原文：https://mp.weixin.qq.com/s/5YNt7jli8LRv6-EYq0SULw

关于本项目

https://github.com/dora-wang-x/llm-learning-roadmap

复制代码

llm-learning-roadmap/
├── README.md                   # 总览与路线图（本文件）
├── CONTRIBUTING.md             # 贡献规范
├── 01-fundamentals/             # 基础理论与核心原理
├── 02-data-engineering/         # 数据工程
├── 03-pretraining/              # 预训练与基座模型
├── 04-alignment/                # 微调、对齐与强化学习
├── 05-inference-deployment/     # 推理加速与工程部署
├── 06-llm-evaluation/          # 模型评估
├── 07-safety-ethics/           # 安全与伦理
├── 08-applications/             # 应用开发
│   ├── 8.1-prompt/              #   提示词工程
│   ├── 8.2-rag/                 #   检索增强生成
│   ├── 8.3-agents-skills-mcp/   #   Agent、Skill 与 MCP
│   ├── 8.4-ai-coding/           #   AI 编程
│   ├── 8.5-deepresearch/        #   Deep Research 深度研究
│   └── 8.6-Maas/                #   MaaS 模型即服务
└── 09-resources/                # 综合资源（面试 / 论文 / 博客 / 相似项目）

llm-learning-roadmap 旨在建立一套符合 "底层原理 ➔ 数据工程 ➔ 预训练 ➔ 微调 / 对齐 ➔ 推理部署 ➔ 评估 / 安全 ➔ 应用落地" 工程逻辑的大模型知识图谱与资源索引库。

无论你是刚入行 AI 的开发者、高校研究者，还是寻求落地实践的企业架构师，都可以沿着本项目梳理的路径，系统性地建立大模型知识体系。

项目亮点

覆盖完整 ：13 个主题章节、900+ 条精选资源，从理论到生产全链路打通。
工程导向：按真实研发流程组织目录，而非按论文分类堆砌。
中英并重：兼顾国际前沿（论文 / 官方博客）与中文社区优质内容。
持续维护：每章配有独立 README，可逐章增量更新而不破坏整体结构。

1. LLM 基础理论与核心原理 (Fundamentals)
1. 数据工程 (Data Engineering)
1. 预训练与基座模型 (Pre-training & Base Models)
1. 微调、对齐与强化学习 (Fine-tuning & Alignment)
1. 推理加速与工程部署 (Inference & Deployment)
1. 模型评估 (LLM Evaluation)
1. 安全与伦理 (Safety & Ethics)
1. 应用开发 (Applications)
- 8.1 提示词工程 (Prompt Engineering)
- 8.2 检索增强生成 (RAG)
- 8.3 Agent、Skill 与 MCP
- 8.4 AI 编程 (AI Coding)
- 8.5 Deep Research 深度研究
- 8.6 MaaS 模型即服务
1. 综合资源 (Resources)
开源协议 (License)

1. LLM 基础理论与核心原理 (Fundamentals)

从经典 Transformer 到现代 LLM 架构演进的理论基石。

从深度学习与 NLP 前置基础出发，梳理 LLM 核心架构、从零训练与后训练实践，并延伸到工程与应用开发入门。详见 01-fundamentals/README.md。

前置基础：深度学习、NLP 与 Transformer
LLM 核心原理与模型架构
从零训练与后训练实践
LLM 工程与应用开发基础
扩展主题与持续学习资源

2. 数据工程 (Data Engineering)

"Data is all you need" ------ 决定模型上限的生命线。

覆盖从数据发现、清洗去重、转换标注到质量评估与数据治理的完整流水线，含指令 / 偏好数据与合成数据方向。详见 02-data-engineering/README.md。

数据发现与采集
清洗、去重与过滤
转换、标注与格式化
质量评估与数据混合
指令、偏好与人工反馈数据
合成数据与数据扩增
数据管道、DataOps 与治理

3. 预训练与基座模型 (Pre-training & Base Models)

从 Scaling Laws 到大规模分布式训练的基座模型构建。

围绕预训练原理、模型实现、分布式并行、训练效率优化与语料工程展开，并跟踪前沿进展。详见 03-pretraining/README.md。

预训练原理与 Scaling
模型实现与单机实验
大规模分布式训练
训练效率与工程优化
语料获取与清洗
数据质量、检查与标注

4. 微调、对齐与强化学习 (Fine-tuning & Alignment)

让基座模型"听话"的关键阶段。

梳理对齐原理综述、SFT 指令微调、RLHF / 偏好优化、安全对齐与前沿方向，含训练框架与工程实践。详见 04-alignment/README.md。

对齐原理与综述
SFT 与指令微调
RLHF、RLAIF 与偏好优化（PPO / DPO / ORPO / SimPO / KTO）
安全对齐
前沿方向
训练框架与工程实践

5. 推理加速与工程部署 (Inference & Deployment)

从模型权重到生产服务的最后一公里。

覆盖推理引擎与运行时、性能优化、服务化部署、本地轻量化推理与 LLMOps，含博客教程与工程实践。详见 05-inference-deployment/README.md。

推理引擎与运行时
推理性能优化
服务化与部署架构
本地、边缘与轻量化推理
LLMOps、资源索引与工程实践
博客教程与工程实践

6. 模型评估 (LLM Evaluation)

没有度量就没有改进。

从评测原理综述到框架工具、公开基准、LLM-as-Judge、应用与安全评测、官方云评测服务，系统建立评测知识全景。详见 06-llm-evaluation/README.md。

评测原理与综述
评测框架与工具
排行榜与公开基准
LLM-as-Judge 与自动评测
应用与安全评测
官方平台与云评测服务
学习资源与社区导航

7. 安全与伦理 (Safety & Ethics)

负责任地构建与使用大模型。

本项目体量最大的章节之一，从 Awesome 清单到对齐、越狱攻防、护栏防护、应用安全、多模态安全、伦理与治理、厂商政策、学术跟踪到社区门户，13 个子方向全景覆盖。详见 07-safety-ethics/README.md。

AI 安全综合资源汇总（Awesome 清单）
安全对齐与价值观（Alignment）
越狱攻防与红队测试（Jailbreak & Red Teaming）
安全护栏与防护工具（Guardrails & Defense）
LLM 应用安全与威胁情报（OWASP / MITRE / LLMSecOps）
多模态安全（MLLM / LVLM Safety）
安全评估与基准、伦理与负责任 AI、厂商政策、学术论文、课程、机构与社区

8. 应用开发 (Applications)

把模型能力转化为真实产品。

本章按应用范式拆分为 6 个子主题，从提示词、RAG、Agent 到 AI 编程、深度研究与 MaaS，覆盖从交互层到服务层的完整应用栈。各子目录均配有独立 README。

8.1 提示词工程 (Prompt Engineering)

从 Prompt 延伸到 Context、Harness 与 Loop Engineering，覆盖提示设计、上下文管理、工具编排与循环优化的完整工程链。详见 08-applications/8.1-prompt/README.md。

Prompt Engineer / Context Engineer / Harness Engineer / Loop Engineer

8.2 检索增强生成 (RAG)

从基础实践到高级方法、文档解析、知识库构建与生产级系统，含研究论文与资源导航。详见 08-applications/8.2-rag/README.md。

RAG 基础与入门实践 / 标准 RAG 应用开发 / 高级 RAG 方法（GraphRAG、CRAG 等）
文档解析与知识库构建 / 生产级 RAG 系统 / RAG 研究论文

8.3 Agent、Skill 与 MCP

本项目最大子章节，覆盖 Agent 范式与多智能体、Skill 技能体系与 MCP（模型上下文协议）工具生态。详见 08-applications/8.3-agents-skills-mcp/README.md。

Agent：ReAct、Plan-and-Solve、Memory 机制、多智能体框架（AutoGen / CrewAI / MetaGPT 等）
Skill：技能定义、封装与复用生态
MCP：模型上下文协议、工具集成与市场

8.4 AI 编程 (AI Coding)

从需求规格、编码协作、Skill / 插件集成到代码理解与知识图谱，含学习路径索引。详见 08-applications/8.4-ai-coding/README.md。

需求、规格与规划 / 编码协作与代码交付 / Skill、插件与工具集成 / 代码理解、检索与知识图谱 / 学习路径与资源索引

8.5 Deep Research 深度研究

按技术架构梳理开源深度研究框架，含 LangGraph 状态机系、RAG 向量检索系、轻量复刻系与相邻方向。详见 08-applications/8.5-deepresearch/README.md。

LangGraph 状态机系 / RAG + 向量检索系 / 轻量级实现 / 复刻系 / 泛 AI 应用 / 相邻方向

8.6 MaaS 模型即服务

聚焦 LLM 网关与模型聚合平台、企业级 AI 应用平台。详见 08-applications/8.6-Maas/README.md。

API 网关与模型聚合 / 企业级 AI 应用平台

9. 综合资源 (Resources)

跨章节的横向资源集合，含面试、论文、博客与同类项目四个清单，适合系统性补强与横向对照。

清单	说明	条目概览
`llm-interview.md`	LLM / AI 面试资源	90 条，按平台分 12 类（题库、Agent、课程、官方博客、中文社区等）
`paper-list.md`	LLM 经典与前沿论文	按主题分 10 类（综述、Agent、推理、训练、RAG、高效系统、评测安全、多模态等）
`blog-list.md`	优质博客与站点	牛人博客、官方工程博客、中文社区、深度研究站点 4 章
`similar-projects.md`	同类 / 可参考开源项目	55 个独立项目，按形态分 9 类（Awesome 列表、课程、路线图、从零复现等）

目录结构 (Project Structure)