大模型学习路线：从零入门大模型应用开发

这里是「卡码大模型」专栏，一条给程序员的大模型学习路线。

核心洞察

大模型这块的学习资料现在不少，但大多数都跑在两个极端：要么照猫画虎跑个示例程序，要么上来就推公式。真正让后端开发卡住的中间层，很少有人在系统讲。这个专栏把学习路径拆成了能按顺序走完的章节，而且每条内容都对应面试里会被问到的东西。

我在知识星球里辅导过不少录友，对每年的求职变化摸得比较清楚。现在无论做 Java 后端、C++ 开发，还是 Go 开发，大模型相关知识已经写进很多公司的招聘要求里了：“有大模型相关经验优先”。

于是很多录友来问同一个问题：程序员到底该怎么学大模型？从零开始，第一步学什么，按什么顺序学？

这个方向太新，没有标准教材，也没有成熟学习路线。网上文章要么太浅，跟着教程跑一遍就完了；要么太深，上来就是公式推导，做应用开发根本用不上。后端转大模型应用开发的人，正好卡在中间。中间地带是空的。

这个专栏，就是来补上这条学习路线的。从大模型入门，到 Prompt、RAG、Agent，再到微调、部署、Transformer 原理，带着大家从“会用”走到“懂原理”。

核心结论

1. 当前大模型学习资料存在明显断层：多数内容要么只带跑示例程序，要么直接推公式，后端开发真正需要的“中间层”系统讲解很少。

2. 大模型相关经验已成为很多公司后端岗位的招聘要求之一，常见表述为“有大模型相关经验优先”，涉及 Java、C++、Go 等方向。

3. 该专栏提供了一条完整学习路径，覆盖大模型入门、Prompt、RAG、Agent、微调、部署、Transformer 原理等章节，目标是让学习者从“会用”走到“懂原理”。

4. 专栏按“应用开发者需要懂的讲清楚，算法岗才需深挖的点到为止”的原则组织内容，内容之间有先后顺序，适合按章节循序渐进学习。

5. 配套大模型面经汇总持续更新，按 Transformer、RAG、Agent、微调、AI 编程等方向分类，题目来自大厂真实面试。

这个专栏讲什么

应用开发者需要懂的，讲清楚。算法岗才需要深挖的，点到为止。

内容之间有先后顺序，串成一条完整路径，从会用走到懂原理。讲解风格延续代码随想录的节奏，循序渐进，把大模型时代开发人员需要掌握的知识讲清楚。

大模型应用开发全链路

第一章：大模型入门（是什么、怎么学、岗位怎么选）

先搞清楚大模型是什么、岗位怎么选、应用开发到底在做什么。

• 大模型学习路线：程序员从零入门到上手项目，该按什么顺序学（新手先看这篇，整条路线的总览）
• 大模型关键词全解：从 Prompt 到 Agent 到 MCP，一篇搞懂 13 个核心概念
• AI 编程产品的三层架构
• Claude 学习专栏：Claude Code 从入门到工程实践完整教程（想系统学 Claude Code 看这里）
• 大模型应用开发、算法岗、开发岗什么区别
• 大模型应用开发到底在做什么
• 大模型 API 到底怎么计费
• 大模型到底是怎么训练出来的
• 大模型蒸馏到底是什么？硬蒸、软蒸、蒸馏其他厂商模型，一篇讲明白

第二章：Prompt 工程与大模型调用基础

从“会聊天”到“会开发”，掌握和大模型交互的基础能力。

• 从聊天框到业务系统：一个请求是怎么被大模型处理的
• 结构化 Prompt 设计：Prompt Engineering 和写提示词的区别
• GPT-5.6 Sol Prompt 怎么写？别再沿用 5.5 的操作方式
• Few-shot、CoT 与自我反思：示例、推理和自检怎么选
• 结构化输出：JSON Schema 怎么约束
• 上下文窗口有多大？Context Engineering 入门
• 同步、异步、流式输出怎么选
• Token、成本与延迟：大模型应用的三个硬约束
• Function Calling 详解：大模型怎么调用工具

第三章：RAG 检索增强怎么学（从原理到优化）

掌握 RAG 全链路，从原理到优化到评估，能独立设计和面试回答。

• 为什么有了大模型还需要 RAG
• RAG 完整链路拆解：离线阶段和在线阶段
• Embedding 是什么：语义压缩与模型选型
• 向量数据库解决了什么问题
• RAG 切片策略：四种方式对比
• RAG 系统答不准的常见问题排查
• RAG 优化思路：查询改写到 Context 压缩
• RAG 怎么评估？检索质量和生成质量的度量
• 面试官怎么问 RAG？高频问题与回答框架
• 更多文章持续更新中……

第四章：AI Agent 智能体设计与工程落地

理解 Agent 的设计思路、工程挑战和评估方法。

• AI Agent 学习路线：程序员怎么从零学 Agent 开发，该按什么顺序学（想专攻 Agent 先看这篇）
• Agent 到底是什么？和普通大模型问答有什么区别？
• ReAct、Reflection、规划执行：Agent 三种常见思路怎么选？
• Agent 与 Workflow：什么时候根本不需要 Agent？
• 工具设计决定 Agent 上限：Tool Use、Function Calling、参数 Schema 和返回值怎么设计
• MCP 协议详解：Agent 工具调用的新标准，和 Function Calling 有什么区别
• Agent 为什么容易翻车？死循环、误调用、上下文污染、权限越界怎么兜底
• Agent 的记忆：短期记忆、长期记忆、RAG 到底什么关系
• Agent 怎么评估？任务完成率与可靠性度量
• 更多文章持续更新中……

第五章：大模型微调选型（SFT、LoRA、RLHF）

不亲手训，但要懂选型边界。面试必问。

• 持续更新中……

第六章：大模型部署、推理与压测工程化

从示例到生产的关键一步，工程化能力是应用开发者的核心竞争力。

• 云 API、托管推理还是自部署？大模型部署方案怎么选
• 部署、推理、压测核心指标
• 更多文章持续更新中……

第七章：多模态大模型入门

不只是文本，了解多模态的原理、场景和工程挑战。

• 持续更新中……

第八章：Transformer 原理（应用开发者视角）

拆开大模型看看里面是什么，从应用开发者视角理解 Transformer。

• 为什么都绕不开 Transformer
• 数据流动全解析：从输入到输出每一步
• 三种架构详解与对比
• Attention 机制：Q、K、V 是什么
• Attention 计算全过程一步步拆解
• Multi-Head Attention：为什么一个头不够
• 位置编码：Transformer 为什么必须知道顺序
• 残差连接、LayerNorm、FFN：缺一不可的配角
• 一层 Transformer Block 长什么样

第九章：手撕 Transformer（面试代码实现）

用最简代码实现每个组件，加深理解，面试手撕有底气。

• 手撕 Attention：不依赖框架从零实现注意力机制
• 手撕 Multi-Head Attention：从单头扩展到多头
• 手撕 LayerNorm 与残差连接
• 手撕 FFN：前馈网络代码实现
• 手撕 Transformer Block：把组件拼起来
• 手撕 Tiny Transformer：从零拼出完整模型

第十章：大模型家族与 Llama 架构

从标准 Transformer 进化到主流模型架构，学会读技术报告。

• 持续更新中……

第十一章：大模型最新动态与模型评测

大模型领域实时动态与产品分析。

• DeepSeek V4-Flash 正式版上线
• 长鑫科技上市与 DRAM 存储芯片壁垒
• GPT-5.6 后不用 Superpowers 了
• Claude Opus 5 发布
• Kimi K3 发布
• GPT-5.6 发布
• Claude Code 为什么针对中国 IP 封号
• DeepSeek 招 Agent Harness 工程师
• Codex Record 与 Replay 发布
• Kimi K2.7-Code 发布
• GLM-5.2 发布
• MiniMax M3 评测
• DeepSeek V4 发布
• GPT-5.5 发布
• Claude Opus 4.7 发布
• Claude Opus 4.8 发布
• DeepSeek V4 降价 75% 实测
• DeepSeek V4-Pro 永久降价 75%

大模型面经

学到能做项目，下一步就是把它换成工作机会。这套专栏配套一个持续更新的大模型面经汇总，全是大厂真实考过的题，按方向整理好了，适合对照自查：

• Transformer 大厂面试题汇总
• RAG 大厂面试题汇总 与 RAG 落地最难的地方在哪
• Agent 大厂面试题汇总 与 多 Agent 通信与编排面试详解
• SFT、RLHF、DPO 微调面试详解
• Claude Code 大厂面试题汇总 与 Vibe Coding 大厂面试题汇总
• 字节 Agent 开发四面面经

更多面经在大模型面经汇总里，按 Transformer、RAG、Agent、微调、AI 编程分好类，持续更新。

每日更新

每日更新首发在公众号「卡码大模型」，定期同步到网站。

扫码关注，每日更新不错过。

常见问题（FAQ）

程序员从零开始学大模型应用开发该怎么学？

建议按专栏路线系统学习：先大模型入门，再学Prompt、RAG、Agent、微调，最后懂Transformer原理，从会用走向懂原理。

后端开发转大模型应用开发需要学哪些技能？

需掌握Prompt工程、RAG检索增强、Agent设计、微调选型、部署与Transformer原理，覆盖全链路，并参考大厂面经准备。

大模型应用开发和算法岗有什么区别？

应用开发侧重工程落地，如调用API、Prompt设计、RAG与Agent开发；算法岗需深挖公式和训练。专栏内容更贴近应用开发需求。