# 全网最全的大模型应用开发学习路线，开源了

关于如果学习大模型知识的文章，我一直都有在写，除了发票公众号上，我也都整理到网站【卡码笔记】：https://notes.kamacoder.com/

在我写的文章里，有很多 Agent、Rag 相关文章在公众号上成为爆款：

仅仅是转发就上万的，因为公众号有推荐机制，但看阅读量很多水文也可以冲阅读。

真正看一个文章的含金量还是看转发量，读者是否想把这篇文章分享给其他人，这里我随便截两篇大模型技术文章的数据：

转发量上千的更是比比皆是：

很多读者都非常认可我的教程，还有要找我找文章PDF版本的。

而这次我直接把我的所有大模型技术文章开源，而且把文章按学习路线整理好，大家直接可以看 markdown 源文件。

开源地址：

我可以很有底气地说：这是目前全网最完整、最适合程序员的大模型应用开发学习路线之一。

它不是把一堆文章扔进文件夹，而是从第一次调用模型 API 开始，一路带你做到可评估的 RAG、可靠的 Agent、能上线的 AI 系统，最后再补齐 Transformer 原理和大模型面试。

LLM Master仓库首页

从仓库首页就能看到它的定位：程序员的大模型全栈学习路线。目前已经整理了 150+ 篇中文教程，而且还在持续更新。

# 这是一条能走通的路线

很多所谓的“学习路线”，最后只是给你列一张几十门课程的清单。

看起来很全，真正开始学时还是不知道先看哪个。

LLM Master 最大的区别，是它按知识依赖把内容拆成了六个阶段：

大模型应用开发完整学习路线

这张路线表最有价值的地方，不只是告诉你“学什么”，还写清楚了每个阶段的完成标志。

比如 RAG 不是“看完几篇文章”就算学会，而是要做出一个包含混合检索、答案引用和离线评测集的知识库；Agent 也不是调通一次工具调用，而是要做到可追踪、可中断、可恢复、可评估。

学习最终要落到作品上。 这才是程序员真正能执行的路线。

我在本地统计了一下，目前仓库中已经有 172 个 Markdown 文件，包括教程、路线、专题索引和面试资料。

具体覆盖范围，可以看这张表：

方向	主要内容
基础入门	大模型关键词、训练流程、岗位选择、Token 与 API 成本
应用开发	Prompt、结构化输出、流式响应、Function Calling、上下文工程
RAG	Chunk、Embedding、向量数据库、混合检索、Rerank、评估与优化
Agent	ReAct、工具设计、规划、记忆、状态、失败恢复、Multi-Agent
微调	SFT、RLHF、DPO、LoRA、QLoRA、蒸馏以及和 RAG 的选型
部署与性能	vLLM、SGLang、KV Cache、PagedAttention、量化、压测
Transformer	Q/K/V、Attention、位置编码、FFN、LayerNorm、手写实现
AI 编程	Claude Code、Agent CLI、Skills、Hooks、MCP、工程工作流
求职面试	RAG、Agent、微调、Transformer、AI 编程和真实大厂面经