LLM（Large Language Model）系统学习路线清单

第一阶段：LLM核心基础知识（打牢理论根基）

1.1 Word2Vec, RNN, LSTM, Seq2Seq 技术概览

• 1.1.1 Word2Vec：核心思想（分布式表示假设）、两种实现范式（Skip-gram & CBOW）、优缺点分析及典型应用场景
• 1.1.2 RNN（Recurrent Neural Network）：基础网络结构、时序依赖建模原理、梯度消失/梯度爆炸问题根源剖析
• 1.1.3 LSTM（Long Short-Term Memory）：门控机制核心设计（Input Gate、Forget Gate、Output Gate）、Cell State 工作原理、解决RNN长序列建模缺陷的核心逻辑
• 1.1.4 GRU（Gated Recurrent Unit）：LSTM轻量化变体结构、Reset Gate & Update Gate 功能解析、性能与计算效率对比
• 1.1.5 Seq2Seq：Encoder-Decoder 经典架构、核心应用场景（机器翻译、文本摘要、对话生成）、固有局限性分析
• 1.1.6 技术演进脉络：各模型在LLM发展历程中的承上启下作用

1.2 Attention 机制

• 1.2.1 基础Attention机制：核心设计理念（聚焦关键信息）、数学原理与计算流程拆解
• 1.2.2 Self-Attention：定义与核心价值、单头Self-Attention计算步骤、与传统Attention的本质区别
• 1.2.3 Attention机制的技术优势：长序列依赖建模突破、并行计算潜力释放、模型表达能力提升逻辑
• 1.2.4 Attention在Seq2Seq中的落地：Bahdanau Attention 与 Luong Attention 对比分析

1.3 Transformer结构（LLM核心架构基石）

• 1.3.1 Transformer 整体架构：Encoder-Decoder 协同工作流程、端到端建模逻辑
• 1.3.2 Encoder 核心组件：Multi-Head Attention、Layer Normalization、Feed-Forward Network 设计细节
• 1.3.3 Decoder 核心组件：Masked Multi-Head Attention、Encoder-Decoder Attention、Residual Connection 作用机制
• 1.3.4 Transformer 关键技术细节：Positional Encoding 实现方式、Token Embedding 设计、输出层 Softmax 解码逻辑
• 1.3.5 性能对比：Transformer vs RNN/LSTM（并行性、长序列建模能力、训练效率）

第二阶段：LLM训练全流程（掌握模型构建与优化逻辑）

2.1 LLM预训练：语料、词表、模型结构，模型参数与计算量

• 2.1.1 预训练语料准备：语料来源（公开数据集/私有领域数据）、语料筛选与清洗标准、语料多样性与规模对预训练效果的影响
• 2.1.2 词表构建：分词算法选型（BPE/WordPiece/SentencePiece）、词表大小选择依据、特殊Token（[CLS]/[SEP]/[PAD]/[MASK]）设计逻辑
• 2.1.3 预训练模型结构选型：Transformer变体架构对比（Encoder-only/Decoder-only/Encoder-Decoder）、GPT/BERT系列架构设计差异
• 2.1.4 预训练任务设计：Masked Language Modeling (MLM)、Causal Language Modeling (CLM)、对比学习类预训练任务
• 2.1.5 模型参数与计算量：参数规模划分标准（小/中/大/超大模型）、FLOPs 计算方法、算力需求与训练效率优化策略
• 2.1.6 预训练工程实践：训练框架选型（PyTorch/TensorFlow/Megatron-LM）、超参数调优、梯度累积与分布式训练（Data Parallel/Model Parallel）

2.2 LLM微调（适配特定下游任务）

• 2.2.1 微调核心逻辑：预训练模型迁移学习原理、微调 vs 预训练的本质区别
• 2.2.2 Full Fine-tuning：适用场景、技术优缺点、算力与标注数据量要求
• 2.2.3 高效微调方法：LoRA（Low-Rank Adaptation）、Prefix Tuning、Adapter Tuning、BitFit 等轻量化方案原理与对比
• 2.2.4 微调数据准备：标注数据质量标准、数据增强方法、数据分布对微调效果的影响
• 2.2.5 微调流程与评估：训练Pipeline设计、评估指标选型、过拟合与欠拟合解决方案

2.3 LLM偏好对齐（贴合人类意图与价值观）

• 2.3.1 偏好对齐核心目标：模型输出的实用性、安全性、伦理合规性
• 2.3.2 主流对齐技术方案：
  • RLHF（Reinforcement Learning from Human Feedback）：三阶段流程（SFT → RM训练 → PPO优化）
  • RLAIF（Reinforcement Learning from AI Feedback）：技术原理、解决人类标注成本高的核心优势
  • DPO（Direct Preference Optimization）：简化RLHF流程、无需训练RM的技术路径
• 2.3.3 对齐效果评估：人工评估维度、自动评估指标、对齐效果的量化与定性分析方法
• 2.3.4 安全对齐专项：有害内容过滤机制、偏见缓解策略、事实性保障技术

第三阶段：提示工程Prompting（解锁LLM应用能力）

3.1 Prompt工程技术简介

• 3.1.1 Prompt Engineering 定义：通过精准设计输入指令，引导LLM输出预期结果的技术方法论
• 3.1.2 Prompt Engineering 核心价值：零微调提升模型性能、降低LLM应用门槛、适配多样化下游任务
• 3.1.3 Prompt Engineering 适用场景：文本生成、知识问答、逻辑推理、代码生成、多轮对话等
• 3.1.4 模型与Prompt的适配性：模型规模对Prompt效果的影响、不同LLM架构的Prompt设计差异

3.2 Prompt工程基础方法

• 3.2.1 指令清晰化：明确任务目标、指定输出格式、约束回复边界
• 3.2.2 角色设定（Role Prompting）：为模型赋予特定身份（如Senior Software Engineer、Data Scientist）、提升输出专业性
• 3.2.3 上下文管理：Context Window 长度选择、关键信息前置原则、冗余信息剔除技巧
• 3.2.4 关键词强调：通过格式标记突出核心需求、引导模型聚焦关键信息
• 3.2.5 基础Prompt Template 设计与复用

3.3 Prompt经典方法

• 3.3.1 Zero-shot Learning：无需示例直接下达指令、适用简单任务场景
• 3.3.2 Few-shot Learning：提供少量Demonstration引导模型、提升复杂任务效果
• 3.3.3 Chain of Thought (CoT)：引导模型分步推理、提升逻辑计算与复杂问答能力
• 3.3.4 进阶CoT技术：Few-shot CoT、Self-Consistency、Tree of Thought (ToT)、Chain of Verification (CoVe)
• 3.3.5 Prompt优化技巧：迭代式Prompt调整、错误反馈修正机制、多轮Prompt交互策略

3.4 Prompt案例

• 3.4.1 文本生成类：文章创作、诗歌写作、广告文案生成的Prompt设计
• 3.4.2 知识问答类：事实查询、专业知识解答、多文档整合问答的Prompt案例
• 3.4.3 逻辑推理类：数学计算、代码调试、案例拆解的Prompt设计
• 3.4.4 代码开发类：代码生成、Bug修复、代码重构、技术文档编写的Prompt案例
• 3.4.5 文本编辑类：语法纠错、风格转换、文本摘要与扩写的Prompt案例
• 3.4.6 多轮对话类：连续问答、场景模拟、个性化交互的Prompt设计

第四阶段：多模态大模型（拓展LLM跨模态能力）

4.1 多模态大模型基础概念与应用场景

• 4.1.1 多模态定义：主流模态类型（Text、Image、Audio、Video、Speech）、跨模态理解与生成核心目标
• 4.1.2 多模态大模型发展历程：从单模态到多模态的技术演进、关键里程碑事件
• 4.1.3 典型应用场景：
  • 图文交互：Image Captioning、Text-to-Image Generation、Visual Question Answering (VQA)
  • 音视频交互：Speech-to-Text、Video Summarization、Audio Generation
  • 跨模态创作：Text-to-Video、Speech-driven Digital Human
  • 实用工具：多模态文档分析、跨模态检索系统

4.2 多模态大模型关键技术

• 4.2.1 模态特征提取：各模态专属Encoder（Image CNN/Vision Transformer、Audio MFCC/Speech Encoder）
• 4.2.2 模态融合技术：
  • 融合时机划分：Early Fusion、Late Fusion、Hybrid Fusion
  • 融合机制划分：Cross-Attention Fusion、Self-Attention Fusion、Adapter Fusion
• 4.2.3 跨模态对齐：模态间语义映射关系、对齐损失函数设计、图文/音文对齐技术方案
• 4.2.4 多模态预训练任务：图文对比学习（Contrastive Language-Image Pretraining）、图像掩码建模、跨模态生成任务
• 4.2.5 多模态模型轻量化：参数共享、模型压缩、量化感知训练、端侧推理优化策略

4.3 多模态大模型前沿动态

• 4.3.1 主流模型进展：GPT-4V、Gemini、BLIP系列、LLaVA 等模型技术特性与版本迭代
• 4.3.2 技术突破方向：多模态统一建模、小样本跨模态迁移、实时多模态交互、模态无关通用表示
• 4.3.3 落地挑战与解决方案：模态偏差缓解、生成内容真实性保障、算力成本优化、跨模态知识对齐
• 4.3.4 未来趋势：Full-modal大模型、端侧多模态模型、行业定制化多模态解决方案

第五阶段：AI Agent概述（探索LLM自主决策与协作能力）

5.1 Agent架构

• 5.1.1 AI Agent 核心定义：具备感知、决策、执行、反馈能力的自主智能体
• 5.1.2 经典架构：Perception Module → Planning Module → Execution Module → Feedback Module 闭环流程
• 5.1.3 主流Agent框架：AutoGPT、MetaGPT、LangChain Agent、ChatGPT Plugin Agent 架构对比
• 5.1.4 架构设计关键要素：目标分解能力、记忆机制（Short-term Memory/Long-term Memory）、Self-Reflection 能力

5.2 工具学习（Tool Learning）

• 5.2.1 Tool Learning 核心思想：让Agent自主选择、调用外部工具完成自身能力边界外的任务
• 5.2.2 常见工具类型：Search Tools（百度/Google）、Calculation Tools（计算器/Code Interpreter）、Office Tools（文档处理/表格分析）、API Tools（第三方平台接口）
• 5.2.3 工具调用流程：Task Recognition → Tool Selection → Parameter Generation → Tool Execution → Result Parsing → Feedback Optimization
• 5.2.4 Tool Learning 优化策略：工具适配性提升、错误处理机制、多工具组合调用、工具能力评估

5.3 多智能体（Multi-Agent）

• 5.3.1 Multi-Agent System 定义：多个AI Agent通过协同/竞争完成复杂任务的系统架构
• 5.3.2 Multi-Agent 交互模式：
  • 协作模式：分工协作、信息共享，完成复杂任务（如团队开发、项目管理、科研协作）
  • 竞争模式：对抗训练、博弈交互，提升模型能力（如棋类对战、策略模拟）
  • 混合模式：协作+竞争结合，适配复杂动态场景
• 5.3.3 Multi-Agent 通信机制：消息传递协议、公共知识库、交互语言设计、意图对齐机制
• 5.3.4 Multi-Agent 应用场景：群体创作、智能客服团队、工业流程协同、多智能体仿真系统
• 5.3.5 Multi-Agent 发展挑战：协同效率优化、冲突解决机制、全局目标对齐、资源分配策略