WangRongsheng/awesome-LLM-resources · 上手攻略
- 仓库：WangRongsheng/awesome-LLM-resources
- 链接：https://github.com/WangRongsheng/awesome-LLM-resources
- 分类：ai
- 作者：Tom
- 更新：2026-07-13
这是什么
awesome-LLM-resources 是由 WangRongsheng（王荣胜）维护的大语言模型（LLM）优质资源汇总仓库，目前 8.6K+ Stars。它自称"全世界最好的LLM资料总结"，涵盖从数据处理、微调、Agent 开发、推理优化、RAG、模型评测到多模态（小语言模型、视觉语言模型）等全链路内容，并持续更新。
这不是一个代码工具库，而是一个持续更新的 LLM 领域资源导航。
解决什么问题
LLM 领域发展极快，相关开源项目、研究论文、工具框架每周都在更新。开发者常面临：
- 想做 LLM 微调，不知道有哪些成熟框架（LlamaFactory、Unsloth 等）
- 想搭 Agent，不知道该用哪个框架（LangChain、LlamaIndex、AutoGPT？）
- 想了解 MCP（Model Context Protocol）是什么，资源分散难以一站查找
- 想找最新的 o1/o3 模型相关开源实现，找起来费时
awesome-LLM-resources 用细致的分类把这些资源整合在一起，让你可以按图索骥找到当前最新的优质项目。
快速安装
这不是一个需要安装的代码工具，而是一个资源列表。 访问方式：
# 方式1：直接浏览器打开（推荐）
# https://github.com/WangRongsheng/awesome-LLM-resources
# 方式2：克隆到本地
git clone https://github.com/WangRongsheng/awesome-LLM-resources.git
# 然后用任意 Markdown 阅读器打开 README.md
# 方式3：用 GitCode 镜像（国内访问更稳定）
# https://gitcode.com/wangrongsheng/awesome-LLM-resources
无依赖要求，直接阅读。
核心内容一览
仓库按以下类别组织资源（2024-2025 年最新内容）：
🔥 核心分类
| 分类 | 代表资源 | 简介 |
|---|---|---|
| 数据 Data | MinerU, data-juicer, OmniParser | PDF/网页数据提取、LLM 数据标注与清洗 |
| 微调 Fine-Tuning | Axoltl, Unsloth, LLaMA-Factory | 高效微调 LLM 的工具框架 |
| Agentic RL | — | Agent 强化学习训练范式 |
| 推理 Inference | vLLM, TensorRT-LLM, SGLang | 高效推理引擎与部署方案 |
| 评估 Evaluation | lm-evaluation-harness, OpenCompass | LLM 评测基准与工具 |
| RAG 知识库 | LlamaIndex, LangChain, RAGFlow | 检索增强生成技术栈 |
| Agent 智能体 | AutoGPT, CrewAI, Manus | Agent 开发框架 |
| MCP | 各 MCP Server 实现 | 模型上下文协议生态 |
| 小语言模型 SLM | Qwen2.5-Distill、Phi 系列蒸馏 | 端侧部署的轻量模型 |
| 多模态 VLM | InternVL, Qwen2-VL, PaddleOCR-VL | 视觉-语言模型资源 |
其他分类
还包括：代码（Coding）、视频、图片、语音、搜索、世界模型（World Models）、书籍、课程、教程、论文、社区、Skills（OpenClaw 也在列表中）等。
核心用法
用法 1：按需求找工具
比如你想做 PDF 数据提取，在 "Data" 分类下可以看到：
- MinerU（上海 AI Lab）：一站式 PDF/网页/电子书高质量提取，🔥 标记强烈推荐
- PDF-Extract-Kit：OpenDataLab 出品的 PDF 内容提取工具箱
- GOT-OCR2.0：OCR 模型
用法 2：跟进最新技术方向
MCP（Model Context Protocol）分类下收录了 MCP Server 的各类实现，是目前 Agent 开发的热点。o1/o3 相关推理优化也有独立分类。
用法 3：找特定领域资源
[!TIP] 仓库说明中特别提到：如果你对医疗数据集/大模型/多模态/评估相关资源感兴趣，请访问 🤗 Awesome-AI4Med（FreedomIntelligence/Awesome-AI4Med）！
这体现了作者在医疗 AI 领域的专业背景，资源收录也有一定侧重。
典型适用场景
- 技术选型：开始一个新 LLM 项目前，先来这里了解有哪些成熟工具可用
- 资源调研：写论文或技术博客时，快速找到特定方向的代表性工作
- 持续学习：定期翻看更新，跟进行业动态
- 团队分享：整理内部 AI 技术分享资料时，参考其分类结构
坑与注意
-
不是代码库，是导航
仓库本身不提供 LLM 功能，你需要自行阅读被链接的工具文档来使用它们。 -
资源数量多但质量不一
收录的项目数量庞大，部分可能已经过时或不再维护。使用前建议核查对应仓库的最新更新时间。 -
英文资源为主
虽然 README 有中文注释，但链接指向的项目大多为英文文档。 -
Stars 相对较少
8.6K Stars（截至 2026 年初）相比其他 awesome 列表偏少，部分分类的覆盖面可能不如专业垂直列表完整（如 RL 方向不如专门的强化学习 awesome 列表）。 -
持续更新依赖作者维护
建议关注仓库的 Watch/Star 以便收到更新通知。
与同类对比
| 仓库 | Stars | 特点 | 适合人群 |
|---|---|---|---|
| WangRongsheng/awesome-LLM-resources | 8.6K+ | 中文友好，覆盖全链路，含 MCP、SLM 等新方向 | 中文开发者快速了解 LLM 生态 |
| swisskyrepo/awesome-llm-cybersecurity | — | 侧重 LLM 安全 | 安全研究者 |
| Hannibal046/Awesome-LLM | — | 偏学术论文综述 | 研究者 |
| weightedaude/awesome-llm-apps | — | 偏 LLM 应用层 | 产品经理/应用开发者 |
awesome-LLM-resources 的差异化在于中文维护、中文注释、新方向（MCP/o1/SLM）覆盖及时，是中文 LLM 学习者非常友好的一站式入口。
一句话推荐结论
想做 LLM 相关项目但不知从哪开始？awesome-LLM-resources 用细致的分类帮你快速定位最新、最优质的资源，是中文开发者跟进 LLM 生态不可多得的导航站。
📌 建议：配合自己的具体方向（如"微调"或"RAG"），在对应章节逐条查阅被链接的项目，而不是通读全文。