大模型学习资源汇总：按学习阶段整理，避免收藏了却学不完

大模型学习资源汇总最容易变成收藏夹吃灰：链接存了几十个，真正常用的没几个。
资源本身不是问题，缺少筛选标准和验证方式才是。
更实际的做法是按学习阶段选资源，每个阶段只保留一两个主线材料，并用一个能跑通的小任务确认自己真的会了。

下面按入门认知、原理理解、动手实践、应用落地四个阶段整理资源类型和筛选方法。
没有编程基础也能从第一阶段开始，但进入第三阶段前需要能独立安装 Python 环境并运行脚本。

先定学习目标，再决定看什么

大模型相关岗位和用途差别很大，资源选择应该跟着目标走：

• 只想理解概念、能参与讨论：重点看科普文章、公开课和产品文档，不需要深入数学推导。
• 要做应用开发（调用API、搭知识库、写提示词）：需要补充接口调用、向量检索、提示词设计和基础评测方法。
• 想训练或微调模型：需要线性代数、概率统计、深度学习框架和GPU环境操作基础，学习周期明显更长。
• 运维或平台方向：重点在推理服务部署、显存监控、并发压测和成本控制，模型原理了解即可。

目标不同，同一份资源的价值完全不同。
先写下自己未来三个月要完成的一个具体任务，比如“用API做一个内部问答机器人”，再按任务反推需要学什么，比漫无目的刷课程效率高。

入门阶段：建立正确概念，少看营销内容

入门阶段的目标是搞清楚大模型能做什么、不能做什么，以及常见术语的含义。
适合的资源类型：

• 公开课：选择有课程大纲和作业说明的系统性课程，优先看是否讲清楚训练、推理、微调、上下文这些基本概念。
• 产品官方文档：主流大模型平台的使用指南和API文档，通常包含提示词编写建议和限制说明，比二手解读准确。
• 综述类文章：用于建立术语表，遇到不懂的词先查定义，不要靠上下文猜。

筛选时注意两点：优先选择有明确更新日期的材料，
大模型领域变化快，
过时的工具链说明可能误导操作；警惕只讲前景不讲限制的内容，
入门阶段最需要知道的是幻觉、
上下文长度限制、
成本波动这些真实约束。

这个阶段不需要追求看完所有课程。
能用自己的话解释“大模型为什么会产生幻觉”“上下文窗口是什么”这两个问题，就可以进入下一阶段。

原理阶段：理解关键机制，不陷入公式细节

原理阶段常见误区是一头扎进论文和数学推导，结果卡在公式里失去信心。
对大多数应用方向的学习者，先理解以下机制即可：

• Transformer基本结构：知道注意力机制在解决什么问题，不需要手推矩阵。
• 预训练与微调的区别：预训练是海量数据学通用能力，微调是用少量领域数据调整行为。
• 推理参数的影响：温度、top_p等参数如何影响输出稳定性，这直接关系到实际使用效果。
• 评测的基本思路：知道用固定测试集对比输出，而不是凭感觉判断好坏。

资源选择上，图解类和动画讲解适合建立直觉，论文原文适合在遇到具体问题时查阅。不要按论文发表顺序学习，先看综述或教材章节建立框架，再针对具体问题读原文。

判断是否掌握的方法很简单：找一篇大模型应用的文章，看能否指出它用了什么机制、有什么局限。
如果说不清楚，回到对应概念补一遍。

动手阶段：用最小任务验证学习效果

动手阶段最容易出现“教程跟着敲完了，换个场景就不会”。
原因是只复制了代码，没有理解每一步的输入输出。
建议每个学习单元配一个可验证的小任务：

• 学API调用：用官方SDK完成一次对话请求，打印返回的完整响应结构，观察token用量字段。
• 学提示词设计：同一个问题分别用两种提示词模板调用，对比输出差异并记录原因。
• 学知识库检索：准备十段短文本，完成一次向量化并检索出最相关的一段。
• 学部署：在本地或测试服务器上启动一个推理服务，用curl发送一次请求并检查返回状态码。

每个任务都要有明确的预期结果。
比如调用API后，应该能在返回体里看到模型名称、用量统计和结束原因。
如果字段缺失或报错，先检查API密钥、请求地址和请求体格式，再查官方错误码说明。

这个阶段建议固定一个环境，比如本地Python虚拟环境或一台测试服务器，避免在多个环境之间来回切换导致问题难以定位。

应用阶段：按场景选资源，关注成本和稳定性

进入应用阶段后，资源选择要围绕具体场景。
常见方向包括知识库问答、内容生成、流程自动化和模型服务运维。
每个方向需要的资源不同：

• 知识库问答：需要了解文本切分、向量化、检索排序和答案拼接的基本流程，资源以开源项目文档和检索框架文档为主。
• 内容生成：重点在提示词模板管理、输出格式约束和敏感内容过滤，资源以平台最佳实践文档为主。
• 服务运维：关注并发能力、显存占用、响应延迟和费用监控，资源以推理框架文档和监控工具文档为主。

这个阶段筛选资源的标准应该更严格：看文档是否给出可复现的配置和明确的限制条件。
只讲效果的案例参考价值有限，能说明在什么硬件、什么并发下达到什么指标的文档才值得细读。

资源整理和避坑

最后给几条整理资源的实际建议：

• 每个阶段只保留一个主线资源，其他链接放入备查列表，避免同时开多个课程。
• 给每个资源标注适用条件和日期，比如“适合有Python基础，文档更新于近期”，方便以后判断是否过时。
• 不要用收藏数量衡量进度，用能否完成对应小任务来衡量。
• 遇到报错先看完整错误信息，大模型工具链的报错通常包含缺失依赖或参数错误的具体提示，比盲目搜索更有效。
• 谨慎对待未注明出处的性能对比和价格数字，这类信息变化快，以官方文档和实际测试为准。

大模型学习资源汇总的价值不在数量，而在能否帮你按顺序完成从概念到动手的闭环。
先定一个三个月内可完成的小任务，再按阶段取用资源，比囤积链接更接近学会。