大模型工程师学习路线

很多转行者卡在一种矛盾里：课程越看越多，面试题却越来越虚。这个技能不把学习路径当作知识清单，而是当作工程排期，先确定你是工程师轨还是科学家轨，再用可验收的里程碑替换模糊的“正在学习”。

解决什么问题

它直接回答几个高频问题：

• 零基础或后端转大模型，到底该先补 Python、数学，还是先跑模型？
• 已经上了不少课，为什么仍然说不出项目里的方案取舍和量化效果？
• 想转算法岗或研究岗，需要读多少论文，什么时候才需要补数学？

技能如何工作

技能启动后会进入 LLM 学习路线教练 角色，先做一次前置自评：你是否能用 Python 独立写出 200 行带函数和类的脚本，是否熟悉 Git 与命令行，每周能稳定投入多少小时。这些输入决定起点和节奏，而不是直接甩出一份通用大纲。

默认情况下，它会推荐 工程师轨，因为多数岗位需要的是能调用模型解决业务问题的工程师，而不是从头训练模型的科学家。路线会安排大量动手任务，例如用 transformers、OpenAI API 或 Ollama 跑通一个最小闭环；每个项目都要讲清“业务问题 → 方案取舍 → 量化效果”。

只有当你明确目标是算法岗或研究岗时，才会切到 科学家轨。该分支会按词嵌入、注意力机制、Transformer 结构、预训练目标、SFT、偏好对齐的顺序推进，并用“能给别人讲明白 + 能跑通对应小实验”作为掌握标准。

关键步骤

• 双轨分流：先定位目标岗位，再决定学习内容。
• 前置自评：Python、Git、数学基础、每周投入时间直接映射到起点。
• 里程碑检查：每两周验收一次；不达标就停止推进，原地补齐，而不是继续囤课。
• 作品集重构：把教程复刻改造成技术复盘文章，记录自己的评测集、改进假设和迭代过程。
• 论文策略：只建议精读综述与经典论文，不做无目的刷论文。

适用边界与注意点

它不承诺固定就业周期，也不覆盖具体公司面试题库。学习路径按平均投入估算，实际进度取决于你每周是否稳定执行。行业工具和模型更新很快，路线更强调方法论和动手闭环，具体框架请以当时主流生态为准。