Generative AI 全栈学习指南：从入门到实战的完整资源库

本开源项目提供系统化的生成式AI学习路线图，涵盖Python基础、大语言模型（LLM）、提示工程、RAG架构、AI智能体及向量数据库等核心技术，适合初学者与进阶开发者。项目采用渐进式学习理念，按技术依赖关系编排内容，帮助用户从基础概念到实际应用掌握全套技能，避免碎片化学习。

生成式AI技术快速迭代下，开发者面临系统性掌握技能的挑战。本项目为解决此痛点而生，提供从A到Z的完整学习路径。核心理念是“渐进式学习”，按技术依赖与学习曲线编排内容：从Python编程基础，逐步深入Transformer架构、LLM原理，再到提示工程、RAG、AI智能体开发等前沿领域，不同水平用户均可找到切入点。

大语言模型（LLMs）基础

深入理解Transformer自注意力机制、位置编码等组件，从零实现简化版Transformer，掌握GPT与BERT等模型区别，了解模型规模与涌现能力关系、主流开源模型（Llama、Mistral等）特点。

提示工程

涵盖零样本/少样本提示、思维链、自我一致性、ReAct框架，强调结构化提示（角色设定、输出规范），介绍自动提示优化技术（APE、OPRO）。

RAG架构

拆解RAG组件：文档切分、嵌入模型选择、向量数据库选型、检索优化、重排序技术，提供代码示例将非结构化文档转化为知识库，提升生成内容准确性。

AI智能体

讲解工具使用、规划、记忆、多智能体协作等核心概念，通过案例掌握构建自主任务分解、调用API、长期记忆维护的系统，涵盖LangChain Agents、AutoGPT等框架。

向量数据库

对比Milvus、Pinecone等主流数据库特点，讲解嵌入模型选择与微调、向量索引算法（HNSW、IVF）、混合检索策略。

提供聊天机器人、文档问答系统、代码生成助手等端到端实战项目，包含数据流设计、模型选型、性能优化及部署方案（本地/云端/边缘）。重点关注生产就绪细节：处理模型幻觉、实现输出溯源与可解释性、设计人机协同反馈机制、构建持续评估迭代闭环。

初学者建议按推荐顺序夯实Python与机器学习基础，再深入专项技能；进阶开发者可直接跳转感兴趣模块，利用代码模板快速搭建原型。项目设有活跃讨论区，学习者可交流经验、分享踩坑记录、获取技术更新，形成社区驱动的动态知识网络。

本项目是生成式AI领域的知识地图，帮助用户避免碎片化信息迷失，从基础走向实践。随着多模态模型、世界模型、具身智能等新方向发展，系统性学习资源更显珍贵。对希望建立扎实生成式AI能力的开发者，是值得投入时间的优质起点。