LLM-Master 是一个面向中文程序员的大模型全栈学习路线与教程仓库，内容来自「卡码笔记-大模型专栏」。它不是可直接运行的软件项目，而是系统化学习资料库，覆盖大模型基础认知、Prompt Engineering、模型 API 调用、结构化输出、RAG、Agent、Multi-Agent、MCP、微调、推理部署、Transformer 原理、AI 编程工作流以及大模型面试准备。仓库强调工程落地，从 Demo 到生产实践，关注评估、成本、性能、可靠性、故障排查和面试表达。
适用领域
大语言模型 / LLM 应用开发 / Prompt Engineering / RAG 检索增强生成 / AI Agent / Multi-Agent / MCP / 模型微调 / 模型部署与推理优化 / Transformer 原理 / AI 编程 / 大模型面试与求职 / AI 后端工程
配置难度
中等。对于有软件开发基础的工程师，入门路线较友好；但完整掌握 RAG、Agent、微调、部署、Transformer 和生产工程需要持续实践。只阅读文档难度不高，真正完成可上线项目和面试级表达难度较高。
商业价值
较高。该仓库可以帮助开发者快速建立大模型应用开发知识体系，降低团队从传统软件开发转向 AI 应用开发的学习成本。对企业而言，可作为内部培训、AI 应用原型设计、RAG/Agent 项目规划和技术面试准备资料。对个人而言，可提升大模型应用开发、AI 后端、Agent 工程和面试竞争力，并帮助产出可写进简历的项目经验。
01
技术亮点
- 中文内容，对国内开发者友好，适合系统学习和面试准备。
- 学习路线完整，从基础认知、模型调用到 RAG、Agent、部署、Transformer 和面试形成闭环。
- 强调工程视角，不只讲概念，还关注评估指标、成本、性能、可靠性、异常处理和生产落地。
- 覆盖热门方向，包括 RAG、Agent、Multi-Agent、MCP、微调、vLLM、SGLang、AI 编程等。
- 提供阶段项目和交付标准，帮助学习者将知识转化为简历项目。
- 包含大模型面试题和真实大厂面经，适合求职准备。
- MIT License，便于学习、引用和二次整理，但文章和图片转载仍需保留来源并遵守版权说明。
- 内容持续更新，跟进 Agent Harness、Context Engineering、MCP、多 Agent 等前沿实践。
02
目标用户
- 有 Java、Python、Go、C++ 或前端开发基础，想转向大模型应用开发的程序员
- 正在搭建企业知识库、RAG 系统、Agent 系统或 AI 后端服务的工程师
- 希望系统补齐 LLM 工程能力的后端、算法、全栈或平台开发者
- 准备大模型方向面试、希望整理项目表达和高频题的求职者
- 希望理解 Transformer、微调、部署等基础原理但不专注于基础模型训练的开发者
- 技术团队中的 AI 应用负责人、架构师或学习型团队成员
03
配置要求
- 阅读资料本身无运行环境要求，只需要浏览器或 Markdown 阅读器。
- 如果跟随教程实践大模型 API，需要准备可用的大模型 API Key，例如 OpenAI、Claude、DeepSeek、通义千问、智谱等，具体取决于实践内容。
- 实践 RAG 时通常需要 Python 或其他后端开发环境、Embedding 模型、向量数据库或检索组件，例如 FAISS、Milvus、Elasticsearch、pgvector 等。
- 实践 Agent 时可能需要支持 Function Calling 或 Tool Calling 的模型服务，以及日志、状态存储、任务追踪等工程组件。
- 实践模型部署时可能需要 GPU 环境、CUDA、Docker、vLLM、SGLang 或其他推理框架。
- 实践 AI 编程与 MCP 时可能需要 Claude Code、Agent CLI、相关 IDE 插件或 MCP Server 配置。
- 具体配置取决于所选专题和项目，仓库本身没有统一的一键启动配置。
04
适用场景
- 按阶段学习大模型应用开发，从模型调用到 RAG、Agent、部署和面试
- 为个人或团队制定 LLM 学习路线图
- 构建企业知识库项目，学习文档解析、Chunk、Embedding、向量检索、Rerank、引用和评估
- 构建工具型 Agent，学习工具调用、状态管理、规划、记忆、权限控制、失败恢复和评估
- 准备大模型相关岗位面试，复习 RAG、Agent、Transformer、微调和 AI 编程高频问题
- 了解 vLLM、SGLang、KV Cache、PagedAttention、量化、压测等部署和性能优化知识
- 学习 Claude Code、Agent CLI、Skills、Hooks、MCP 等 AI 编程工作流
- 将学习成果整理成可写入简历的项目，如 AI 业务助手、企业知识库、工具型 Agent、生产级 AI 服务
05
部署与配置
- 该仓库主要是文档教程，不需要传统意义上的安装或编译。
- 访问 GitHub 仓库 youngyangyang04/llm-master。
- 可选择 Star 或 Watch 仓库以便收藏和跟进更新。
- 从 docs/roadmap/README.md 进入完整学习路线。
- 如果是第一次学习，建议按阶段阅读：基础认知、模型调用、RAG、Agent、生产工程、原理与面试。
- 如果已有明确问题，可进入 docs/topics/README.md 按专题检索。
- 如果准备面试，可进入 docs/interview/llm/README.md 查看大模型面试题库。
- 如需离线阅读，可使用 git clone 下载仓库：git clone https://github.com/youngyangyang04/llm-master.git。
06
风险与注意事项
- 该仓库主要是教程和路线，不是开箱即用的代码框架或完整应用，不能直接替代工程项目实现。
- 大模型领域变化很快，部分工具、框架、API 或最佳实践可能随时间过时，需要结合最新官方文档验证。
- 内容范围很广，初学者如果不按路线学习，容易陷入信息过载。
- 仓库 Star 数目前不算特别高，生态、社区讨论和第三方案例可能还在积累中。
- 实践部分可能依赖外部模型 API、云服务、GPU 或向量数据库，会产生一定成本。
- 如果目标是基础模型预训练、模型结构创新或深入数学理论研究，该仓库深度可能不足。
- 面试材料和项目表达需要结合个人真实经历，直接照搬可能在深度追问中暴露问题。
2026-09-16
第19名
新收录 · github_search
