大约 2 分钟学习路线大模型应用LLM 开发
大模型应用开发学习路线
已有 Python 基础，想系统学习 LLM 应用开发，建议 2-3 个月
阶段 1：API 调用与基础理解（1 周）
必学
实战
分别调用 OpenAI、Anthropic、通义千问的 API，实现一个最简单的多轮对话机器人，对比不同模型的响应差异。
阶段 2：Prompt 工程（2 周）
必学
- Prompt 面试题 - 系统学习 Prompt 设计方法
实战
做一个"智能客服机器人"：
- 设计 System Prompt 定义角色
- 用 Few-shot 控制输出格式
- 处理拒绝回答、超出范围等边界情况
阶段 3：Function Calling 与工具调用（2 周）
必学
- Function Calling - 工具调用原理
- MCP 协议 - 标准化工具协议
实战
做一个"天气查询 Agent"：
- 设计天气查询的工具 Schema
- 实现 LLM → 工具选择 → 执行 → 整合的完整链路
- 加入错误处理（工具失败时重试）
阶段 4：上下文工程（2 周）
必学
实战
给上面的客服机器人加上多轮对话能力：
- 设计上下文窗口管理策略
- 实现对话历史的截断和摘要
- 处理 Token 超限时的降级方案
阶段 5：进阶方向（按兴趣选）
| 方向 | 推荐文章 | 技术栈建议 |
|---|---|---|
| RAG | RAG 面试题 | LangChain + Chroma + OpenAI |
| Agent | Agent 面试题 | LangGraph + MCP |
| 工作流 | AI 工作流 | Dify / Coze / n8n |
| 本地部署 | 本地大模型 | vLLM + Ollama |
学习节奏建议
| 阶段 | 周期 | 每日投入 |
|---|---|---|
| API 调用 | 1 周 | 2-3 小时 |
| Prompt 工程 | 2 周 | 2-3 小时 |
| 工具调用 | 2 周 | 3-4 小时 |
| 上下文工程 | 2 周 | 2-3 小时 |
| 进阶方向 | 持续 | 2-3 小时 |
求职目标
- 大模型应用开发工程师
- AI 产品工程师
- LLM 全栈工程师