[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"learning-part-1-llm-basics":3,"learning-all":12},{"id":4,"slug":5,"title":6,"description":7,"level":8,"topic":9,"url":10,"content":11,"sortOrder":4},1,"part-1-llm-basics","Part 1 · 大模型基础认知","小白零基础友好。这一站不写代码，只建立\"大模型到底是什么\"的骨架。","BEGINNER","大模型认知",null,"# Part 1 · 大模型基础认知\n\n\n---\n\n## Section 1 · 认识 AI，为什么现在爆了\n\n> 不需要装任何软件，只需要一台能上网的手机或电脑。这一节的目标只有一个：**亲手用上一次 AI，并且搞明白它凭什么这么火**。\n\n**Subsection 1 · 先弄清楚：AI、机器学习、大模型是什么关系**\n\n很多人把这三个词混着用，其实是三层递进关系，记住这个比喻：\n\n- **AI（人工智能）**：最外面的大筐。只要让机器做出“看起来需要人脑”的事，都算 AI。比如下棋赢人类、识别照片里的猫、听懂你说的话。它从上世纪 50 年代就存在了，不是新东西。\n- **机器学习（Machine Learning）**：AI 的一种实现方式。不靠人写死规则（“如果图片里有三角形就是猫”），而是**给机器大量例子，让它自己总结规律**。比如给它 100 万张标好“猫\u002F狗”的图，它自己学会区分。\n- **深度学习 \u002F 大模型（Deep Learning \u002F LLM）**：机器学习里当前最火的一支。它用“神经网络”这种结构，吃的数据和算力都特别大，能力因此突飞猛进。**大语言模型（LLM）就是专门吃“文字”的深度学习模型**。\n\n- 💡 一句话串起来：**AI 是目标，机器学习是方法，大模型是当前最厉害的那个工具**。你以后做 AI 应用，绝大多数时候是在“用大模型”，而不是从零造大模型。\n\n- ✅ 过关自测：能用自己的话讲清“AI 和机器学习的区别”即可。讲不清就重读上面三行。\n\n**Subsection 2 · 机器到底是怎么“学会”的**\n\n这一节是全教程第一个“原理要点”，理解它，后面所有概念都顺了。\n\n**第一步：先忘掉“智能”这个词。** 大模型内部没有“理解”，只有**一堆数字在算来算去**。它学到的不是“猫的定义”，而是“猫这个字周围经常出现哪些字、哪些词”。\n\n**第二步：把文字变成数字。** 计算机只认数字。所以模型做的第一件事，是把一句话拆成小块（叫 **Token**，中文常译“词元”），每块再变成一个**向量**（一串数字，比如 4096 个数）。比如“我喜欢吃苹果”可能被拆成：`我` \u002F `喜欢` \u002F `吃` \u002F `苹果`，每个字对应一串数字。\n\n- 打个比方：Token 像把一整篇文章切成一个个乐高积木块，向量像是每块积木上刻的“坐标”。位置接近的积木（比如“苹果”和“香蕉”），它们的向量在“数字空间”里也挨得近。\n\n**第三步：让数字在“神经网络”里流动。** 神经网络是一层层连起来的“数字加工厂”。输入是向量，经过几十上百层加工，每层都在做**加权求和 + 非线性变换**（后面 Section 会细讲“注意力”），最后输出一个结果。\n\n- 记忆锚点：**模型 = 一堆数字（叫“参数”）+ 一套固定的运算规则（叫“结构”）**。所谓“训练”，就是不断调整那堆数字，让输出越来越对。\n\n- ✅ 过关自测：① Token 是什么？② “模型训练”在实现上到底改的是什么？答得出即可。\n\n**Subsection 3 · 找个能聊天的 AI**\n- 用**手机**：打开应用商店（苹果 App Store \u002F 安卓应用市场）→ 搜索框输入 `DeepSeek` → 点“获取\u002F安装” → 打开它。\n- 用**电脑**：打开浏览器（Chrome \u002F Edge）→ 地址栏输入 `https:\u002F\u002Fchat.deepseek.com` 回车。\n- 没有 DeepSeek 账号就点“注册”，用手机号最快，收个验证码就能进。\n- ✅ 预期看到：一个聊天页面，中间一个输入框，底部能打字。\n- ❌ 打不开：先检查是不是没联网；换个浏览器再试；还不行就用手机装 App。如果提示“服务繁忙”，等几分钟刷新，这是因为用的人多，不是你的问题。\n\n**Subsection 4 · 问它三个问题**\n在输入框逐条输入，等回答完再问下一条：\n1. `用一句话解释什么是相对论`\n2. `写一首关于夏天的五言绝句`\n3. `我的代码报错了：FileNotFoundError: [Errno 2] No such file or directory，是什么意思`\n- ✅ 预期看到：三个回答风格完全不同（科普 \u002F 诗 \u002F 技术），但它都答得上来。\n- 💡 记住这个感受：这就是核心——**同一个模型，用不同的话（Prompt）指挥，就能干不同的事**。它不会因为换了话题就“卡壳”，这就是大模型和以前“一个模型只会一件事”的本质区别。\n- 补充：你发的每条消息，都会被切成 Token → 变向量 → 过神经网络 → 逐字吐出来。你看到的“回答”，其实是模型**一个字一个字猜出来的**（下一节讲“预测下一个字”）。\n\n**Subsection 5 · 看 20 分钟入门视频**\n- 浏览器新开标签页 → 输入 `https:\u002F\u002Fcourses.d2l.ai\u002Fzh-v2\u002F` 回车 → 点页面里第一个视频（《动手学深度学习》第 1 讲）→ **只看前 20 分钟**，看到讲神经网络就停。\n- 不想看这个就换：打开 `https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002FBV128cUe6EU2\u002F`（马士兵 AI 教程）→ 看第 1 集。\n- ✅ 预期看到：视频里反复出现“人工智能 \u002F 机器学习 \u002F 深度学习 \u002F 大模型”这些词。**不要求听懂，只要求混个脸熟**——后面你会反复遇到它们。\n- ❌ 视频打不开\u002F很卡：换个视频源，或在 B 站直接搜“大模型 科普”，随便挑个播放量高的看 15 分钟就行，重点是“听过这些词”。\n\n**Subsection 6 · 用你的话写三句话**\n打开备忘录 \u002F 记事本，写下（写不出来就照抄一遍也是学）：\n> 1. AI 是让机器做需要人类智能的事。\n> 2. 以前是“一个模型只会一件事”（AI 1.0），现在是“一个模型会所有事”（AI 2.0 大模型）。\n> 3. 大模型现在爆发，是因为算力、数据、Transformer 架构三个都够了。\n\n**Subsection 7 · 过关自测**\n不看上面，回答：① AI 1.0 和 AI 2.0 有啥区别？② 大模型为什么是最近爆的？③ Token 是什么？\n能说出来 = Section 1 完成。\n\n---\n\n## Section 2 · 生成式 vs 判别式，大模型和 AGI\n\n> 这一节认识两个最容易混淆的概念对，它们是理解 AI 的“钥匙”。**顺带把“大模型为什么会说人话”这个机制讲透。**\n\n**Subsection 1 · 用 AI 感受两种任务**\n打开昨天那个 DeepSeek，问：\n1. `判断这句话是正面还是负面评价：今天外卖迟到了` ← 这是“判别式”任务（做判断\u002F分类）\n2. `写一首关于夏天的五言绝句` ← 这是“生成式”任务（凭空造内容）\n- ✅ 预期看到：第一个回答是“负面”，第二个是“一首诗”。\n- 💡 记住口诀：**判别式“挑”，生成式“造”**。大语言模型（LLM）是生成式的——它每次都在“从无到有”生成新文字，而不是在现成选项里挑一个。\n- 为什么这个区别重要：以后你设计产品，要先想清楚“我是让 AI 做判断，还是让 AI 造内容”，两者用的模型、接口、评估方式都不一样。\n\n**Subsection 2 · 大模型是怎么“预测下一个字”的**\n\n这是全教程**最重要的机制**，一定要吃透：\n\n**核心一句话：大语言模型的本质，是一个“猜下一个字”的机器。**\n\n- 你输入 `床前明月`，它开始猜：下一个字最可能是“光”（因为古诗词里“床前明月光”出现频率极高）。\n- 它继续：`床前明月光`，再猜下一个字“，”。就这样**一个 token 一个 token 地往后蹦**，直到它认为该停了，或者到达你设置的长度上限。\n- 核心流程（记住这四个词）：**切词（Tokenize）→ 变向量（Embedding）→ 过网络（Transformer）→ 选下一个（Sampling）**。\n- 每一次“猜”，它不是只猜一个，而是给**整个词表里每一个 token 算一个概率**。比如“光”概率 0.7、“霜”概率 0.2、“水”概率 0.05……然后按概率挑一个。所以同一句话问两次，答案可能略有不同——**这不是 bug，是概率采样**（有个叫“温度 temperature”的参数控制随机程度，后面 API 那站会教）。\n- 训练时做什么？给模型海量文本，让它不断“看着前面的字，预测下一个字”，预测错了就**调整那堆参数**，让下次猜得更准。这个过程叫**预训练（Pre-training）**。模型看过的文本越多、参数越多、算力越强，猜得就越准，看起来就越“聪明”。\n\n- ✅ 过关自测：① 用一句话说出大模型的本质。② “温度”高一点，回答会怎样？（提示：更随机\u002F更发散）\n\n**Subsection 3 · 看 5 分钟科普**\n- 浏览器打开 `https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002FBV1uNk1YxEJQ`（黑马 AI 零基础）→ 看第 1~2 集。\n- 没时间就在 B 站搜 `生成式模型 判别式模型 区别`，看 5 分钟。\n- ✅ 预期看到：视频里出现“大语言模型、预训练、生成式”这些词。\n\n**Subsection 4 · 记住两个定义**\n在备忘录里加两行（照抄）：\n> 1. LLM（大语言模型）= 基于 Transformer、在海量文本上预训练、能理解并生成文字的生成式模型。\n> 2. AGI（通用人工智能）= 像人一样能干所有事的目标；大模型是离它最近的一步，但还不是 AGI（会幻觉、不会持续学习）。\n\n**Subsection 5 · 过关自测**\n① 脱口说出“LLM 是什么”（三个关键词：Transformer \u002F 预训练 \u002F 生成式）。② 大模型 = AGI 吗？为什么？③ 大模型生成文字的本质是什么？\n答得出 = Section 2 完成。\n\n---\n\n## Section 3 · 国外主流大模型\n\n> 这一节让你知道“有哪些大玩家”，并且分清“开源”和“闭源”这个影响你未来所有决策的分水岭。**顺带认识“参数量”这个衡量模型大小的尺子。**\n\n**Subsection 1 · 扫一眼模型生态**\n- 打开 `https:\u002F\u002Fhuggingface.co\u002Fmodels` → 滚一滚，看有哪些模型卡片（认得出 GPT、Llama、Mistral、Qwen 就够）→ 截图。\n- 再打开 `https:\u002F\u002Fgithub.com\u002Ftrending` → 看最近热门的项目 → 截图。\n- ✅ 预期看到：很多模型\u002F项目名字，大部分不认识——**这很正常，这一节只建立“生态很大”的直觉**。Hugging Face 是 AI 界的“模型超市”，以后你会经常来。\n\n**Subsection 2 · 参数量（Parameters）是什么**\n- 模型卡片上常写 `7B`、`70B`、`405B`——这就是**参数量**。\n- **参数**，就是之前说的“那堆数字”，是模型在训练时学出来的“经验”。7B = 700 亿个数字。\n- 通俗理解：参数像人的“脑容量 + 阅历”。一般来说**参数越多，模型越“见多识广”**，回答质量越高，但**也更贵、更慢、更难部署**（后面学量化、部署时你会亲身体会）。\n- 同一个系列常有多个尺寸（如 Qwen-0.5B \u002F 1.5B \u002F 7B \u002F 14B \u002F 72B），这就是“从小到大”的版本。选型口诀：**先小后大**——开发调试用小模型省钱，最终效果不行再换大模型。\n- ✅ 过关自测：看到 `7B` 能说出“这是 700 亿参数”。能说出参数多的好处和代价。\n\n**Subsection 3 · 记下六大模型**\n在备忘录写一张表（照抄）：\n```\nGPT      OpenAI    闭源  最知名，API 生态最成熟\nClaude   Anthropic 闭源  擅长长文本\u002F代码\u002F安全\nGemini   Google    闭源  多模态强（文图视频音频）\nLlama    Meta      开源  可自部署\u002F微调，生态最大\nMistral  法国      开源+闭源  小而强，中文稍弱\nGrok     xAI       闭源  主打实时信息\n```\n- 💡 关键区分（必须记）：**闭源 = 只能调 API（方便、数据外发）；开源 = 能下载权重自己部署\u002F微调（私有化）**。做产品先用闭源快速验证，做私有化\u002F微调用开源。\n- 补充：所谓“下载权重”，下载的就是那堆参数（数字）。开源模型 = 厂商把这堆数字公开给你，你可以自己跑、自己改。闭源 = 这堆数字只存在厂商服务器上，你只能隔着网线调用。\n\n**Subsection 4 · 过关自测**\n① 报出 6 个国外模型名字。② 说出“开源和闭源对你的区别”。③ 参数量是什么、多了有什么代价。\n答得出 = Section 3 完成。\n\n---\n\n## Section 4 · 注册平台、拿到 API Key（重点日）\n\n> 本节成果 = 两个账号 + 一串 Key。Key 是你以后所有代码的“钥匙”。**这一节是后面所有代码能跑起来的前提，请务必跟完。**\n\n**Subsection 1 · 先搞懂：API Key 到底是个啥**\n- 想象你家大门的钥匙：只有拿着钥匙的人才能进门。**API Key 就是 AI 服务的“门禁卡”**。\n- 你的程序要调用 DeepSeek 的模型，就得在请求里带上这张卡，AI 才知道“你是谁、扣谁的费、给你什么权限”。\n- 所以：**Key 必须保密，像银行卡密码一样。** 谁拿到你的 Key，就能花你的额度。\n- 💡 常见坑：有人把 Key 直接写在代码里，又随手把代码传到 GitHub，结果 Key 被爬虫抓走，账户被刷爆。**后面会教你把 Key 藏进 `.env` 文件，不提交到 Git。**\n\n**Subsection 2 · API 调用到底发生了什么**\n- 你在网页聊天框打字，和你在代码里调 API，其实是**同一件事**：把你的话发给模型所在的服务器，服务器跑一遍“切词 → 变向量 → 过网络 → 采样”，把生成的字逐段传回来。\n- 区别只在“包装”：网页帮你把请求封装好了；API 则是你自己用代码发请求，能拿到更细的控制（选模型、调温度、看用了多少 token）。\n- 看到 `Usage` \u002F `Tokens` 别慌：**token 是计费单位**。你发进去的字 + 模型吐出来的字，都要按 token 计费。省 token = 省钱，后面会教你用技巧控制。\n- ✅ 过关自测：API 和网页聊天在实现上是不是一回事？计费单位是什么？\n\n**Subsection 3 · 注册 DeepSeek 开放平台**\n- 打开 `https:\u002F\u002Fplatform.deepseek.com\u002F`\n- 点右上角 **“注册”** → 填邮箱 + 设密码（或用手机号，更快）→ 收验证码填进去\n- 登录后进控制台\n- ✅ 预期看到：左侧一排菜单（Overview、API Keys、Usage、Balance）。\n- ❌ 验证码收不到：等 1 分钟点“重新发送”；查垃圾邮件箱；直接用手机号注册最快。\n- ❌ 提示实名认证：按提示操作，一般填身份证信息，几分钟过。这是国内平台合规要求，正常现象。\n\n**Subsection 4 · 创建你的第一个 API Key（重点）**\n- 左侧点 **“API Keys”** → 点 **“创建 API Key”**\n- 名字随便填（如 `mykey`）→ 点确定\n- ⚠️ **弹出一个框，里面是一长串 `sk-` 开头的字符，这就是你的 Key。立刻复制，存进手机备忘录。**\n- ⚠️ **这个 Key 只完整显示这一次！关掉就没了。** 忘了存就：删掉这条 → 重新创建一条新的。\n- ✅ 预期看到：API Keys 列表多了一行（后面显示 `sk-****` 打码是正常的）。\n- 💡 建议：顺便在控制台看一眼“Usage”和“Balance”，确认有免费额度，心里有数。\n\n**Subsection 5 · 注册阿里通义千问平台**\n- 打开 `https:\u002F\u002Fdashscope.aliyun.com\u002F` → 手机号注册阿里云账号（有支付宝直接扫码最快）→ 登录进“模型广场”\n- ✅ 预期看到：一堆模型卡片（Qwen-Turbo、Qwen-Plus 等）。看一眼就行，不用懂。\n- ❌ 提示实名认证：按提示填身份证号，几分钟过。\n- 💡 为什么让你注册两个：DeepSeek 开发好用、便宜；阿里 Qwen 是开源模型，后面学“私有化部署”时它最常用。两边都备好，后面不用临时补。\n\n**Subsection 6 · 收尾自检**\n- [ ] 备忘录里存了那串 `sk-` 开头的 Key\n- [ ] DeepSeek 和阿里两个平台都能登录\n- [ ] 知道“开发用 DeepSeek、自部署用 Qwen”\n\n**提前避坑**：要不要充钱？→ 都不用，两个平台都有免费额度。Key 别发群、别传 GitHub（后面教藏进 `.env`）。\n\n---\n\n## Section 5 · Transformer：大模型的心脏（核心）\n\n> 本节不下任何软件，只把“Transformer”这个让大模型爆发的架构讲明白。**这是全教程最硬核也最值得的一节，听懂它，你就甩开 90% 只会“用”的人。**\n\n**Subsection 1 · 为什么以前的模型不行**\n- 在 Transformer 之前，处理文字主要靠 RNN（循环神经网络）。它的毛病是**“记性差”**：句子一长，前面的内容就忘了。好比复述一段很长的对话，说到最后你忘了开头。\n- 长文本能力差 → 翻译长句、写长文、读长文档都费劲。\n\n**Subsection 2 · 注意力机制 Attention：它到底在“注意”什么**\n- Transformer 的绝活叫**自注意力（Self-Attention）**。直觉理解：\n  - 当模型读到句子里的“它”时，它需要知道“它”指谁。自注意力就是让模型**自己判断这句话里哪些词和当前这个词“关系最密切”**，并给它们加权。\n  - 比如 `小明把苹果给了小红，因为她饿了` —— 读“她”时，模型会重点关注“小红”，而不是“苹果”或“小明”。\n- 核心三步（理解即可，不用背）：\n  1. 每个 token 的向量，通过三个小变换，变成 **Q（Query，查询）、K（Key，键）、V（Value，值）** 三份。\n  2. 用 Q 和所有 K 做“点积相似度”，算出当前 token 对句中每个 token 的“关注度权重”。\n  3. 用这些权重去加权求和所有 V，得到融合了上下文的新向量。\n  - 生活化比喻：Q 像你在心里问“谁和这事有关？”，K 像每个人的“标签”，V 像每个人的“内容”，权重像“我该多看谁几眼”。\n- 关键好处：**每个 token 都能“直接看到”整句话里所有 token**，不存在“记性差”问题——这就是它能处理长文本的根本原因。\n- ✅ 过关自测：① 自注意力解决的是什么老问题？② 用比喻说出 Q\u002FK\u002FV 各是什么。\n\n**Subsection 3 · 为什么叫 Transformer**\n- 论文标题《Attention Is All You Need》（2017，Google）。“Transformer”本意是“转换器”——它把一串 token 的向量，**整串转换**成另一串向量。\n- 它不 RNN 那样按顺序一个个读，而是**整句并行处理** → 快、能上大规模并行 GPU → 这是它能“吃下整个互联网文本”的前提。\n- 💡 记住：**2017 年 Transformer 出现 → 2020 年代模型越练越大 → 2023 年 ChatGPT 爆火。** 你现在用的所有大模型，其实都是这个架构的变体。\n\n**Subsection 4 · 层与多头：把“注意”重复很多次**\n- 一个 Transformer 由很多“层”堆叠而成（常见 12~96 层）。每层都在做“注意力 + 一点数学变换”，层层提炼。\n- 每层里还有**多头注意力（Multi-Head）**：不只有一个“注意机制”，而是多个头并行，各自关注不同侧面（有的看语法、有的看指代、有的看情感）。\n- 比喻：像一组编辑同时审稿——一个查错别字、一个查逻辑、一个查文风，最后汇总。层数越多、头越多，模型越“细致”，但参数和算力也越大。\n- ✅ 过关自测：Transformer 的“层”和“多头”大概是什么意思？能说出“堆叠 + 并行”两个词就算过。\n\n**Subsection 5 · 过关自测**\n① Transformer 解决了什么老问题？② Attention 是什么？③ 为什么它能并行处理（对比 RNN）？\n答得出 = Section 5 完成。**这一站后半段会用到，站 11 还会深挖 Transformer 细节。**\n\n---\n\n## Section 6 · 预训练 + 微调，把大图串起来\n\n> 本节，把前面零散的概念串成一张“大图”，并通过总验收。\n\n**Subsection 1 · 预训练 vs 微调 vs 推理**\n这三个词贯穿所有 AI 工作，必须分清：\n- **预训练（Pre-training）**：拿海量互联网文本，让模型“猜下一个字”，学出通用能力。**成本极高**（几千万美元、几千张显卡跑几个月），只有大厂做。你买不到、也不用做。\n- **微调（Fine-tuning）**：在预训练好的模型上，用**你自己的少量数据**再“补课”，让它擅长你的领域。成本低得多（几百到几千元就能做），是你要学的。\n- **推理（Inference）**：模型训练完，你调用它出结果的过程。**推理不改模型，只是用模型。** 你调 API、跑开源模型，都是在推理。\n- 比喻：预训练 = 读万卷书的“通才”；微调 = 去公司实习“转正”成专业人才；推理 = 请这位专业人才干活。三者成本递减，也对应你日后投入的层级。\n\n**Subsection 2 · 聊 10 个问题**\n打开 DeepSeek 网页版（`https:\u002F\u002Fchat.deepseek.com`），各领域各问 2 个：科技、生活、代码、写作、学习。感受它什么都能答。\n\n**Subsection 3 · 再看一眼生态**\n- `https:\u002F\u002Fhuggingface.co\u002Fmodels` → 按下载量（Downloads）排序 → 记下前 20 个里你认得出的模型名。\n- `https:\u002F\u002Fgithub.com\u002Ftrending` → 挑 1 个 AI 项目 → 点进去读 README 前 3 段（不要求懂，只看“这项目解决什么问题”）。\n\n**Subsection 4 · 理解“乐高积木”思想**\n在备忘录写（照抄，这是全教程最核心的思想）：\n> 大模型是块“预训练”好的万能积木，不用从零训练（成本天价）。\n> 你只需要组合三件事：\n> ① 写 Prompt —— 不动模型，靠指令引导（最轻）\n> ② RAG —— 喂外部资料，让它回答你的私有知识（中等）\n> ③ 微调 —— 改造模型本身（最重）\n- 用一个生活比喻理解：大模型像一个“读过万卷书的实习生”。Prompt 是你告诉他“这次怎么干活”；RAG 是塞给他“公司的内部资料”；微调是让他“真正转正、改变他的工作习惯”。三者由轻到重，成本也由低到高。\n- 补充：Prompt 只改“输入”；RAG 把“资料”拼进输入里一起喂；微调改的是“那堆参数”。所以前两者不碰模型本体，微调才动模型。\n\n**Subsection 5 · 认识大模型的四个“脾气”**\n用过的人都会遇到，提前知道不踩坑：\n- **幻觉（Hallucination）**：它会一本正经地编造不存在的知识。因为它本质是“猜下一个字”，不是查数据库。**对策：重要事实要人工核对 \u002F 用 RAG 喂真实资料。**\n- **上下文窗口（Context Window）**：一次能“记住”的输入长度有限（如 8K \u002F 32K \u002F 128K token）。超过就“忘了前面”。**对策：长文档要分块处理（RAG 那站教）。**\n- **知识截止**：训练数据有截止日期，新发生的事它不知道。**对策：需要实时信息时，接搜索 \u002F RAG。**\n- **不是真的“懂”**：它没有意识、没有立场，只是在做高明的模式匹配。**对策：涉及专业判断（医疗、法律、财务）时，只能当参考，不能当最终结论。**\n\n**Subsection 6 · 写 300 字 Part 1 总结**\n包括：① AI 1.0\u002F2.0 区别 ② 开源 vs 闭源 ③ 你注册了哪些平台 ④ 用一句话说出“大模型本质是猜下一个字” ⑤ 你理解的 Attention 是什么。\n写好后贴到你的学习记录里（网站留言\u002F日志都可以），这是你的第一个“学习产出”。\n\n**Subsection 7 · 总验收勾选**\n- [ ] 能讲清大模型为什么现在爆发（算力\u002F数据\u002F架构）\n- [ ] 能区分生成式 vs 判别式并举例\n- [ ] 能说出 6 个国外 + 5 个国产模型\n- [ ] 已注册 DeepSeek + 阿里 DashScope，有 API Key\n- [ ] 能说出“大模型的本质是预测下一个字”，并复述 Token→向量→网络→采样流程\n- [ ] 能用比喻解释 Attention（Q\u002FK\u002FV）和 Transformer 为什么能并行\n- [ ] 能分清预训练 \u002F 微调 \u002F 推理三者\n- [ ] 能说出大模型的四个“脾气”（幻觉\u002F上下文\u002F知识截止\u002F非真懂）\n- [ ] Part 1 总结写完了\n\n**全勾选 = Part 1 通过**，进入 Part 2 大模型原理。\n\n\n",[13,14,20,26,33,39,45,51,56,62,68,75,81,87,93,99,105,111,117,123,129],{"id":4,"slug":5,"title":6,"description":7,"level":8,"topic":9,"url":10,"content":10,"sortOrder":4},{"id":15,"slug":16,"title":17,"description":18,"level":8,"topic":19,"url":10,"content":10,"sortOrder":15},2,"part-2-llm-principles","Part 2 · 大模型原理 · 入门实操","这一站不卷数学，只把\"理解模型所需的知识\"讲透。；站 2A 解决\"理解模型\"，站 2B 解决\"面试能答\"。；这一层是\"有余力再做\"，不做也不影响你进入站 3。","大模型原理",{"id":21,"slug":22,"title":23,"description":24,"level":8,"topic":19,"url":10,"content":10,"sortOrder":25},100,"part-3-llm-principles-deep","Part 3 · 大模型原理 · 面试深入","数学基础、机器学习、神经网络、词向量、思维链等面试必考原理",3,{"id":27,"slug":28,"title":29,"description":30,"level":31,"topic":19,"url":10,"content":10,"sortOrder":32},101,"part-4-llm-principles-advanced","Part 4 · 大模型原理 · 进阶可选","从零写迷你模型、RLHF、PPO、分布式训练实操等进阶内容","INTERMEDIATE",4,{"id":25,"slug":34,"title":35,"description":36,"level":8,"topic":37,"url":10,"content":10,"sortOrder":38},"part-5-prompt-engineering","Part 5 · Prompt 提示词工程","从这里开始，你每天都要真的调大模型 API。","提示工程",5,{"id":32,"slug":40,"title":41,"description":42,"level":8,"topic":43,"url":10,"content":10,"sortOrder":44},"part-6-llm-api","Part 6 · 大模型 API 调用","站 3 你已经调通了 API。这一站把\"调用\"做成专业水准：","API 工程",6,{"id":38,"slug":46,"title":47,"description":48,"level":31,"topic":49,"url":10,"content":10,"sortOrder":50},"part-7-rag","Part 7 · RAG 检索增强生成","这一站是\"能落地\"的关键：让模型回答**你的私有知识**。","RAG",7,{"id":44,"slug":52,"title":53,"description":54,"level":31,"topic":49,"url":10,"content":10,"sortOrder":55},"part-8-rag-optimization","Part 8 · RAG 优化与评估","站 5 你做出了\"能跑\"的 RAG。这一站把它做到\"能打\"：",8,{"id":50,"slug":57,"title":58,"description":59,"level":31,"topic":60,"url":10,"content":10,"sortOrder":61},"part-9-langchain","Part 9 · LangChain 框架","目标：用 LangChain 把\"模型、提示词、检索、记忆、工具\"串成可复用的链和 Agent。","LangChain",9,{"id":55,"slug":63,"title":64,"description":65,"level":31,"topic":66,"url":10,"content":10,"sortOrder":67},"part-10-agent","Part 10 · Agent 基础","让模型从\"会聊天\"变成\"能干活\"：自己拆任务、调工具、看结果、再行动。","Agent",10,{"id":61,"slug":69,"title":70,"description":71,"level":72,"topic":73,"url":10,"content":10,"sortOrder":74},"part-11-multi-agent","Part 11 · 多 Agent 与 Agent IDE","从\"单个 Agent\"升级到\"多 Agent 协作\"，并掌握 AutoGen \u002F LangGraph \u002F GPTs \u002F Coze \u002F Dify 五个工具。","ADVANCED","多 Agent",11,{"id":67,"slug":76,"title":77,"description":78,"level":72,"topic":79,"url":10,"content":10,"sortOrder":80},"part-12-llamaindex","Part 12 · LlamaIndex","站 5~7 你用了 LangChain 做 RAG。LlamaIndex 是另一条专攻\"数据 + LLM\"的路线。","LlamaIndex",12,{"id":74,"slug":82,"title":83,"description":84,"level":72,"topic":85,"url":10,"content":10,"sortOrder":86},"part-13-transformer","Part 13 · Transformer 深入","站 2A 建立了直觉，这一站把手写代码跑通——从\"懂概念\"到\"写得出\"。","Transformer",13,{"id":80,"slug":88,"title":89,"description":90,"level":72,"topic":91,"url":10,"content":10,"sortOrder":92},"part-14-open-models","Part 14 · 开源模型与私有化部署","目标：把主流开源模型在本地\u002F服务器跑通，理解服务化工程（显存、量化、并发）。","模型部署",14,{"id":86,"slug":94,"title":95,"description":96,"level":72,"topic":97,"url":10,"content":10,"sortOrder":98},"part-15-finetuning","Part 15 · 模型微调 Fine-Tuning","目标：理解\"什么时候必须微调、怎么选基座、怎么备数据\"，并完整跑通一次业务微调。","微调",15,{"id":92,"slug":100,"title":101,"description":102,"level":72,"topic":103,"url":10,"content":10,"sortOrder":104},"part-16-peft-lora","Part 16 · PEFT 参数高效微调","重点吃透 **LoRA**：用极少量可训练参数微调大模型（消费级显卡就能跑）。","PEFT\u002FLoRA",16,{"id":98,"slug":106,"title":107,"description":108,"level":72,"topic":109,"url":10,"content":10,"sortOrder":110},"part-17-quantization","Part 17 · 模型量化","目标：理解\"为什么量化、主流算法各自思路\"，能动手量化并评估效果。","量化",17,{"id":104,"slug":112,"title":113,"description":114,"level":72,"topic":115,"url":10,"content":10,"sortOrder":116},"part-18-data-evaluation","Part 18 · 训练数据与模型评估","数据决定模型上限，评估决定你\"能不能交付\"。","数据与评估",18,{"id":110,"slug":118,"title":119,"description":120,"level":72,"topic":121,"url":10,"content":10,"sortOrder":122},"part-19-multimodal","Part 19 · 多模态应用","让 AI 同时\"看得懂图、听得了音、说得出话\"。","多模态",19,{"id":116,"slug":124,"title":125,"description":126,"level":72,"topic":127,"url":10,"content":10,"sortOrder":128},"part-20-projects-career","Part 20 · 项目实战 + 求职备战","把 0→1 到 1→100 学到的全部收敛成**能展示、能讲、能面试**的项目。","项目与求职",20,{"id":130,"slug":131,"title":132,"description":133,"level":72,"topic":134,"url":10,"content":10,"sortOrder":135},102,"extra-2026-ai-tech","额外篇 · 2026 年 AI 应用开发必学的 5 项成熟技术","从近半年爆发的技术里，挑出已经过了尝鲜期、能真正用在项目里的 5 项：推理模型、MCP、多模态、GraphRAG、AI 编程工具链，每项都给到能跑通的代码。","AI 工程实践",21]