适配技术，最佳实践的案例，以及资源优化等内容
第四节：模型部署
想要把预训练或者微调之后的模型应用于生产实践，那就需要部署，模型部署分为云端部署和本地部署，部署的过程中需要考虑硬件支持，服务器性能，以及对性能进行优化，使用过程中的监控维护等
第五节：人工智能系统和项目
这一部分主要介绍自主人工智能系统，包括代理框架，决策框架，多智能体系统，以及实际应用，然后通过实践项目应用前面学习到的知识，包括端到端的实现，行业相关情景等
学完上面的大模型应用技术，就可以去做一些开源的项目，大模型领域现在非常注重项目的落地，后续可以学习一些Agent框架等内容
上面的资料做了一些整理，有需要的同学可以下方添加二维码获取（仅供学习使用）