想學 LLM，這樣選書就對了：從原理到上線的七站書單

2026 年了，「要不要懂一點 AI」已經不是問題，問題是從哪一本開始。LLM 的書這兩年爆量，光是我這櫃就收了六十幾本——但它們其實不是六十幾個選擇，而是一條路上的七個站。先弄清楚你站在哪一站，書就好挑了。

以下不是書評（我沒有每本都讀過），是我整理書櫃時畫出來的路線圖：每一站放兩三本我覺得定位最清楚的，你照自己的起點上車就好。

第一站：先搞懂它在幹嘛（原理）

不急著寫程式的話，從「LLM 到底怎麼運作」開始最划算——之後每一站都會用到這裡的直覺。

• 《NLG的王者GPT圖解》：用圖把 Transformer 到 GPT 的來龍去脈講清楚，適合想建立整體圖像的人。
• 《LLM原理完整回顧》：把大型語言模型的技術脈絡從頭到尾梳一遍，當原理站的總複習。
• 《跟 NVIDIA 學 LLM 基礎》：從 attention 機制講起的基礎課，硬體大廠視角。

第二站：從零打造一個（動手理解）

看懂原理跟「親手做出來」是兩回事。這一站的書帶你用 PyTorch 從零手刻一個小型 LLM——做過一次，很多黑盒子就打開了。

• 《讓 AI 好好說話！從頭打造 LLM 實戰秘笈》：Sebastian Raschka 的名作中譯，一步步從零建出一個能跑的語言模型，這站的招牌書。
• 《最紮實的基礎：使用 PyTorch × Transformer × Hugging Face 實作大模型》：工具鏈完整走一遍，適合想把基本功練穩的人。

第三站：讓 AI 會查資料（RAG）

模型再強也不知道你家的資料。RAG（檢索增強生成）就是「先查再答」——目前企業應用的主流做法。

• 《比RAG更強：知識增強LLM型應用程式實戰》：從基本 RAG 一路講到知識圖譜增強，想把檢索做深的人看這本。
• 《LLM最強重武裝：RAG開發應用優化現場直擊》：偏實戰現場的優化手冊，RAG 做出來之後想調得更準再回來翻。

第四站：讓 AI 會做事（Agent 與 MCP）

2025 之後最熱的一站：讓模型不只回答、還能用工具、跑流程。MCP 協定就是這波的通用插座。

• 《Tool Use 一統江湖：MCP 協定讓大模型成為變形金剛》：把「模型怎麼安全地用工具」講透，想跟上 Agent 這波的人從這本進。
• 《動手做AI Agent：LLM應用開發實戰力》：實作導向的 Agent 入門。

第五站：把零件串起來（LangChain 生態）

應用要上得快，框架少不了。LangChain／LangGraph 是目前生態最完整的一套。

• 《LangChain學習手冊》：O'Reilly 系的系統性教材，從 LangChain 到 LangGraph 的正規軍路線。
• 《AI Agent手刻首選：使用LangChain親手實作 LLM 大型商業專案》：直接用一個商業級專案帶你走完。

第六站：搬回自己電腦（本地端與開源模型）

不想把資料丟給雲端 API？開源模型＋本地部署這條路 2026 年已經很成熟。

• 《文科生也能輕鬆實現！自建自用大語言模型》：用 Ollama 在自己電腦跑模型，門檻最低的起點——書名沒騙人。
• 《LLM 開源大物：DeepSeek 深入技術多模態開發》：開源陣營當紅模型的深入拆解。
• 《本地端 Ollama×LangChain×LangGraph×LangSmith 開發手冊》：本地模型＋框架整套串起來。

想再進一步把模型「調成你的」，微調站有《業界實戰親授：大型語言模型微調、最佳化、佈署一次到位》和講輕量化的《更少 GPU 卻更強》。

第七站：讓它穩穩上線（工程化）

Demo 到產品之間隔著一整個工程。這站的書談的不是模型，是系統。

• 《AI工程｜從基礎模型建構應用》：Chip Huyen 的重磅之作，把「用基礎模型做產品」該想的事一次攤開——這櫃裡我最常推薦給工程師的一本。
• 《LLMOps 打造穩定運行的大型語言模型系統》：上線之後的維運課。
• 《生成式 AI 專案實踐指南》：從選模型到整合 Agent 的專案全流程視角。

那提示工程呢？

它不是一站，比較像全程都要帶的水壺。《LLM 提示工程技術》把「跟模型好好說話」整理成方法學，哪一站卡住了都可以回來翻。

---

最後一句老實話：這條路不用走完。多數人到第三、四站就能做出有用的東西——重點是別在第一站囤了十本原理書，然後一行程式都沒寫。挑一本，上車。