loveunk/deep-learning-llm-agent-notes

机器学习、深度学习的学习路径及知识总结

Jupyter Notebook

2,765

448 commits

updated Jun 27, 2026

loveunk.github.io/deep-learning-llm-agent-notes

See the code

README

深度学习与大模型学习路径（2026）

面向中文学习者的 AI 学习路线图：从机器学习、深度学习基础，到大语言模型、RAG、Agent 和多模态工程实践。

本仓库的定位不是资料堆砌，而是帮你回答三个问题：

现在应该先学什么。
每个主题学到什么程度算够用。
如何从概念走到可运行的 AI 应用。

学习理念

AI 工具普及后，学习方式应该从“先补完所有理论”变成“先跑通最小闭环，再按问题补理论”。

本仓库采用四个原则：

先实践后理论：先让模型、数据和代码跑起来。
只深挖关键概念：向量化、梯度、过拟合、Transformer、检索、工具调用、评估。
按需回溯：遇到诊断、调优、评估问题时再回到数学和经典算法。
关注工程闭环：能部署、能评估、能定位错误，比只看懂概念更重要。

该从哪里开始

目标	推荐入口	结果
零基础进入 AI	30 天新人路线	会用 Python、sklearn、PyTorch 和 LLM API 完成基础任务
转向 LLM 工程	LLM 工程师路线	能构建 Prompt、Embedding、RAG、评估和微调流程
学 Agent	Agent 工程路线	理解工具调用、工作流、记忆、guardrails 和上线风险
补经典深度学习	经典深度学习补课路线	补齐 CNN、RNN、优化、正则化和训练策略
跟进近期技术文章	热门 AI 技术文章阅读	把近期好文章接到本仓库学习路径上

30 天新人路线

适合：从零开始，希望快速进入 AI/ML 领域。

周期	内容	学到什么程度
第 1 周	Python、NumPy、Pandas、Matplotlib	能读写数据、做基础清洗和可视化
第 2 周	线性回归、逻辑回归、聚类、模型评估	能用 sklearn 完成一个小型监督学习任务
第 3 周	神经网络、PyTorch、CNN/RNN 基础	能训练和调试一个小型深度学习模型
第 4 周	LLM API、Prompt、Embedding、RAG 入门	能调用模型并做一个最小知识库问答

建议顺序：

LLM 工程师路线

适合：已有 Python/深度学习基础，希望构建 RAG、微调和大模型应用。

阶段	主题	内容
1	模型调用	LLM 入门、API 与模型选型
2	控制输出	Prompt 与上下文工程、结构化输出、few-shot
3	理解架构	Transformer、GPT 系列、BERT 系列
4	检索增强	Embedding 与向量检索、RAG、从零实现 RAG
5	评估优化	RAG 评估、成本、延迟、召回率、答案可信度
6	定制模型	微调方法、LoRA、QLoRA、数据集质量

学习完成标志：

能解释 Prompt、RAG、微调三者的适用边界。
能为一个业务问题选择“只提示词 / RAG / 微调 / Agent”。
能用评估集证明改动是否真的变好。

Agent 工程路线

适合：希望从 Chatbot 升级到能调用工具、处理多步骤任务的智能体系统。

阶段	主题	内容
1	基本概念	AI Agent 总览
2	工具调用	工具调用与结构化输出
3	工作流	Agent 工作流模式
4	编程智能体	AI 编程智能体、Codex、Claude Code
5	上下文和工具生态	Agent 记忆与上下文、MCP
6	Harness 和 Loop	Harness Engineering、Loop Engineering
7	生产化	Agent 生产化、guardrails、tracing、eval、权限

Agent 学习的重点不是“让模型自己想办法”，而是把任务边界、工具契约、状态转移、失败处理和评估设计清楚。

经典深度学习补课路线

适合：已经在用 LLM，但希望补齐深度学习底层能力。

阶段	内容
神经网络基础	深度学习基础、神经网络
优化与调参	实践层面、优化算法、超参数调试
CNN	CNN 基础、经典网络、目标检测
序列模型	RNN、词嵌入、注意力机制

每章学习方式

每个主题建议按两层学习：

快速模式，15-30 分钟：

知道它解决什么问题。
跑通一个最小示例。
理解输入、输出和常见失败模式。
能用 AI 编码助手生成相似代码，并能检查关键逻辑。

深度模式，1-3 小时：

理解核心公式或架构。
能解释关键参数为什么影响结果。
能设计评估指标。
能定位错误并提出改进方案。

目录结构

数学基础

Python 与数据处理

机器学习算法

深度学习

大语言模型与 Agent

多模态

实践与竞赛

工具	用途
Google Colab / Kaggle Notebook	低成本运行实验
VS Code / Cursor / PyCharm	本地开发
PyTorch	深度学习训练
Hugging Face Transformers	开源模型加载、推理、微调
LlamaIndex / LangChain / LangGraph	RAG、工具调用和 Agent 工作流
OpenAI / Anthropic / Google / Qwen API	托管模型调用
Codex / Claude Code / GitHub Copilot / Cursor	编程 Agent、代码库协作和自动化开发

贡献方式

欢迎提交 Issue 或 PR。建议优先贡献：

修正文档错误和失效链接。
给 LLM/RAG/Agent 章节补充可验证的最小示例。
为热门 AI 技术文章阅读补充高质量文章摘要。
补充评估方法、失败案例和排错经验。
改善中文表达和学习路径衔接。

贡献前请阅读 CONTRIBUTING.md，长期规划见 ROADMAP.md。

更新记录

2026-06：重构为“深度学习 + 大模型 + Agent”学习路径，补充 LLM 工程化章节。
2025-02：重构学习路径，加入现代化学习理念。
2023：添加 LLM 和多模态内容。
2016：初始版本。

License

MIT License

Contributors

417 commits

24 commits

4 commits

1 commits

Similar repos

owainlewis/awesome-artificial-intelligence

A curated list of Artificial Intelligence (AI) courses, books, video lectures and papers.

16,541

AI-mzq/From-Zero-to-AGI

从零走向AGI之路！！！旨在深入了解通用人工智能（AGI）的发展路径，从最基础的概念起，逐步构建完整的知识体系。涵盖AI Agent、RAG、MCP、具身智能、大语言模型、多模态、数字人、AI绘画、…

268

WenyuChiou/awesome-agentic-ai-zh

A trilingual (繁中 / English / 简中) learning roadmap for agentic AI: from LLM basics to multi-agent…

7,156

luhengshiwo/LLMForEverybody

每个人都能看懂的大模型知识分享，LLMs春/秋招大模型面试前必看，让你和面试官侃侃而谈

7,378

elicit/machine-learning-list

A curriculum for learning about foundation models, from scratch to the frontier

1,467

mlabonne/llm-course

Course to get into Large Language Models (LLMs) with roadmaps and Colab notebooks.

83,095

mac999/LLM-RAG-Agent-Tutorial

LLM-RAG-Agent-Tutorial for AI application developers and researchers.

yanshengjia/ml-road

Machine Learning and Agentic AI Resources, Practice and Research

4,940

Languages

Jupyter Notebook

87.4%

Python

9.5%

HTML

2.3%

loveunk/deep-learning-llm-agent-notes

机器学习、深度学习的学习路径及知识总结

Jupyter Notebook

2,765

448 commits

updated Jun 27, 2026

loveunk.github.io/deep-learning-llm-agent-notes

See the code

README

深度学习与大模型学习路径（2026）

面向中文学习者的 AI 学习路线图：从机器学习、深度学习基础，到大语言模型、RAG、Agent 和多模态工程实践。

本仓库的定位不是资料堆砌，而是帮你回答三个问题：

现在应该先学什么。
每个主题学到什么程度算够用。
如何从概念走到可运行的 AI 应用。

学习理念

AI 工具普及后，学习方式应该从“先补完所有理论”变成“先跑通最小闭环，再按问题补理论”。

本仓库采用四个原则：

先实践后理论：先让模型、数据和代码跑起来。
只深挖关键概念：向量化、梯度、过拟合、Transformer、检索、工具调用、评估。
按需回溯：遇到诊断、调优、评估问题时再回到数学和经典算法。
关注工程闭环：能部署、能评估、能定位错误，比只看懂概念更重要。

该从哪里开始

目标	推荐入口	结果
零基础进入 AI	30 天新人路线	会用 Python、sklearn、PyTorch 和 LLM API 完成基础任务
转向 LLM 工程	LLM 工程师路线	能构建 Prompt、Embedding、RAG、评估和微调流程
学 Agent	Agent 工程路线	理解工具调用、工作流、记忆、guardrails 和上线风险
补经典深度学习	经典深度学习补课路线	补齐 CNN、RNN、优化、正则化和训练策略
跟进近期技术文章	热门 AI 技术文章阅读	把近期好文章接到本仓库学习路径上

30 天新人路线

适合：从零开始，希望快速进入 AI/ML 领域。

周期	内容	学到什么程度
第 1 周	Python、NumPy、Pandas、Matplotlib	能读写数据、做基础清洗和可视化
第 2 周	线性回归、逻辑回归、聚类、模型评估	能用 sklearn 完成一个小型监督学习任务
第 3 周	神经网络、PyTorch、CNN/RNN 基础	能训练和调试一个小型深度学习模型
第 4 周	LLM API、Prompt、Embedding、RAG 入门	能调用模型并做一个最小知识库问答

建议顺序：

LLM 工程师路线

适合：已有 Python/深度学习基础，希望构建 RAG、微调和大模型应用。

阶段	主题	内容
1	模型调用	LLM 入门、API 与模型选型
2	控制输出	Prompt 与上下文工程、结构化输出、few-shot
3	理解架构	Transformer、GPT 系列、BERT 系列
4	检索增强	Embedding 与向量检索、RAG、从零实现 RAG
5	评估优化	RAG 评估、成本、延迟、召回率、答案可信度
6	定制模型	微调方法、LoRA、QLoRA、数据集质量

学习完成标志：

能解释 Prompt、RAG、微调三者的适用边界。
能为一个业务问题选择“只提示词 / RAG / 微调 / Agent”。
能用评估集证明改动是否真的变好。

Agent 工程路线

适合：希望从 Chatbot 升级到能调用工具、处理多步骤任务的智能体系统。

阶段	主题	内容
1	基本概念	AI Agent 总览
2	工具调用	工具调用与结构化输出
3	工作流	Agent 工作流模式
4	编程智能体	AI 编程智能体、Codex、Claude Code
5	上下文和工具生态	Agent 记忆与上下文、MCP
6	Harness 和 Loop	Harness Engineering、Loop Engineering
7	生产化	Agent 生产化、guardrails、tracing、eval、权限

Agent 学习的重点不是“让模型自己想办法”，而是把任务边界、工具契约、状态转移、失败处理和评估设计清楚。

经典深度学习补课路线

适合：已经在用 LLM，但希望补齐深度学习底层能力。

阶段	内容
神经网络基础	深度学习基础、神经网络
优化与调参	实践层面、优化算法、超参数调试
CNN	CNN 基础、经典网络、目标检测
序列模型	RNN、词嵌入、注意力机制

每章学习方式

每个主题建议按两层学习：

快速模式，15-30 分钟：

知道它解决什么问题。
跑通一个最小示例。
理解输入、输出和常见失败模式。
能用 AI 编码助手生成相似代码，并能检查关键逻辑。

深度模式，1-3 小时：

理解核心公式或架构。
能解释关键参数为什么影响结果。
能设计评估指标。
能定位错误并提出改进方案。

目录结构