大模型与 Agent 工程学习路线¶

这套文档想解决一个问题：

从“我会调用一个 LLM API”到“我能设计、部署和评测一个 Agent 系统”，中间到底要补哪些知识？

文档按工程视角组织，而不是按论文或工具列表堆放。先建立全局地图，再进入模型、API、训练部署、Agent 产品和系统架构。

一张全局路线图¶

总览
  ↓
数据、Tokenizer、预训练、后训练
  ↓
Reasoning Models、Transformer、推理架构
  ↓
API、RAG、模型路由、工具调用、Workflow、Agent
  ↓
训练、微调、量化、部署、硬件、参数、LLMOps
  ↓
Agent Runtime、Loop、Graph、Harness、Guardrails、Evaluation、Skills、MCP
  ↓
Context Engineering、Multi-Agent、大型 Agent 系统

先按你的目标选路线¶

目标	推荐入口	接下来读
不知道术语属于哪一层	核心概念索引	大模型与推理优化术语表
正在读推理优化文章，缩写太多	大模型与推理优化术语表	LLM 推理与架构优化入门
想建立完整知识地图	从 LLM 出生到大型 Agent 系统	LLM 生命周期
想理解模型怎么处理文本	数据、Tokenizer 与预训练数据工程入门	Transformer 入门
想做 LLM 应用	LLM API：从 HTTP 到 Transformer	LLM 应用架构
想看懂一次 Chat 请求的内部执行	OpenAI-compatible Chat API 执行链路	LLM 推理与架构优化入门
想做企业知识库或文档问答	RAG 工程实践	Agent 效果评测框架
想控制模型质量、延迟和成本	模型选择与路由	参数调优手册
想训练或微调模型	模型训练与部署学习路线	LoRA 与 QLoRA 微调入门
想本地或线上部署模型	本地部署框架对比	模型量化与推理压缩入门
想把 LLM 应用上线运营	LLM 应用生产化	模型选择与路由
想开发 Agent	Agent 开发入门	Agent 模式与实现
想实现 Agent runtime	Agent 项目开发实战	Harness Engineering
想做可靠 Agent 产品	Harness Engineering	Loop Engineering、Agent 安全与 Guardrails
想把单 Agent 扩展成可治理的执行图	Graph Engineering	Multi-Agent 协作、自进化与记忆系统
想接入外部工具和数据源	MCP 工具协议	Agent Skills 实现思路
想评测 Agent 效果	Agent 效果评测框架	参数调优手册
想设计平台级系统	大型 Agent 系统架构设计	Multi-Agent 协作、自进化与记忆系统

常见阅读路径¶

我只想快速做一个 LLM 应用¶

读：

暂时跳过训练、量化和 Multi-Agent。先把 API、上下文、状态、日志和评测闭环做清楚。

我想做 RAG 或企业知识库¶

读：

重点不是“接一个向量库”，而是数据清洗、chunk、召回、重排、引用、评测和失败归因。

我想微调开源模型¶

读：

先确认问题是不是需要微调。新知识通常优先用 RAG，稳定格式和行为才更适合 SFT / LoRA。

我想本地部署模型¶

读：

先分清本地实验、小型服务和生产服务。能跑起来不等于能稳定服务。

我想做 Codex / Claude Code 这类 Agent 产品¶

读：

核心不是写一个更长的 system prompt，而是设计上下文、工具、权限、状态、恢复、评测和可观测性。

文档维护约定¶

首页只维护学习路线，不在这里展开所有概念细节。
概念定义优先放在核心概念索引，专题文档只保留必要解释。
每篇专题尽量回答一个主问题，并在末尾给出“下一步”。
交叉引用用于承接上下游，不重复复制整段内容。

大模型与 Agent 工程学习路线¶

一张全局路线图¶

先按你的目标选路线¶

推荐阅读顺序¶

0. 先建立地图¶

1. 模型原理¶

2. 应用与部署¶

3. Agent 工程¶

4. 系统设计¶