一套可以真正从第 0 页开始的学习系统
把大模型学成
可验证的工程能力
从 Python、张量与神经网络出发，逐层走进 Transformer、RAG、Agent、训练、对齐和推理优化。每个概念都要能说清、算清、写出代码，并用实验验证。
14章系统正文
29幅自绘图解
19份 Python 代码
4份实用附录
这不是名词手册，而是一条完整学习链¶
01建立直觉
先用生活化语言回答“它解决什么问题”。
02写清形状
沿着输入、状态变化和输出追踪每个张量。
03读懂公式
把符号翻译成逐步可执行的计算过程。
04手写实现
用 Python 和 PyTorch 写出最小可运行版本。
05实验验证
保存预期、证据、失败记录和复现条件。
选择你的起点¶
完全零基础
按顺序建立地基
从环境、Python、线性代数和神经网络开始，不预设你已经懂任何术语。
前言 → 第 1 章 → 第 2 章 应用开发构建 RAG 与 Agent
先补必要原理，再进入服务化、检索增强、评估闭环与受控工具调用。
第 4 章 → 第 5–7 章 训练与系统理解模型怎样被训练
贯通预训练、微调、偏好对齐、分布式训练与推理优化之间的因果关系。
第 8–10 章 → 第 12–13 章 求职准备把知识变成面试证据
用项目深挖、手写代码、系统设计和 Bad Case 复盘验证真正的掌握程度。
第 14 章 → 回补薄弱章节全书路线图¶
基础与模型原理
Python、数学、神经网络、Transformer、MoE、Llama 与 DeepSeek。
进入第 1–3 章 →应用系统
部署与压测、基础 RAG、工业级 RAG、Agent 与安全边界。
进入第 4–7 章 →训练与对齐
预训练、SFT、LoRA/QLoRA、奖励模型、DPO、PPO 与 GRPO。
进入第 8–10 章 →规模化工程与求职
多模态、分布式训练、推理优化，以及从简历到面试复盘。
进入第 11–14 章 →怎样判断自己真的学会了？
不要用“看懂了”作为标准。你应该能在不看答案的情况下画出数据流、写出关键张量形状、解释公式中的每个符号、完成最小代码，并设计一个能够推翻自己错误理解的实验。
不用等“准备好”再开始。