程序员专属的大模型全栈学习地图：从调用 API 到上线 AI 服务，一套资料搞定

你是否也经历过：刷了几十篇 RAG 教程却不知该先学 chunk 还是 rerank？看了无数 Agent 概念图，但写不出一个带状态恢复的工具调用流程？面试官问“你们 RAG 的召回率怎么评估”，你只能含糊说“用了 Chroma”……
《LLM-Master》不是又一个“大模型速成课”，而是一份由一线工程师打磨的、面向真实工程场景的**程序员级 LLM 全栈学习路线图**。它不讲玄学原理，只解决你在开发中真正卡壳的问题：API 调用如何防超时？RAG 结果为什么总漏引文档？Agent 失败后怎么自动回滚？模型部署时 P99 延迟突然飙升怎么办？

核心功能

阶段式学习路径闭环设计：严格按知识依赖组织为 6 个递进阶段（全局认知 → 模型调用 → RAG → Agent → 生产工程 → 原理与面试），避免“学了 Transformer 却不会写 Prompt”的断层问题，每阶段明确交付标准和完成标志。
RAG 全链路可评估实现：覆盖文档解析、语义切片、混合检索（关键词+向量）、两阶段 rerank、答案引用溯源、离线评测集构建及 Bad Case 分类分析，不止教“怎么做”，更教“怎么证明做得好”。
Agent 工程化落地指南：超越 ReAct 模板，深入工具契约设计、状态机管理、Checkpoint 持久化、预算控制（Token/次数/耗时）、失败自动重试与降级策略，并提供多 Agent 协作的 DAG 编排与上下文治理方案。
生产级部署实战手册：详解 vLLM/SGLang 部署选型对比、KV Cache 优化原理、PagedAttention 内存管理、AWQ/EXL2 量化实操、压测指标定义（TTFT/TPOT/Goodput）、限流熔断配置及容量规划报告模板。
Transformer 逐层手写实践：从 Q/K/V 矩阵运算、Softmax 数值稳定性处理、RoPE 位置编码实现，到 LayerNorm 梯度计算、FFN 门控机制，配套可运行的 Tiny Transformer 代码，把黑盒变成白盒。
AI 编程工作流整合：系统梳理 Claude Code、MCP（Model Calling Protocol）、Agent CLI、Skills 封装、Hooks 注入等新型开发范式，教你用 AI 工具链重构日常开发流程，而非仅当“聊天机器人”用。
大厂面试真题闭环训练：覆盖字节、阿里、腾讯等企业高频题（如“RAG 中 embedding 模型换掉后效果下降，如何归因？”、“Agent 的记忆该存在哪？Redis 还是向量库？”），提供回答框架、技术取舍逻辑和项目表达话术。
四个简历级项目脚手架：每个项目（AI 业务助手、企业知识库、工具型 Agent、生产级 AI 服务）均定义最低交付标准，强调“能回答为什么选这个方案、效果如何度量、故障如何恢复、成本如何控制”，直击技术面试核心考察点。

技术亮点

工程优先的知识组织逻辑：拒绝概念堆砌，所有内容围绕“API 调用→数据处理→检索→生成→评估→部署→监控”真实链路展开，例如在 RAG 专题中，将“chunk size 选择”与“长文本召回率衰减曲线”“embedding 模型 token 限制”联动分析，而非孤立讲解参数。
原理与代码强耦合：Transformer 专题不仅讲 Attention 公式，更提供 NumPy 版最小实现，包含梯度检查、数值溢出防护、缓存复用等细节；部署专题则对比 vLLM 的 PagedAttention 与 HuggingFace TGI 的连续 batching 内存占用差异，附压测命令和 GC 日志分析片段。
前沿工程实践深度覆盖：同步跟进 Agent Harness 测试框架、Context Engineering（上下文压缩/路由/分层）、MCP 协议规范、多 Agent 通信治理等 2024 年新趋势，在 Multi-Agent 专题中给出 Planner/Worker/Reviewer 角色拆分的真实架构图与消息序列图。
评估驱动的学习验证机制：每个阶段设置可量化的完成标志，如“RAG 阶段需输出评测集基线报告（Recall@5 ≥ 82%、引用准确率 ≥ 95%）”“Agent 阶段需提供 Trace 日志样本及失败恢复成功率统计”，倒逼学习成果落地。

适合哪些人用

本仓库专为有**工程背景的开发者**设计：Python/Java/Go/C++ 或前端工程师，熟悉 HTTP、数据库、缓存等基础组件，希望系统性转向大模型应用开发、AI 后端或 Agent 工程师岗位。

真实场景案例：
• 后端工程师小王：正在为公司客服系统接入大模型，已调通 OpenAI API，但用户问“上个月订单退款进度”时总答非所问。他通过《LLM-Master》的 RAG 专题，重构了订单文档解析流程，引入混合检索+rerank，并建立退款状态专用评测集，将关键信息召回率从 63% 提升至 91%；
• 前端工程师小李：想用 LLM 做智能代码助手，但反复调试 Function Calling 却无法稳定触发工具。她跟随《Agent 工程》路线，重新设计工具契约（增加 required_fields 和 timeout 字段），加入执行状态追踪 UI，并实现超时自动 fallback 到通用问答，最终通过内部灰度测试。

快速上手

无需安装任何依赖，纯文档学习！直接访问 GitHub 仓库：
👉 https://github.com/youngyangyang04/llm-master
推荐入门路径：
1. 先读开发者入门路线（beginner.md），建立技术全景认知；
2. 根据当前水平选择对应阶段，如已会调 API，直接进入应用开发路线（application.md）；
3. 重点精读各专题的「阶段项目」要求，对照 topics 目录中的实操指南，边学边做。

同类对比 / 注意事项

vs 零散博客/视频教程：多数资源聚焦单点（如“10 分钟学会 LangChain RAG”），缺乏知识依赖关系和工程上下文。《LLM-Master》强制阶段推进，且每个知识点标注“前置依赖”（如学 Rerank 前必须掌握 Embedding 评估指标），避免学习迷航。
vs 学术论文/课程：不追求理论完备性，而是提炼工业界高频问题（如“为什么用 BGE 而非 text-embedding-ada-002？”“LoRA 微调时 rank=8 和 rank=16 在 GPU 显存占用上差多少？”），答案均来自真实项目踩坑经验。
注意事项：本仓库为学习路线图，非开箱即用 SDK；部分代码示例需自行补充 API Key；对数学基础要求不高，但需具备 Python 基础（如理解 async/await、context manager）；建议搭配官方文档（如 vLLM 文档、LlamaIndex API 手册）交叉阅读。