从零开始掌握大语言模型（LLMs）—— 免费成为专家！

一份完整的 2026 年 LLM 入门与进阶指南，无需深厚的领域背景，助你紧跟最新动态与前沿技术！

首先，如果你没有任何编程或 AI 基础，请先按照这份指南学习，这是专门为零基础准备的，完成后再回到这里！

本指南面向具备一定编程和机器学习基础的读者。学习顺序没有严格要求，但经典路径是从上到下。如果你不喜欢读书，可以跳过书籍部分；如果不想跟在线课程，也可以跳过。成为机器学习专家没有唯一路径，只要有动力，你绝对可以实现。

这里列出的所有资源都是免费的，除了部分在线课程和书籍——这些确实有助于深入理解，但即使没有它们，通过多花时间在在线阅读、视频和实践上，也完全能够成为专家。对于付费课程，本指南中的链接是联盟链接。如果你打算学习课程，请使用这些链接，这将支持我继续创作。谢谢，祝你学习愉快！请记住，这完全取决于你，并非必需。我觉得这对我有帮助，或许对其他人也有用。

不要害怕重复观看视频或从多个来源学习。重复是学习成功的关键！

维护者：louisfb01，同时在 YouTube 和 播客 上活跃，如果你想了解更多 AI 和 LLM 内容！你也可以在我的个人通讯中每周两次获取更多信息！

欢迎提交 issue 来推荐优秀的资源加入本仓库。

如果你在社交媒体上分享这份清单，请在 Twitter @Whats_AI 或 LinkedIn @Louis Bouchard 上标记我！

想知道这份指南讲什么？观看这个视频：

目录

• 前置要求
• 第一步：从简短的 YouTube 视频介绍开始
• LLM 书籍与文章（适合阅读爱好者）
• 跟随在线课程学习
• 实践，实践，再实践！
• 提示工程（Prompting）
• 检索增强生成（Retrieval Augmented Generation, RAG）
• 更多资源（社区、速查表、新闻等）
• 如何找到机器学习工作
• AI 伦理
• 利用 LLM 学习更多、做得更多

前置要求

如果你没有任何编程或 AI 基础，请先按照这份指南学习，这是专门为零基础准备的。重点查看 Python 部分，之后你就具备了足够的基础回到这里继续学习！

如果你对 Python 和 AI 已有一定了解，那么祝你学习愉快！

第一步：从简短的 YouTube 视频介绍开始

从简短的 YouTube 视频介绍入手

这是从零开始的最佳方式。这里我列出了一些最优质的视频，能帮助你快速了解 LLM 领域入门所需的关键术语。

• 理解术语
  • 掌握 AI 术语 —— OpenAI 与 LLM 术语指南 - Louis Bouchard —— 快速介绍 LLM（或 GPT）世界中最常用的术语。
• 理解 Transformer 和 LLM（即 ChatGPT 背后的模型）！
  • LLM 基础知识与基于 LLM 的构建 —— 两场免费的 2 小时课程，涵盖 LLM 所需的全部知识。
  • 大语言模型导论 —— Andrej Karpathy 的精彩 1 小时演讲。
  • 自然语言处理与大语言模型 —— Luis Serrano 关于注意力机制（attention mechanism）、token、嵌入（embeddings）等的精彩视频介绍，帮助你深入理解 GPT 等大语言模型背后的原理。
  • 什么是 Transformer 模型，它们如何工作？ —— Luis Serrano
  • 图解 Word2vec —— 机器学习中词嵌入（Word Embeddings）的温和介绍 —— Jay Alammar 对机器学习中词嵌入的清晰解释。
  • 黑客指南：语言模型 —— Jeremy Howard (fast.ai)
  • 让我们构建 GPT：从零开始，用代码，详细讲解 —— Andrej Karpathy

另一个轻松入门并持续学习的方式是听播客——利用你的空闲时间。开车上班、坐公交，或者失眠时？听一些 AI 播客来熟悉术语和模式，通过鼓舞人心的故事了解这个领域！我推荐几个我个人最喜欢的：Lex Fridman、Machine Learning Street Talk，当然还有我的播客：Louis Bouchard Podcast，在这里你会听到领域内杰出人才分享他们辛苦积累的知识和鼓舞人心的故事。还有一个我最近非常喜欢、能让我保持更新的播客是 ThursdAI podcast，由我的朋友 Alex Volkov 主持。

以下是 YouTube 上绝对值得关注的优质免费课程列表，100% 免费。

• Louis Bouchard 的大语言模型（Large Language Model，LLM）免费课程视频 "Train & Fine-Tune LLMs for Production Course by Activeloop, Towards AI & Intel Disruptor"。 "我们 LLM 课程的播放列表：Gen AI 360：基础模型认证！"
• Create a Large Language Model from Scratch with Python – Tutorial - 由 freeCodeCamp 提供。"学习如何从零开始构建自己的大语言模型。本课程深入讲解大语言模型背后的数据处理、数学原理和 Transformer（变换器）架构。你将使用 Python。"
• LLM University (LLMU) from Cohere - 由 Cohere 提供。LLM 大学（LLM University，LLMU）是一套全面的学习资源，适合任何对自然语言处理（Natural Language Processing，NLP）感兴趣的人，从初学者到高级学习者。
• The Attention Mechanism in Large Language Models - 由 Luis Serrano 提供。在这个视频系列中，Luis 深入讲解了 Transformer 架构。这是对 Transformer 和注意力机制（Attention Mechanism）非常出色的概述和解释，我认为所有 AI 从业者都应该观看。

LLM 书籍和文章（适合阅读者）

如果你更喜欢文章和阅读路径，以下是一些建议：

• Building LLMs for Production: Enhancing LLM Abilities and Reliability with Prompting, Fine-Tuning, and RAG - 由 Towards AI 提供。"探索将大语言模型适配到实际应用的关键技术栈，包括提示工程（Prompt Engineering）、微调（Fine-tuning）和检索增强生成（Retrieval Augmented Generation，RAG）。"（或点击此处获取电子书。可以私信我获取优惠！）
• The LLM Engineer's Handbook—逐步构建和优化 LLM，涵盖数据准备、RAG 和微调。
• The Illustrated Transformer - 由 Jay Alammar 提供。这是一篇著名的文章，对当前语言模型的工作原理进行了精彩的解释。
• A Practical Introduction to LLMs - 由 Shawhin Talebi 提供。
• Medium 是寻找优质解释的最佳平台，无论是在 Towards AI 还是 Towards Data Science 出版物上。我也在那里分享自己的文章，非常喜欢使用这个平台。如果你觉得有趣并想同时支持我，可以通过我的推广链接订阅 Medium！
• Reading lists for new MILA students - 匿名
• A complete roadmap to master NLP in 2022
• NLTK Book 是学习 NLP 基础理论的免费资源：https://www.nltk.org/book/
• The Annotated Transformer - 哈佛大学

关注在线课程

如果你需要更多指导，我建议查看以下（可选）在线课程...

• Generative AI with Large Language Models - 付费
• Become an NLP pro with Coursera's Natural Language Processing Specialization by deeplearning.ai - 付费
• Gradio Course - Create User Interfaces for Machine Learning Models - freeCodeCamp - 免费
• Train & Fine-Tune LLMs for Production Course by Activeloop, Towards AI & Intel Disruptor - 免费
• The LLM University by Cohere - 免费
• From Beginners to Advanced LLM Developer - 由 Towards AI 提供。"使用 LLM、提示工程、RAG、微调和智能体（Agents）构建你的首个可扩展产品！掌握顶尖公司所需的技能，用真实应用场景构建自己的高级 LLM 最小可行产品（MVP）。"
• Become an NLP pro with Coursera's Natural Language Processing Specialization by deeplearning.ai - 付费 "进入 NLP 领域。通过四门实践课程掌握前沿 NLP 技术！"
• An NLP Nano Degree! — 付费 "学习前沿自然语言处理技术，处理语音并分析文本。构建概率模型和深度学习模型，如隐马尔可夫模型（Hidden Markov Models）和循环神经网络（Recurrent Neural Networks），教会计算机完成语音识别、机器翻译等任务！"
• Introduction to Large Language Models with Google Cloud - 付费
• Learn to train, fine-tune and use LLMs in your applications. - 由 Weights & Biases 免费提供
• Large Language Models with Semantic Search - 免费，Deeplearning.ai 和 Cohere 联合提供

你可以轻松搜索到更多资源，但在阅读和学习上述内容后，我相信你已经对 LLM 有了足够的理解，可以进入真正的环节：实践。

实践，实践，再实践！

实践是关键

编程中最重要的是实践，机器学习（Machine Learning）也不例外。找到一个个人项目来练习可能很困难。我强烈建议你尝试自己构建一些东西，但我理解这可能会让人感到畏惧。那么我建议你跟随一到两门极其注重实践的课程，利用这些资源，基于他们提供的代码示例来构建自己的项目，并让 ChatGPT 或 GitHub Copilot 为你工作，作为代码助手完成其余的工作。

以下是我能找到的关于大语言模型（LLMs, Large Language Models）最注重实践的几门课程：

• 想要快速构建文本分类模型或词向量器（word vectorizer），fasttext 是一个快速训练模型的优秀库。
• Huggingface 是获取现代自然语言处理（NLP, Natural Language Processing）模型的首选平台，他们还提供了一整套关于它的课程。
• LangChain & Vector Databases in Production - 这是我们在 Towards AI 与 Activeloop 和 Intel Disruptor Initiative 合作开发的精彩免费资源，用于学习生产环境中的 LangChain 和向量数据库（Vector Databases）。"无论你是经验丰富的开发者但刚接触 AI 领域，还是经验丰富的机器学习爱好者，这门课程都为你而设计。我们的目标是让 AI 变得易于获取且实用，改变你处理日常任务的方式以及工作的整体影响力。"
• Training & Fine-Tuning LLMs for Production - 这是我们在 Towards AI 与 Activeloop 和 Intel Disruptor Initiative 合作开发的精彩免费资源，用于学习生产环境中大语言模型的训练与微调（Training & Fine-Tuning）。"如果你想学习如何从零开始训练和微调大语言模型，具备中级 Python 知识，并能访问中等计算资源（某些情况下，只需 Google Colab 就足够了！），那么你就具备了参加并完成这门课程的条件。这门课程面向广泛的受众，包括 AI 初学者、现任机器学习工程师、学生以及考虑转行到 AI 领域的专业人士。我们旨在为你提供必要的工具，以便在各个行业中应用和定制大语言模型，使 AI 更易于获取且实用。"
• The Real-World ML Tutorial & Community - 付费

一个提醒。学习的最佳方式是构建东西！我非常倾向于通过实践来学习。这些课程都很棒，但都是可选的。你可以自己完成，而且大多数提供大语言模型工作资源的公司（OpenAI、LangChain、Activeloop、Cohere、W&B...）都有很棒的教程来帮助你入门并构建一些东西。然后，你可以向 ChatGPT 求助帮你完成它！

提示工程（Prompting）

提示工程是使用模型和构建自然语言处理相关应用的一项重要新技能。

• What is Prompting? Talking with AI Models... - 免费
• ChatGPT Prompt Engineering for Developers - 付费
• Learn Prompting - 这是一个很棒的免费课程，旨在教授提示工程并为特定模型提供技巧。对于提示工程来说，它就是你所需要的一切！
• Techniques to improve reliability - OpenAI Cookbook 关于提示工程技巧的文档。

更多关于检索增强生成（Retrieval Augmented Generation, RAG）和微调（fine-tuning）的内容

目前大多数人都在构建基于 RAG 的应用程序。以下是一些我非常喜欢的资源，可以帮助你入门并深入理解 RAG...

• 最大化 LLM 性能的技术综述 - OpenAI 出品的精彩视频，介绍了何时使用提示工程（prompt engineering）、RAG 或微调（fine-tuning）。这是该领域每个人都必看的视频！
• RAG vs 微调 vs 深度记忆 vs 从头训练 LLM：何时该做什么 - 同样，这是一个简短的视频，介绍在你的应用中何时应该使用 RAG、微调或提示工程。
• 使用 GPT 和嵌入（embeddings）构建问答聊天机器人 - Jeremy Pinto 的实用 YouTube 教程。
• 如何构建一个能回答关于你网站问题的 AI - 免费的 OpenAI 教程。
• 从初学者到高级 LLM 开发者 - 由 Towards AI 提供。"用 LLM、提示工程、RAG、微调和智能体（Agents）构建你的第一个可扩展产品！掌握顶尖公司所需的技能，用真实应用场景构建你自己的高级 LLM 最小可行产品（MVP）。"
• 如何构建基于 RAG 的 ChatGPT 网页应用：认识我们的新 AI 导师 - YouTube 视频，介绍我如何构建基于 RAG 的聊天机器人（以及你如何也能做到）。
• 面向生产的 LLM 训练与微调 - 学习如何从头开始训练和微调 LLM。
• 训练并部署实时金融顾问 - 由 Paul Iusztin、Pau Labarta Bajo 和 Alexandru Razvant 提供的 LLM 实战课程。
• 使用 LangChain 和 LlamaIndex 面向生产的检索增强生成 - 无论你是计划为组织构建数据聊天应用，还是只想学习如何在各个行业利用生成式 AI，这门课程都适合你。课程解决了关键问题，如提高检索准确性、减少 AI 输出中的幻觉（hallucinations）、增强可解释性、解决版权问题，以及提供更定制化、最新的数据输入。我们超越基础 RAG 应用，让你掌握使用 LangChain、LlamaIndex 和深度记忆（Deep Memory）等工具创建更复杂、更可靠产品的技能。强调实践学习，这门课程是掌握高级 RAG 技术和真实应用场景的入门途径。
• 为生产构建 LLM：用提示工程、微调和 RAG 增强 LLM 能力和可靠性 - 由 Towards AI 提供。"发现将大语言模型适配到真实应用的关键技术栈，包括提示工程、微调和检索增强生成。"（或在此获取电子书。可以私信我获取优惠！）

更多资源

加入社区！

• AI 爱好者 Discord 服务器 - 共同学习、提问、寻找 Kaggle 队友、分享项目等。

• 获取最新 AI 资讯的 Discord 服务器 - 及时了解最新 AI 新闻、提问、分享项目等。

• Learn Prompting Discord 社区 - 与 fellow 提示工程师交流。

• 关注 Reddit 社区 - 提问、分享项目、关注新闻等。

  • artificial - 人工智能
  • MachineLearning - 机器学习（该领域最大的子版块）
  • DeepLearningPapers - 深度学习论文
  • ComputerVision - 从图像和视频中提取有用信息
  • learnmachinelearning - 学习机器学习
  • ArtificialInteligence - AI
  • LatsestInML - 你不应错过的机器学习突破性进展

紧跟领域动态！

• 订阅分享新论文的 YouTube 频道 — 及时了解领域最新动态！

  • Louis Bouchard — 每周发布新论文解读视频
  • Two Minutes Papers — 每两周发布新论文解读视频
  • Bycloud — 每周发布新论文解读视频

• LinkedIn 群组

  • Artificial Intelligence, Machine Learning and Deep Learning News — 群组成员分享的领域新闻
  • Artificial Intelligence | Deep Learning | Machine Learning
  • Applied Artificial Intelligence

• Facebook 群组

  • Artificial Intelligence & Deep Learning — 关于人工智能（Artificial Intelligence, AI）、神经网络（Neural Networks）和深度学习（Deep Learning）最权威、最活跃的 Facebook 群组。分享 AI 和深度学习前沿的新鲜有趣内容。神经网络将在未来几年重新定义智能机器的含义。
  • Deep learning — 当今社会正趋向于柔性化和自动化发展，迈入第四次工业革命，这不可避免地推动社会成员卷入社会变革的漩涡。为了生存或领先，人们需要掌握相关工具。机器正变得越来越智能。机器学习（Machine Learning）是不可或缺的技能，需要人们熟练掌握。本群组面向那些希望发展自身才能以适应时代的人。

• 新闻通讯（Newsletters）

  • Synced AI TECHNOLOGY & INDUSTRY REVIEW — 中国领先的 AI 与机器学习（Machine Learning）媒体及信息提供商。
  • Inside AI — 每日精选人工智能、机器人技术和神经科技的新闻与评论。
  • AI Weekly — 每周收集人工智能和机器学习的新闻与资源。
  • AI Ethics Weekly — 每周将 AI 伦理（AI Ethics）的最新动态发送到您的邮箱。
  • Louis Bouchard Weekly — 每周精选一篇论文，通过文章、视频演示、演示、代码等方式清晰解读。
  • ThursdAI — 每周高质量 AI 资讯回顾！
  • Toward's AI newsletter — 每周总结最有趣的新闻和学习资源，以及来自 Learn AI Together Discord 社区的更新。非常适合机器学习（ML）专业人士和爱好者。
  • The Batch — Andrew Ng / Deeplearning.ai

• 关注 Medium 出版物

  • Towards Data Science — "分享概念、想法和代码"
  • Towards AI — "科技、科学与工程的最佳内容"
  • OneZero — "未来的暗流。一个关于科技与科学的 Medium 出版物"

寻找机器学习工作

• 阅读文章中的这一部分，其中包含大量面试技巧和如何准备面试。
• 通过观看他人的面试经验来了解面试流程并更好地准备，例如我与 NVIDIA、Zoox（自动驾驶公司）、D-ID（生成式 AI 创业公司）等专家的面试系列。

AI 伦理

• What are Ethics and Why do they Matter? Machine Learning Edition — 由 fast.ai 创始人 Rachel Thomas 制作
• AI4People—An Ethical Framework for a Good AI Society: Opportunities, Risks, Principles, and Recommendations — Floridi 等人，2018，AI4People 美好社会的 AI 伦理框架
• Ethics guidelines for trustworthy AI — 欧盟委员会高级专家组提出的可信 AI 7 大要点。
• An Introduction to Ethics in Robotics and AI — Christoph Bartneck、Christoph Lütge、Alan Wagner 和 Sean Welsh 编写的免费电子书。

利用大语言模型（LLMs）学习更多、做得更多

ChatGPT、Bing、Claude……都非常出色。当然，它们有局限性。然而，你可以利用它们来学习任何你想学的东西。我用它来编程或提出各种一般性问题。当你提出重要问题时，需要仔细核实。 尽管如此，它是一个强大的工具。是的，它是工具，不是人类的替代品。把它当作一个_笨拙的_助手，它几乎什么都知道。

这里有一个清晰的例子，展示了我如何在一个项目中使用它来更好地理解一个我不熟悉的项目中的函数。这是 Python 的例子，但这些模型在编程方面非常强大，也能帮助理解新平台（如 AWS、GCP、使用虚拟机、服务器、SSH 连接等……任何你在 LLM 领域不熟悉但有用的东西）。

p.s. 我提到 Bing 和 Claude 不是随便说说。不要过度依赖像 OpenAI 这样的单一公司。在这场最佳大语言模型（LLM）的竞争中，还有其他公司（而且永远会有）。今天早上我想为本指南创建一个例子，结果……

---

如果你在分享这份清单，请在 Twitter @Whats_AI 或 LinkedIn @Louis Bouchard 上标记我！

👀 如果你想支持我的工作，可以查看Sponsor本仓库或在Patreon上支持我。

本指南仍在定期更新。

start-llms 快速上手指南

注意：start-llms 是一个学习资源导航仓库，而非可直接安装运行的软件工具。本指南将说明如何高效使用该资源库规划你的 LLM 学习路径。

---

环境准备

系统要求

• 基础编程知识（Python）
• 了解机器学习基本概念
• 稳定的网络连接（访问 YouTube、GitHub 等）

前置依赖

层级	要求	补充资源
零基础	无编程/AI 背景	先完成 start-machine-learning 指南
有基础	Python + 基础 ML 知识	可直接开始本指南

---

快速开始

步骤 1：克隆仓库（可选，用于本地标记进度）

# 克隆资源库到本地
git clone https://github.com/louisfb01/start-llms.git

# 进入目录
cd start-llms

步骤 2：选择学习路径

根据你的偏好选择入口：

学习风格	推荐起点	资源类型
视觉型学习者	YouTube 视频入门	免费视频
阅读型学习者	书籍与文章	免费/付费书籍、博客
结构化学习	在线课程	免费/付费课程
实践优先	动手练习	代码实战

步骤 3：核心学习路线（推荐顺序）

1. 术语理解 → 2. Transformer 原理 → 3. 提示工程 → 4. RAG → 5. 微调部署

第一阶段：快速入门（1-2 周）

推荐视频（国内可访问）：

• Mastering AI Jargon — LLM 核心术语
• Intro to Large Language Models — Andrej Karpathy 1小时精讲
• Let's build GPT: from scratch — 从零实现 GPT

替代方案（国内平台）：

• B站搜索 "Andrej Karpathy GPT" 有搬运版本
• 关注 TowardsAI 中文社区 获取本地化内容

第二阶段：系统学习

免费课程：

# 无需安装，直接访问：
# Cohere LLM University: https://docs.cohere.com/docs/llmu
# Activeloop 生产级 LLM 课程: https://learn.activeloop.ai/courses/llms/

推荐阅读：

• The Illustrated Transformer — Transformer 可视化详解
• Building LLMs for Production — 生产环境实战（可联系作者获取折扣）

第三阶段：动手实践

核心技能栈：

技能	学习资源	实践工具
提示工程 (Prompting)	仓库 Prompting 章节	OpenAI API / 本地模型
RAG 架构	RAG 章节	LangChain, LlamaIndex
模型微调	Hugging Face 教程	transformers, PEFT
部署上线	生产课程	Docker, vLLM, TGI

---

基本使用示例

示例：按模块规划学习

## 我的 8 周学习计划

### Week 1-2: 基础
- [ ] 观看 Andrej Karpathy 的 LLM 入门视频
- [ ] 阅读 The Illustrated Transformer
- [ ] 完成 Cohere LLM University 前 5 章

### Week 3-4: 提示工程
- [ ] 学习 Prompting 章节资源
- [ ] 用 OpenAI API 实践 10 个不同场景的 prompt

### Week 5-6: RAG 实战
- [ ] 学习 RAG 章节
- [ ] 搭建一个本地知识库问答系统

### Week 7-8: 微调与部署
- [ ] 完成 Activeloop 生产课程
- [ ] 微调一个 7B 模型并部署到本地

示例：跟踪最新动态

# 关注维护者获取更新
# Twitter/X: @Whats_AI
# Newsletter: https://louisbouchard.substack.com/
# 中文替代: 关注「机器之心」「AI 科技评论」等公众号

---

国内访问优化

原资源	国内替代方案
YouTube	B站搬运、知乎视频
Twitter/X	微博 AI 博主、即刻
Substack Newsletter	竹白、小报童 AI 专栏
Hugging Face	ModelScope 魔搭社区、Wisemodel
OpenAI API	阿里云百炼、百度文心、智谱 GLM

---

下一步

1. 立即行动：从 YouTube 视频 或 The Illustrated Transformer 开始
2. 加入社区：关注维护者 Louis Bouchard 的 YouTube 和 播客
3. 提交贡献：发现优质资源可通过 GitHub Issue 提交到本仓库