AI 学习路线图：从零基础到进阶的完整路线

这个站里的文章原先按写作时间堆在一起，学的人找不到入口。现在全部按学习顺序重新分了区，这篇路线图是总入口。它回答三个问题，你现在在哪、下一步读什么、学完应该达到什么程度。

全站分四个阶段加一个跟进栏目，顺序是先建立直觉，再补基础，然后动手做东西，最后深入训练。每个阶段都配了一套开源教程精读，把 Datawhale 社区的三个开源教程和你所在阶段的站内文章串起来。它们的定位不同，Happy-LLM 讲原理并带你手写实现，So-Large-LM 补理论体系，self-llm 是具体模型的部署与微调手册。配套章节都标在每个阶段里，交替着读效果最好。

关于配套教程的来源

三个阶段共用的三套教程都来自 Datawhale 社区的开源项目，本文和后续精读文章均属导读性质，不是原文转载，版权归原作者与社区所有，原文与许可证见此。

教程	定位	许可证	原文
Happy-LLM	大模型原理与手写实战，8 章	CC BY-NC-SA 4.0	GitHub · 在线阅读
So-Large-LM	大模型理论基础，14 章	MIT	GitHub · 在线阅读
self-llm	开源大模型食用指南，61 个模型实操	Apache 2.0	GitHub

总览

阶段	主题	篇数	配套 Happy-LLM	大致耗时
阶段一 AI 启蒙	AI 从哪来、怎么工作、有什么用	3	前言	半天
阶段二 AI 基础	先会用，再懂原理	11	第一到三章	3 到 4 周
阶段三 AI 应用	做出自己的 RAG 和 Agent	7	第七章	3 到 4 周
阶段四 训练进阶	微调、蒸馏、训练模型	7	第四到六章	4 到 6 周
AI 热点	每日行业动态	每天更新	看资讯补充	每天 10 分钟

阶段一，AI 启蒙（半天）

写给完全的零基础。三篇文章按「它从哪来，它怎么工作，它能干什么」排列。

1. 人工智能简史，从 1950 年图灵的问题讲到今天的大模型，明白这一路为什么走了七十年。
2. AI 是怎么工作的，用白话讲清预测下一个词、训练、幻觉三个概念，市面上八成的 AI 传闻你从此能自己判断。
3. AI 的价值地图，看清哪些行业已经在产生真实价值，以及判断一个 AI 场景靠不靠谱的三个问题。

配套读 Happy-LLM 的前言，它把大模型和 NLP 的来龙去脉讲了一遍，正好接在简史后面。

过关标志，能把 AI 是什么、怎么工作、能干什么讲给一个没接触过的人听，对方能听懂。

开源教程精读。 读完上面三篇，可以看 So-Large-LM 第 1 章 引言，它是斯坦福 CS324 课程的改编，从大模型为什么值得单独讲起，能给后面的学习定个坐标系。开头两章的精读笔记已经写好。

阶段二，AI 基础（3 到 4 周）

这个阶段分三步走，先会用，再备工具，最后懂原理。

第一步，先会用。 这四篇读完你就能真正用上 AI。

1. AI 大模型入门，弄清 AI、机器学习、深度学习、大模型的关系。
2. 提示词工程 加 Prompt 提示词要点，学会把需求讲给模型听。
3. 免费大模型 API 收藏，白嫖各家模型，动手的起点。

第二步，备工具。

4. Python 数据分析，Numpy、Pandas、Matplotlib 三件套，后续所有实践的地基。
5. Python 虚拟环境搭建，管理不同项目的依赖，动手必踩的坑提前排掉。

第三步，懂原理。

6. 机器学习前篇：基础数学 和 常见数学符号表，用到哪查哪，不必先啃完整本书。
7. 机器学习，AI 的核心方法论，训练和预测到底是怎么回事。
8. 深度学习，神经网络的层次结构，大模型的直接前身。
9. 自然语言处理，NLP 的任务分类，大模型就是从这条线上长出来的。

配套 Happy-LLM 第一到三章。第一章 NLP 基础概念 衔接站内的自然语言处理一文，第二章 Transformer 架构 是全书最硬的一章，放在读完深度学习之后，注意力机制、编码器解码器、手写实现都在里面，第三章 预训练语言模型 讲 BERT 和 GPT 两大家族的分野。

Happy-LLM 官方建议第 1 到 4 章以原理为主，先读正文再选择性复现代码，与这里的节奏一致。

过关标志，说清 AI、机器学习、深度学习、大模型的嵌套关系，知道 Transformer 在整条链路里的位置，能独立写好一段提示词。

开源教程精读。 这个阶段额外推荐两篇理论补充，So-Large-LM 第 2 章 大模型的能力 和 第 3 章 模型架构，和第 1 到 3 章的 Happy-LLM 互为表里，一个偏工程一个偏全景。如果第 1 章的信息熵公式看得云里雾里，站内那篇详解从三枚硬币算起，把熵、编码长度和语言模型的关系讲透了，先读它再回原文会顺很多。

阶段三，AI 应用（3 到 4 周）

从「会用别人的 AI」升级到「做出自己的 AI 功能」。这个阶段需要写代码，顺序不能乱，每一篇都依赖前面的概念。

1. 检索增强生成 RAG，解决模型胡说和知识过时的工程方案。
2. 文本向量化，RAG 的地基，理解「用数学表达语义相似」这件事。
3. Function Calling 与 MCP，让模型长出手脚，能调用外部工具。
4. AI 应用开发新范式：Agent 与 MCP，智能体的整体架构。
5. LangChain 框架笔记，把模型、数据、工具串成应用的主流框架。
6. LangGraph 入门，带状态和分支的工作流，复杂 Agent 都用它组织。
7. IndexTTS 语音合成解析，看一个多模态落地项目怎么组织代码和模型。

配套 Happy-LLM 第七章 大模型应用，里面先讲模型怎么评测，再带你手写一个 RAG 框架和一个 Tiny-Agent。官方环境说明写明这两部分 CPU 就能跑，没有好显卡也能学。

过关标志，独立跑通一个带知识库的问答应用，或一个会自己调工具的 Agent。

开源教程精读。 想把手上的模型跑起来，self-llm 开源大模型食用指南 是按模型组织的实操手册，国内主流开源模型几乎都有部署、推理、微调三件套。它的学习建议是先环境配置、再部署使用、最后微调，初学者可以从 Qwen 系列开始，这篇精读讲了怎么用它。想做智能体，So-Large-LM 第 13 章 智能体 Agent 是少见的系统综述。

阶段四，训练进阶（4 到 6 周）

从「用模型」进入「改模型」。这一阶段对显卡有要求，没有 GPU 可以用魔搭、Colab 这类免费算力，站内 LLaMA Factory 一文里给了入口。

1. PyTorch 基础环境安装，先装驱动和 CUDA，显卡环境是这个阶段的门票。
2. 大模型微调基础：LoRA 原理与实践，微调的主流方法，搞懂低秩矩阵在省什么钱。
3. LLM 微调数据集格式，Alpaca 和 ShareGPT 两种格式，数据准备的规范。
4. 大模型微调步骤及示例，全流程串讲，从环境到训练到推理。
5. LLaMA Factory 微调框架，一站式图形界面，微调的快速通道。
6. Qwen3 微调手册：基于 Unsloth，实战一篇，Unsloth 加速方案从头到尾走一遍。
7. 大模型知识蒸馏，把大模型的能力压进小模型，部署成本的解法。

配套 Happy-LLM 第四到六章。第四章 大语言模型 讲训练的三个阶段预训练、指令微调、人类反馈对齐，先建立全局观；第五章 动手搭建大模型 用 PyTorch 手写一个 LLaMA2，训练自己的分词器；第六章 大模型训练流程实践 用工业框架走预训练、微调、LoRA 和偏好对齐。硬件上官方建议第六章多卡更好，单卡可以从小样本调试起步。

再往后是 第八章 大模型强化学习，GRPO、On-Policy 蒸馏、搜索和代码智能体的训练方法，属于当下的研究前沿，官方说明本地 CPU 加稳定网络即可学习。

过关标志，微调出一个听自己话的模型，无论多小。

开源教程精读。 这一阶段的实操以 self-llm 为主，挑一个你手上的模型，跟着它的微调章节走一遍。理论补充看 So-Large-LM 第 6 章 模型训练 与 第 8 章 分布式训练，多卡训练的并行策略讲得比多数博客清楚。关心安全与合规的读者，第 9 到 12 章 专门讲大模型的有害性、法律和环境影响，这块站内暂时空缺。

AI 热点，每天十分钟

AI 日报 每天更新，挑行业里真正重要的事讲清楚来龙去脉。建议每天十分钟保持语感，它不替代系统学习，但能让你知道学的东西现在用在哪。前面读过的概念，日报里反复出现时会不断加深。

三类读者的入口

纯零基础，或非技术背景。 阶段一半天读完，阶段二里先走「先会用」那四篇。用得顺手以后再决定要不要啃原理，多数人到这一步已经够用。

会一点 Python，想做出东西。 阶段一可以扫读，阶段二的工具和原理部分快速过，重点放在阶段三。Happy-LLM 第七章和站内应用文章并行读。

想转行做 AI，或有研究打算。 四个阶段全走，Happy-LLM 从头读到尾。官方的学习与环境准备 有每章的依赖和硬件说明，开工前先看。

三条学习建议

第一，看懂不算会。每个阶段的过关标志都是按「能做出来」定的，读十篇不如跑通一个。

第二，顺序比速度重要。前面的文章是后面文章的默认前提，跳着读卡住了，回到路线图按顺序补。

第三，学一阵回来校准。路线图会随着站内文章增加而更新，卡壳、迷茫、不知道下一步时回来重看一遍。