结构化LLM学习路径：从零到AI研究员的八阶段课程
一个自定进度的结构化课程，涵盖Transformer、预训练、微调、对齐、推理、提示工程、智能体及前沿研究，预计5个月完成。
该GitHub仓库提供了一条从零基础到AI研究员的完整学习路径，专注于掌握大型语言模型（LLM）及其驱动的智能体。整个课程采用自定进度设计，分为八个阶段，预计耗时约5个月；若有深度学习经验，可缩短至3个月。每个阶段包含详细的README文件，列明学习目标、阅读材料和练习，学习者可逐阶段推进，并利用笔记文件夹记录心得，通过复选框跟踪进度，还设有阅读日志管理已读论文。
课程结构方面，第一阶段为基础巩固（2-3周），要求学习者具备中级Python编程、线性代数（向量、矩阵、点积）、微积分（导数、链式法则）和概率论（分布、贝叶斯定理）。第二阶段深入Transformer架构（2-3周）。第三阶段研究预训练与缩放定律（2-3周）。第四阶段涵盖微调与对齐技术（2-3周），包括监督微调、RLHF等。第五阶段聚焦推理优化与部署（1-2周）。第六阶段学习提示工程与链式推理（1-2周）。第七阶段构建智能体系统（2-4周）。第八阶段为持续的前沿研究探索。
课程整合了多个优质资源，如Karpathy的“NN: Zero to Hero”视频系列、HuggingFace的LLM课程、Lilian Weng的博客、Papers With Code以及arXiv的cs.CL论文列表。整个学习路径采用开源许可证，允许自由fork、修改和分享，适合希望系统学习LLM的研究者和工程师。