---

学习路线笔记：从 PyTorch 到大语言模型

这是一个程序员学习 LLM（Large Language Models） 的学习记录与路线图。每一个章节内都有对应的篇章的笔记，对从0开始的同学友好，也适合有基础的程序员挑着看。

本人目前参与横向项目，每天上班，暂时减少更新，后续有空还会不断推进项目进度。

学习路线

1. PyTorch 基础

• 学习资料：

  • PyTorch 中文文档速通
  • B站 PyTorch 视频教程

• 阶段目标： 掌握 PyTorch 常用模块与基本理论，能够独立实现经典 CNN 模型 ResNet。

• 成果：

  • 代码与文档（ResNet）

---

2. Transformer 基础

• 学习重点：

  • 理解 Transformer 架构：位置编码、多头注意力、残差连接、LayerNorm 等
  • 掌握 Encoder-Decoder 整体流程

• 阶段目标： 能够独立复现 Transformer 架构模型。

• 成果：

  • 代码与文档（Transformer）

---

3. langchain基础

• 教程：

  • 大模型基础视频教程

• 学习langchain的核心概念：

  • Prompt Engineer
  • Parser数据解析
  • Runnable(langchain)可运行对象
  • messages信息管理
  • tools工具设计与调用
  • memory记忆管理
  • 多模态数据
  • LCEL
  • 文档加载器
  • 文档切片器
  • embedding模型
  • 检索器和rag

• 成果：

  • 代码与文档

• 学习目标：

  • 实现医药问答agent

---

4. 大模型之基础 (CS336)

• 参考: 斯坦福CS336
• 重点理解：
  • Transformer
  • BPE Tokenization
  • Generate
  • 工作流程

---

5. 大模型之训练与微调

大模型的预训练组相关HC门槛极高而且学习很需要资源，作者只是一个database组小硕，所以我们主要进行微调学习。

• 学习路线：

  • 开源模型的本地部署
  • 模型的generate流程
  • 全参数微调(finetune)
  • Adapter/Prefix-Tuning
  • LoRA（Low-Rank Adaptation）
  • PEFT（Parameter-Efficient Fine-Tuning）

• 目标：在已有大模型上，快速适配特定任务。

---

6. 大模型之 RAG（Retrieval-Augmented Generation）

• 学习内容：

  • 向量数据库（如 FAISS, Milvus）
  • 文档检索 + LLM 推理的结合
  • 知识增强型对话与问答系统

---

7. 大模型之 Agent

• 学习内容：

  • ReAct 框架（Reason + Act）
  • 工具调用（Tool Use）
  • 多步推理（Chain-of-Thought）
  • 自主任务分解与执行

• 目标：让 LLM 从单纯对话扩展为 能完成复杂任务的智能体。

---

备注

本学习路线持续更新中，代码与文档将同步在 GitHub 仓库 中。

---