Fineuralab

LLM 学习路线

通过 prompt、上下文设计、RAG 基础、评估和失败记录学习实用 LLM 应用。

LLM 学习路线

路线概览

这条路线把 LLM 学习拆成最小路线、项目路线和最终产出。先跑通一个可验证闭环，再决定是否继续深入。

4 周最小路线 8 周项目路线 1 个最终产出

适合谁

适合

  • 你想做有用的 AI 工具，而不是假装每个回答都正确。
  • 你需要从 prompt 走到可评估 LLM 应用的路线。
  • 你关心成本、隐私、输出复核和失败模式。

不适合

  • 你只想要 prompt 技巧，不想做评估。
  • 你首先想学大规模训练基础设施。

先修条件

  • 基本 API 和 JSON 使用能力
  • 能定义任务输入和预期输出
  • 愿意保留失败样本

路线安排

4 周最小路线

  1. 第 1 周：任务定义、prompt 边界和输出契约。
  2. 第 2 周：上下文打包、来源说明和 token 预算。
  3. 第 3 周：带 10 个测试问题的小型 RAG 原型。
  4. 第 4 周：评估表、失败分类和下一版计划。

8 周扩展路线

  • 增加路由、拒答规则、引用检查、人工复核步骤和小型回归测试集。
  • 最后用同一评估集比较两个 prompt 或模型。

最终产出

做一个文档问答或写作辅助流程，包含测试用例、已知失败、成本说明和隐私边界。

学习证据

  • 保留输入数据、prompt、代码、指标和失败样本。
  • 每周写一次短复盘：这周学到了什么、误判了什么、下周如何修正。
  • 最终报告要说明哪些地方没有做，避免把 demo 包装成完整能力。

配套工具

AI 学习路线生成器根据当前基础、学习目标、每周时间和学习偏好，本地生成 4、8 或 12 周深度学习、LLM 应用、RAG/Agent、论文复现、AI 工程或 AI 产品学习路线。 AI 上下文工作台把混乱笔记、日志、报错和需求整理成适合发给 AI 的结构化上下文简报。 AI Eval 数据集生成器把 AI 任务、通过标准和真实失败案例整理成可维护的 JSONL eval 数据集，并生成评审重点。 Learning 学习路线面向 AI、深度学习、LLM、RAG 和论文复现的项目驱动学习入口。

已复核并更新：2026 年 6 月 26 日