别再东拼西凑学 LLM 了，这次找一条完整路线

想系统学大模型，先别急着到处找资料。对大多数人来说，真正缺的不是更多零散文章，而是一条清晰、靠谱、能真正走通的学习路径。

---

前言

这两年，大模型相关内容更新得非常快。今天在看 Prompt Engineering，明天开始研究 RAG，后天又转去学 Agent、多模态、微调、工作流和部署。表面上看，资料越来越多、信息越来越丰富，但真正开始学习的人，很快就会遇到一个现实问题：内容很多，路线却很乱。

很多人学 LLM 的过程其实都很像。刷到一篇文章就先收藏，看到一个热门概念就点进去看，发现一个 GitHub 项目火了就顺手 star。结果看了不少内容，也知道不少术语，但真要问“我现在到底学到哪一步了”“下一步该学什么”，往往很难说清楚。

所以，系统学习大模型，第一步往往不是再多找几篇文章，而是先找一条完整、清晰、适合自己的学习主线。今天这篇文章，我想推荐一个我觉得很适合作为起点的开源项目：Dive into LLMs / 动手学大模型。

---

项目介绍

• 项目名称：Dive into LLMs / 动手学大模型
• 项目地址：https://github.com/Lordog/dive-into-llms

这是一个面向大模型学习者的开源项目，核心价值不只是“介绍几个热门概念”，而是尝试把大模型学习过程中常见的关键知识点和应用方向串成一条相对完整的路线。对于刚入门的人来说，这类项目最大的帮助，是能先建立整体认知，再逐步深入具体模块。

很多人不是学不会，而是学得太散。今天看这篇，明天补那篇，知识点一直在增加，但脑子里始终缺少一张完整地图。而一个结构化的开源项目，恰好能在这个阶段起到“路线图”的作用。

---

为什么我推荐先看这个项目

1. 它解决的不是“没资料”，而是“资料太散”

现在网上关于 LLM 的内容真的不少。教程、博客、视频、课程、仓库、论文解读，到处都是信息。问题不是没有内容，而是内容太多以后，反而更容易让人迷失方向。

比如你今天看 Prompt，觉得自己入门了；明天看 RAG，发现里面又有向量数据库、Embedding、召回、重排；后天再看 Agent，结果又冒出工具调用、任务规划、状态管理、工作流编排。你会发现自己接触了很多关键词，但始终不确定这些知识点之间是什么关系，也不知道应该按什么顺序去掌握。

Dive into LLMs / 动手学大模型 的价值就在这里。它更像是一条主线，而不是一堆零散信息。对于学习者来说，这一点远比“再多一篇教程”更重要。

2. 它适合作为系统学习的起点

很多资料都有一个共性问题：单点讲得很好，但整体连接不够。你看完一篇文章之后，确实能理解某个知识点，但却不知道它在整个大模型应用体系里处于什么位置。

而真正高效的学习方式，往往不是“哪里火就学哪里”，而是先建立总体框架，再逐个模块深入。你需要先知道：

• 什么是大语言模型
• 大模型应用开发通常包含哪些关键模块
• Prompt、RAG、微调、Agent 分别在解决什么问题
• 一个完整应用从模型调用到落地实践，大概会经过哪些环节

当这些问题在脑子里有了基本结构之后，后面再去学习具体技术，就会轻松很多。这个项目比较适合承担这样的角色：先帮你搭骨架，再帮助你逐步扩展。

3. 它对中文开发者更友好

对于很多中文开发者来说，完全依靠英文文档当然可以学习，但在入门阶段，理解成本和筛选成本都不低。尤其是当你还没有建立整体知识框架时，直接跳进大量原始英文资料，很容易一边看一边乱。

中文高质量开源项目的意义，并不只是“翻译内容”，而是用更符合本土开发者理解方式的结构，把知识重新组织一遍。这样做的好处是，可以先降低入门门槛，让你更快形成认知闭环。

Dive into LLMs / 动手学大模型 作为一个中文语境下的大模型学习项目，在这一点上就很有价值。它更适合作为“第一站”，帮助你把路走顺，然后你再去看论文、英文博客和官方文档，效率会高很多。

---

学大模型，最怕的不是难，而是乱

这句话其实特别重要。很多人会觉得自己学不进去，是因为 LLM 太复杂、更新太快、概念太新。但从学习方法上看，真正的问题很多时候并不是“难”，而是“乱”。

一旦学习路径是碎片化的，就很容易出现两个典型问题：

第一种：看了很多，但没有结构

你知道 Prompt、RAG、Agent、LoRA、多模态这些词，也可能知道它们分别是什么，但如果有人让你讲一遍“一个大模型应用到底是怎么搭起来的”，你可能会发现很难完整表达。

这不是因为你不认真，而是因为输入的信息一直没有被组织成体系。

第二种：学了不少，但不知道下一步学什么

碎片化学习还有一个常见副作用，就是每次都像在重新开始。今天看一个方向，明天跳到另一个方向，后天又发现还有新的热点。你会觉得自己一直在学习，但始终没有稳定推进的感觉。

而系统学习最重要的价值，就是让你知道自己现在在哪、接下来去哪、为什么这么走。

---

这个项目更适合哪些人

我觉得 Dive into LLMs / 动手学大模型 比较适合下面几类读者：

1. 刚接触大模型，想找系统入口的人

如果你现在还处于“听过很多词，但不知道从哪开始”的阶段，那么这个项目很适合作为入口。它最大的价值不是一上来就钻得特别深，而是先帮你建立整体认识。

2. 看过不少资料，但知识仍然碎片化的人

这类人通常已经知道很多热门概念，甚至也做过一点简单实践，但脑海里没有成体系的知识结构。对这类读者来说，一个有主线的项目会非常有帮助，因为它能帮你把散点重新连成网。

3. 想从概念走向实践的人

如果你不想只停留在“知道名词”，而是希望慢慢过渡到会用、会做、会搭项目，那么开源学习项目会比纯概念文章更适合。因为它天然更强调路径和实践场景，而不是只做术语介绍。

---

如果你想系统学 LLM，我建议按这条思路来

光推荐项目还不够，更重要的是怎么用。很多人就算找到了好项目，也容易继续陷入“看过就算学过”的节奏。所以我建议你可以按下面这条路线来使用这个项目。

第一步：先把整体框架走一遍

第一遍不要追求每个细节都吃透，而是先把整体内容浏览一遍，重点关注“地图”。你要弄清楚的是：

• 大模型学习大概包含哪些模块
• 各模块之间是什么关系
• 哪些是基础知识，哪些是进阶应用
• 自己当前最适合从哪一段开始

这一阶段的目标不是“学深”，而是“先看全”。只有先知道全貌，后面深入时才不会反复迷路。

第二步：围绕重点模块做最小实践

当你对整体结构有了概念之后，就不要只是停留在阅读层面，而是尽快做一点轻量实践。比如：

• 跑通一个基础的大模型调用示例
• 尝试写几个 Prompt 进行效果对比
• 体验一个简单的知识库问答流程
• 观察 RAG 场景里检索与生成之间的关系

哪怕只是很小的 Demo，也会比单纯阅读更容易形成理解。因为很多技术概念，只有当你真正跑起来的时候，才会知道它解决的到底是什么问题。

第三步：根据目标选择深入方向

当你建立起基础框架并完成初步实践后，就可以开始带着目标去学：

• 想做知识库问答，可以重点学 RAG
• 想做复杂任务自动化，可以重点学 Agent 和工作流
• 想研究模型能力适配，可以继续看微调和对齐
• 想做工程落地，可以深入部署、评测与性能优化

这样学习的效率，会远高于“哪里热门学哪里”。

---

一个很实用的学习建议：先用项目搭骨架，再用资料补细节

如果你真的准备投入时间学大模型，我很建议你记住一句话：

先用项目搭骨架，再用资料补细节。

很多人的问题并不是不努力，而是顺序反了。先看了大量资料，结果结构越来越乱；反而如果先选定一个高质量项目作为主线，把知识主干搭起来，后续再补充文章、课程、论文、案例，你会明显感觉每一份新资料都更容易被吸收。

从学习效率上看，这种方式更符合认知规律。因为你不再是不断接收新的碎片，而是在已有框架上持续加深。这样沉淀出来的知识，更容易转化为真正可复用的能力。

---

项目地址

这里再放一次，方便直接访问：

• 项目名称：Dive into LLMs / 动手学大模型
• GitHub 地址：https://github.com/Lordog/dive-into-llms

如果你最近正准备系统学习 LLM，我建议你可以先把这个项目认真过一遍，再决定自己后续要往 RAG、Agent、微调还是工程化方向深入。先有主线，再做扩展，通常会稳很多。

---

最后

大模型这个领域确实变化很快，热点也很多。今天是一个新框架，明天是一个新概念，后天可能又是新的产品形态。面对这样的信息环境，最容易出现的问题就是：看得越多，反而越乱。

所以我越来越觉得，学习 LLM 最关键的第一步，不是疯狂搜资料，而是先为自己找到一条清晰、系统、能稳定推进的学习路线。

如果你最近也在找这样一个起点，那么 Dive into LLMs / 动手学大模型 值得你认真看一看。

---

互动话题

你现在学大模型，最大的卡点是什么？

• 资料太多，不知道从哪开始
• 看了很多概念，但始终串不起来
• 理论能看懂，但不知道怎么落地
• 想做项目实践，但缺少路线

欢迎在评论区聊聊你现在处于哪个阶段。如果你愿意，我后面也可以继续整理一版：
“适合初学者的大模型学习路线图”。

---