一个普通 Python 学习者的大模型成长路线图：别急，先把楼梯找到

我为什么写这张路线图

学 AI 最容易遇到的问题，不是资料太少。

恰恰相反，是资料太多，多到像打开了一个没有分类的网盘：Python、算法、Linux、MySQL、Numpy、Pandas、机器学习、深度学习、NLP、Transformer、Prompt、RAG、LangChain、MCP、Agent、LangGraph、微调、多模态、强化学习、项目实战。

每一个词都很重要，每一个词点进去都能再长出一棵知识树。

然后普通学习者很容易进入一种状态：

今天想补 Python
明天觉得算法不能落下
后天看到 RAG 很火
大后天又觉得 Agent 才是未来
最后打开收藏夹，发现自己收藏了一个完整宇宙

但能力没有同步膨胀。

我自己也踩过这个坑。资料看起来越多，越容易觉得自己正在努力；可真正写代码、跑项目、讲方案时，才发现很多东西还停在“我听过”。

所以我需要一张路线图。

这张路线图不是为了显得系统，也不是为了把所有知识点排成豪华菜单。它的作用很朴素：

告诉我当前阶段最该掌握什么，下一步为什么自然发生。

学习路线最怕的是一边焦虑一边乱跳。Python 还没写稳，就开始担心微调显存不够；RAG 还没跑通，就开始设计多 Agent 协作；连 JSON 都解析不稳，就已经想做企业级智能体平台。

不是不能有远方。

但脚下得有台阶。

这一篇的核心理解

作为一个普通 Python 学习者想具备大模型项目能力，我会把路线拆成七个阶段：

Python 基础
-> 工程与数据基础
-> 机器学习和深度学习
-> NLP 与大语言模型
-> LangChain、RAG 和工具调用
-> Agent、LangGraph 和应用编排
-> 微调、多模态和综合项目

这条路线的关键，不是每一块都学到专家级。

如果每一块都要求专家级，那普通人可以直接原地退休。更现实的目标是：每个阶段形成一个可验证的能力。

• 学 Python 后，能写清晰的小脚本和基础模块。
• 补工程后，能让代码在真实环境里跑起来。
• 学数据处理后，能理解数据如何进入模型。
• 学机器学习后，能理解训练、评估和预测。
• 学大模型后，能把模型能力接进程序。
• 学 RAG 和 Agent 后，能开始做真实应用。
• 做项目复盘后，能力才变成可以展示、可以讲清楚的成果。

这不是一条最炫的路线，但比较抗摔。

阶段一：先成为合格的 Python 学习者

这个阶段的目标不是“精通 Python”。

“精通”这个词太容易吓人，也太容易空。对我来说，第一阶段更务实的目标是：

看到一个小需求，能用 Python 写出清晰、可运行、可修改的代码。

需要掌握的内容包括：

• 环境搭建
• 变量和数据类型
• 条件判断和循环
• 函数
• 模块和包
• 文件操作
• 异常处理
• 面向对象
• 常见练习题

这些内容看起来很基础，甚至有点不够“AI”。但后面做大模型应用时，会发现它们一点都不边缘。

比如一个 RAG 项目，表面上是大模型知识库问答，拆开之后有大量普通 Python 动作：

• 读取文件。
• 清洗文本。
• 分割文档。
• 调用接口。
• 解析 JSON。
• 保存结果。
• 捕获异常。
• 组织模块。

模型负责回答，但项目能不能跑起来，很多时候取决于这些基础动作是否可靠。

基础不稳时，后面学 LangChain、RAG、Agent 会很痛苦。你以为自己在学大模型，实际上每天都在和路径、编码、依赖、异常处理聊天。

而且对方不太友好。

阶段二：补工程与数据基础

学 AI 不能只在本地写几个 .py 文件。

真实项目不是“我这里能跑”。真实项目通常会追问：

• 换台机器能跑吗？
• 数据从哪里来？
• 依赖怎么装？
• 报错怎么看？
• 任务怎么自动跑？
• 数据怎么存？
• 结果怎么查？

这时候就绕不开工程基础。

这一阶段包括：

• Linux 和 Ubuntu 常用命令
• Shell 脚本
• MySQL
• Python 连接数据库
• Numpy
• Pandas
• 基础算法和数据结构

我以前容易把这些内容看成“后端开发的事”，好像和 AI 没什么关系。后来才发现，大模型应用从来不是只有模型。

它需要数据从某个地方来，经过清洗、转换、索引、检索，再送到模型里，最后把结果返回给用户。

这个过程里每一步都需要工程能力。

• Linux 管运行环境。
• Shell 管重复任务。
• MySQL 管结构化数据。
• Pandas 管数据清洗和分析。
• 算法和数据结构帮助理解检索、排序、缓存和状态。

这阶段学完，我希望自己不只是会写代码，而是能让代码处理真实数据，并在真实环境里稳定运行。

说得更直白一点：

不要只会在自己的电脑上演示，要能把东西搬到项目环境里活下来。

阶段三：进入机器学习和深度学习

到这个阶段，学习重点开始变化。

前面写程序，大多是我写规则，机器照做。

到了机器学习，变成我准备数据、目标和评估方式，让模型从数据里学规律。

这个变化很关键。

传统程序更像这样：

规则写清楚 -> 机器执行

机器学习更像这样：

数据准备好 -> 模型学习规律 -> 用指标评估效果

机器学习阶段需要理解：

• 特征和标签
• 训练集和测试集
• 分类、回归、聚类
• 常见机器学习模型
• 模型评估指标
• 过拟合和欠拟合
• 机器学习项目流程

深度学习阶段需要理解：

• 神经网络
• 损失函数
• 前向传播和反向传播
• 优化器
• CNN、RNN
• Transformer

这一阶段最重要的不是把每个算法都背成面试稿，而是建立模型思维。

我需要知道，一个模型不是凭空聪明。它依赖数据、训练目标、参数、分布和评估方式。

这个认知后面看大模型会很有用。

否则很容易把大模型当成一个“很会聊天的黑箱”，模型答得好就觉得神奇，答错了就觉得玄学。理解一点模型训练和评估之后，至少能更冷静地看待它的能力和边界。

阶段四：走向 NLP 和大语言模型

大模型不是凭空掉下来的，它是 NLP 和深度学习长期发展的结果。

当然，直接上手大模型 API 很容易。复制一段示例代码，填上 Key，模型就能回答。这个体验很好，也很容易让人误会：

我已经会大模型开发了。

先别急。

会调用只是第一步。要想做应用，还要理解文本进入模型之前发生了什么，模型输出之后又该怎么处理。

这一阶段包括：

• NLP 常见任务
• 分词
• 词向量
• Embedding
• Tokenizer
• Attention
• Transformer
• Prompt
• 大模型 API 调用
• 流式输出
• 函数调用
• 本地模型调用

我在这一阶段最重要的变化，是开始理解：

人看到的是一句话，模型看到的是 Token。

人觉得是在“理解语义”，系统里实际涉及分词、向量表示、上下文窗口、概率生成和输出解析。

这些概念不需要一开始就推到论文级，但必须有基本认识。否则后面做 Prompt 优化、RAG、成本控制、上下文管理时，很容易只凭感觉调。

凭感觉调也不是不行，只是容易调到怀疑人生。

阶段五：从调用模型到开发大模型应用

只会调用大模型 API，还不算真正会做大模型应用。

这句话有点扎心，但很实用。

因为真实问题通常不是：

用户问一句 -> 模型答一句 -> 完成

真实应用里经常会遇到：

• 模型不知道公司内部资料。
• 用户问题需要查数据库。
• 回答必须引用知识库内容。
• 输出要符合固定格式。
• 多轮对话要保留状态。
• 某些任务需要调用外部工具。
• 复杂流程需要拆成多个步骤。

这就是 LangChain、RAG、MCP 和工具调用出现的原因。

这一阶段包括：

• LangChain 基础
• Prompt Template
• Output Parser
• Runnable 和 LCEL
• 文档加载
• 文档切分
• Embedding
• 向量数据库
• RAG
• MCP
• Function Calling

我在这一阶段真正理解的一件事是：

大模型应用的核心不是让模型单独表演，而是围绕模型搭建一套可靠流程。

比如 RAG 的流程可以简化成：

用户问题
-> 问题向量化
-> 检索相关文档
-> 拼接上下文
-> 调用大模型生成回答
-> 返回结果

这里任何一步做不好，最终效果都会变差。

文档切得不好，检索会差。

检索不准，模型会拿不到资料。

上下文拼得乱，模型会答偏。

输出不校验，用户会收到一段看似自信但不一定靠谱的回答。

这阶段学完，我希望自己能做一个可用的知识库问答或工具调用型应用。

不是只截图能看，而是基本能用。

阶段六：进入 Agent 和复杂任务编排

RAG 解决的是“让模型查资料”的问题。

Agent 更进一步，尝试让模型围绕目标进行规划、调用工具、观察结果、继续执行。

这一阶段包括：

• Agent 基本概念
• 工具调用
• 记忆
• 状态管理
• 任务规划
• 执行循环
• LangGraph
• Coze
• Dify
• 多 Agent 或复杂流程编排

我一开始以为 Agent 就是更高级的聊天机器人。

后来发现，这个理解太浅。Agent 的关键不在“更会聊天”，而在：

• 它有没有明确目标。
• 它能不能选择工具。
• 它能不能根据工具结果继续判断。
• 它能不能管理中间状态。
• 它能不能在失败时重试或降级。

这也是 LangGraph 这类工具有价值的原因。

复杂任务不能总靠一条线性调用链硬撑。很多时候需要状态图、条件分支、循环、人工介入和结果校验。

线性流程适合简单任务，复杂 Agent 如果还硬写成一条链，后面调试起来会很像拆耳机线：你知道它缠住了，但不知道从哪里开始解。

这个阶段完成后，我希望自己能设计一个有状态、有工具、有流程控制的 Agent 应用。

阶段七：微调、多模态和综合项目

当能做基础大模型应用之后，后面会遇到更复杂的问题。

• Prompt 调不出稳定风格怎么办？
• RAG 找到了资料但回答仍然不理想怎么办？
• 模型需要学习特定任务格式怎么办？
• 文本之外的图片、表格、语音如何处理？
• 一个 demo 怎么变成可维护项目？

这时就会进入微调、多模态、强化学习和项目工程化。

这一阶段包括：

• SFT
• LoRA
• QLoRA
• 全量微调
• DeepSpeed
• Unsloth
• 多模态大模型
• 智能体强化学习
• 企业级项目复盘

我对这一阶段的理解是：它不是所有人一开始都必须深入，但它决定后续能力上限。

对普通学习者来说，先理解边界比盲目上手更重要：

• 什么问题适合 Prompt？
• 什么问题适合 RAG？
• 什么问题适合微调？
• 什么问题其实应该重新设计产品流程？

技术不是越贵越好，也不是越新越好。

一个问题本来 Prompt 能解决，非要微调，就像为了拧一个螺丝去买一台挖掘机。场面很大，但不一定合理。

这个阶段完成后，我希望自己能根据项目问题选择合适的大模型技术方案，而不是看到什么热门就用什么。

我的整体路线

把所有阶段串起来，我的路线是：

01 Python 基础
  目标：能写清晰可运行的代码

02 工程与数据基础
  目标：能处理真实环境和真实数据

03 机器学习和深度学习
  目标：理解模型如何从数据中学习

04 NLP 与大语言模型
  目标：理解文本如何进入模型，模型如何生成回答

05 LangChain、RAG 和工具调用
  目标：能开发知识库和工具调用型应用

06 Agent 和 LangGraph
  目标：能设计有状态、有工具、有流程的大模型应用

07 微调、多模态和项目实战
  目标：能面向真实项目选择方案并复盘落地过程

这条路线不是最短路线，但比较稳。

它不会让我一开始就陷入深奥理论，也不会让我只停留在调 API 的浅层体验里。它要求每个阶段都形成一个可验证的小能力，然后逐步叠加。

学习技术最怕“看起来都懂，做起来都卡”。这条路线的目的，就是尽量减少这种情况。

我踩过的坑

第一个坑，是总想找“最快路线”。

后来我发现，最快路线往往会跳过基础工程能力。短期看节省时间，长期看会在环境、数据、调试、部署和项目组织上反复还债。

第二个坑，是看到热门词就换方向。

大模型领域变化很快，但学习路线不能每天跟着热点变。LangChain、LangGraph、MCP、Agent、微调这些东西都重要，但它们应该出现在合适的阶段。

第三个坑，是把“看懂”当成“掌握”。

很多概念看文章时觉得懂了，但一写代码、一跑项目、一遇到报错，就会发现理解并不牢。真正掌握至少要经历一次最小例子和一次问题排查。

第四个坑，是路线图收藏太多。

路线图当然有用，但它不是护身符。真正起作用的是今天写了什么代码，解决了什么问题，复盘了什么经验。

路线图负责指方向，脚还得自己往前挪。

和大模型项目的关系

这张路线图最终服务的是项目能力。

大模型项目不是单一技术点，而是一组能力组合：

• Python 写业务逻辑。
• Linux 和 Shell 管运行环境。
• MySQL 和 Pandas 处理数据。
• 机器学习和深度学习提供模型理解。
• NLP 和 Tokenizer 帮助理解文本输入。
• API 和 Prompt 把模型接进程序。
• RAG 让模型使用私有知识。
• MCP 和工具调用让模型连接外部系统。
• Agent 和 LangGraph 让模型参与复杂流程。
• 微调和多模态解决更专门的能力扩展。
• 项目复盘把能力变成可展示成果。

如果只学其中一块，很容易形成局部能力。

会调模型但不会处理数据，项目会卡。

会写代码但不理解模型边界，方案会飘。

会看概念但没有项目复盘，能力很难证明。

所以这张路线图要不断提醒我：每一块知识都要放回完整项目链路里看。

小结

对普通 Python 学习者来说，大模型学习不是一步跨到模型训练，也不是只停留在聊天工具使用。

我更认可的路线是：先有 Python 基础，再有工程和数据能力，然后理解模型，再进入大模型应用开发，最后通过 RAG、Agent、微调和项目复盘形成完整能力。

这不是一条炫技路线，而是一条能慢慢走稳的路线。

接下来这个系列会沿着这条路线展开。每一篇都尽量回答同一个问题：

学完这一块，我离独立完成一个大模型项目又近了哪一步？

只要这个问题还在，学习就不容易飘。