从零到精通：一个完整的NLP与LLM工程学习路线图

在大语言模型（LLM）席卷全球的背景下，Farizakb维护的开源学习项目提供了一条从基础数学到前沿AI应用的系统性学习路径。该项目涵盖六大模块，结合理论讲解与可运行代码示例，构建了从传统NLP到现代生成式AI的完整技术栈，适合不同阶段开发者学习。

• 原作者/维护者: Farizakb
• 来源平台: GitHub
• 原始标题: AI_Engineering-LLM
• 原始链接: https://github.com/Farizakb/AI_Engineering-LLM
• 发布时间: 2026年5月24日

项目将复杂AI工程知识分解为六个循序渐进的模块，每个模块均包含理论讲解与代码实践，形成结构化学习旅程。

模块一：深度学习与数学基础

从NumPy向量化运算入手，覆盖逻辑回归、浅层神经网络实现，理解反向传播与梯度下降本质，为后续复杂架构打基础。

模块二：NLP基础技术

系统讲解文本处理流程（分词、清洗、标准化）、传统模型（词袋、TF-IDF、Word2Vec）及应用（情感分析、NER），对比RNN与LSTM演进。

模块三：词嵌入深度解析

涵盖Word2Vec（CBOW/Skip-gram）、GloVe、FastText等方法，通过PCA/t-SNE可视化向量空间。

模块四：Transformer架构核心

解析位置编码、解码策略（温度调节、Top-K/Top-P），深入注意力机制（多头自注意力、稀疏注意力、Flash Attention）及MoE模型、端到端问答实现。

模块五：RAG系统实战

提供8个案例：文本分块优化、文档索引管理，及CRM自动化、金融分析等垂直领域问答机器人，含Kaggle级完整RAG构建。

模块六：AI Agent开发

基于LangChain框架讲解Agent核心技术：提示词链、PDF RAG、工具集成、对话记忆、多工具组合高级Agent设计，引入LCEL声明式编程。

每个模块均配有可直接运行、修改的完整代码示例；RAG模块包含垂直领域实战案例；Agent模块实现了多工具集成的高级智能体，直接对应工业界实际需求。

项目的独特价值在于系统性与实践性：为初学者提供循序渐进路线，为有经验开发者查漏补缺，为团队负责人提供人才培养教材，串联技术解决实际问题。

建议按模块顺序逐步深入，结合自身项目需求选择性研究特定模块；掌握AI工程技术的最佳方式是在理解原理基础上动手实践。