llms-dev-study

GitHub
732 61 简单 1 次阅读 今天语言模型开发框架Agent
AI 解读 由 AI 自动生成，仅供参考

llms-dev-study 是一个专为大模型应用开发者打造的实战学习仓库，聚焦于 RAG（检索增强生成）和 Agent（智能体）两大核心领域。它旨在解决初学者在面对海量且版本混乱的技术资料时难以快速上手、以及求职面试缺乏系统指导的痛点。

该项目摒弃了冗余的理论扩展，提供了一条以“高效求职”为目标的精简学习路线。内容涵盖从基础的扫盲视频课程、官方权威教程的深度解析，到可直接运行的项目 Demo 和精选的面试“八股文”。针对 LangChain 等框架常见的包版本冲突问题，llms-dev-study 特别提供了经过作者亲测更新、确保能直接运行的代码版本，并指导用户利用大模型快速修复环境报错，极大地降低了入门门槛。

无论是希望快速掌握大模型开发技能的学生、准备相关技术面试的求职者，还是寻求系统化优化方案的初级开发者，都能从中获益。其独特的亮点在于将分散的优质开源资源（如 B 站教程、LangChain 官方案例）进行了整合与本地化适配，让学习者能在免费算力平台（如 Kaggle）上顺畅地跑通从理论到实践的全流程，是通往大模型开发岗位的实用指南。

使用场景

刚毕业的小张急需在两周内掌握 RAG 和 Agent 开发技术，以通过一家大模型初创公司的紧急面试并拿下 Offer。

没有 llms-dev-study 时

  • 资料碎片化严重：需要在 GitHub、B 站和官方文档间反复跳转，难以区分哪些是过时的教程，哪些是核心干货。
  • 环境配置劝退：直接运行开源代码时，常因 LangChain 包版本混乱导致报错，花费数天调试环境却无从下手。
  • 缺乏实战路径：只懂零散理论，不知道如何从零搭建一个可运行的 RAG 项目或 Agent Demo，面试时无法展示实际作品。
  • 面试准备盲目：不清楚大厂面试侧重哪些优化点和“八股文”，复习范围太广，抓不住重点，焦虑感倍增。

使用 llms-dev-study 后

  • 路线清晰高效：直接跟随仓库整理的“最快速上岸”路线，按顺序学习扫盲课、官方进阶教程及实战项目，无冗余信息干扰。
  • 代码即跑即用：下载作者已修复版本依赖的 note 版代码，在 Kaggle 或 Colab 上即可直接运行 RAG 和 Agent 示例，跳过环境坑。
  • 项目落地迅速：基于提供的 chat-langchain 入门项目，快速复现并理解核心流程，短时间内拥有了可演示的面试作品。
  • 面试精准突击：利用专门的 Interview 文件夹背诵 RAG 与 Agent 的核心优化点及高频面试题，从容应对技术问答环节。

llms-dev-study 将原本需要数月摸索的学习曲线压缩至两周，帮助开发者以最低成本实现从理论到求职的快速闭环。

运行环境要求

操作系统
  • 未说明
GPU

未说明 (部分项目可在 Kaggle/Colab 云端运行，本地运行需根据具体模型需求配置)

内存

未说明

依赖
notes1. 本项目为学习路线合集，包含多个独立子项目（RAG/Agent），无统一运行环境。 2. README 明确指出 LangChain 官方包版本机制混乱，代码中依赖包可能过时，运行报错时需利用大模型辅助解决版本兼容问题。 3. 推荐在 Kaggle 或 Google Colab 等云端平台运行大部分示例以获取免费算力。 4. 部分 Agent 示例（如 QW_Agent）需要申请特定的 API Key（如通义千问）方可运行。
python未说明
langchain
langchain_hf
llms-dev-study hero image

快速开始

LLM-0

本仓库为本人学习🔥大模型应用开发🔥时整理的核心学习资料，此学习路线主打 “最快速上岸”，全是干货无冗余扩展，💰以高效求职搞钱为第一要务💰。

欢迎阅读仓库内容，如果对你有用，麻烦点一下 🌟 star，谢谢！

✅ 导读

🚀 本项目为大模型应用开发 RAG 和 Agent 的学习路线和面试八股，包含最基础的扫盲课程，和系统的优化课程，主要是协助大家🧐快速入门🧐。
⚠️ 注意：因为langchain官方的包版本机制混乱，这里的一些包大概率是过时了，解决方案也很简单：直接把你的报错扔给任何一个大模型（deepseek，GPT，doubao都可以），他们会告诉你怎么解决。
📖 目录结构为三部分：

  • 1.RAG 文件夹：RAG相关的项目Demo和课程；
  • 2.Agent 文件夹：Agent相关的Demo和课程；
  • 3.Interview：大模型RAG和Agent的面试八股。

✅ RAG

本部分一共四个部分：

  • llms-1和llms-2为B站上的🕶️扫盲课🕶️，两位Up主讲的清楚且简洁，主要是入门了解的，快速过一下即可；
  • llms-3为Langchain官方出的RAG教程，视频部分这里展示了原版和国内翻译版，主要讲解了RAG过程中的主要流程及其优化点，🔥建议重点看这个，面试会问很多优化点🔥；
  • llms-4为langchain是官方给出的**💡RAG项目💡**例子，这里会包含最基础的RAG项目的流程，保证你立马就能run起来，并且代码结构很简单。

llms-1

视频地址（看整个系列）：

代码：

llms-2

视频地址（看单篇既可）：

代码：

llms-3

视频地址（看整个系列）：

代码：

llms-4（RAG入门项目）

代码：

说明：

  • langchain-chat是官方给出的RAG项目例子，也是我推荐给各位的入门级项目，应网友要求，录制了手把手运行视频，保证你能运行起来。

参考资料：

✅ Agent

本部分一共三个部分：

  • 1.AI_Agent 和 2.QW_Agent 是B站两个简单的 Agent Demo，比较通俗易懂，主要是入门了解的，快速过一下即可；
  • 3.Google_and_Kaggle 为谷歌联合Kaggle于2025.11.10——2025.11.14推出了他们的实践性课程 ——— AI Agent 强化课程。

1.AI_Agent

视频地址：

代码：

2.QW_Agent

视频地址：

说明：

  • 这个项目运行起来需要申请【千问相关key和api】，有坑，建议下载本人更改过后的代码，可以直接运行，千问更新版本需要代码更新，我已更改。

代码：

3.Google_and_Kaggle

课程介绍官网：https://www.kaggle.com/learn-guide/5-day-agents
下面是对整个课程的快速解读，可以让你更容易的上手Agent课程。

每天的课程都包含以下三部分：

  1. 代码：课程视频中使用的配套代码。
  2. 课程视频：官方课程的录播，整体节奏为：课程总览|课程大纲（白皮书）｜Q&A(类似圆桌会议)｜codelabs（课程配套代码解读）｜随堂小测｜总结。
  3. 白皮书及其解读：相关技术的白皮书。

第1天——Agents介绍

  1. 代码：https://github.com/limouren2000/llms-dev-study/tree/main/2.Agent/3.Google_and_Kaggle/1-Day/codelabs
  2. 课程视频：https://www.bilibili.com/video/BV1UQm3BPEzX
  3. 白皮书及其解读：

第2天——Agent 工具以及与 （MCP） 的互作性

  1. 代码：https://github.com/limouren2000/llms-dev-study/tree/main/2.Agent/3.Google_and_Kaggle/2-Day/codelabs
  2. 课程视频：https://www.bilibili.com/video/BV1pHm3B9EN6/
  3. 白皮书及其解读：

第3天——上下文工程：会话和记忆

  1. 代码：https://github.com/limouren2000/llms-dev-study/tree/main/2.Agent/3.Google_and_Kaggle/3-Day/codelabs
  2. 课程视频：https://www.bilibili.com/video/BV1E8mRBMEMR/
  3. 白皮书及其解读：

第4天——Agent 质量

  1. 代码：https://github.com/limouren2000/llms-dev-study/tree/main/2.Agent/3.Google_and_Kaggle/4-Day/codelabs
  2. 课程视频：https://www.bilibili.com/video/BV1PBmYBpE8X/
  3. 白皮书及其解读：

第5天——原型到生产

  1. 代码：https://github.com/limouren2000/llms-dev-study/tree/main/2.Agent/3.Google_and_Kaggle/5-Day/codelabs
  2. 课程视频：https://www.bilibili.com/video/BV1ArmYBnEJW/
  3. 白皮书及其解读：

4.Agent入门项目

✅ 面试

本部分包含两部分面试八股，是本人在找工作期间收集和整理的大模型应用开发八股文，本人实测，可以通过这些找到了一些大厂高级AI研发工程师相关岗位。

RAG

  • 详细介绍大模型（LLMs）RAG检索增强生成学习/面试过程中可能遇到的知识点，全文4w+字，按照处理流程整理：大模型RAG知识笔记

Agent

  • 详细介绍大模型（LLMs）智能体Agent学习/面试过程中可能遇到的知识点，全文1w+字，按照模块整理：大模型Agent知识笔记

✅ 增长曲线

Star History Chart

✅ 说明

本仓库的内容足够支撑基础学习和面试准备，但收到不少朋友反馈：希望获得更细致的学习规划、项目实操指导，或是遇到问题能及时得到针对性答疑。

由于个人精力有限，一对一答疑、定制化学习路线梳理、项目细节拆解等服务需要占用大量私人时间，因此在小红书上架了更完整的配套服务（包含不同基础的详细学习路线、完整版面试八股、项目包装攻略、专属答疑通道）。

如果需要更深度的指导，帮你少走弯路、高效突破学习瓶颈，可点击下方徽章了解详情，我会尽力为大家解决实际问题～

相似工具推荐

openclaw

OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。 这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。 OpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你

★ 349.3k|★★★☆☆|昨天
Agent开发框架图像

stable-diffusion-webui

stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。

★ 162.1k|★★★☆☆|2天前
开发框架图像Agent

everything-claude-code

everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上

★ 143.9k|★★☆☆☆|今天
开发框架Agent语言模型

ComfyUI

ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。

★ 107.9k|★★☆☆☆|昨天
开发框架图像Agent

markitdown

MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。 在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。 这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器

★ 93.4k|★★☆☆☆|昨天
插件开发框架

LLMs-from-scratch

LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。 该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。 LLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备

★ 90.1k|★★★☆☆|昨天
语言模型图像Agent