参考资料索引

本索引优先收录论文原文、项目官方文档和公开教材。链接于 2026 年 7 月核验；网页与视频的可用性仍可能变化。推荐顺序是先读本书对应章节，再带着具体问题查原始资料。正文没有复制这些资源的章节，而是将其作为事实核验、覆盖检查和延伸阅读入口。

零基础教材与开源课程

• Datawhale，Happy-LLM：从 NLP 基础、Transformer 到大模型训练与应用的中文开源教程。
• Sebastian Raschka，LLMs from Scratch：用 PyTorch 从零实现 GPT 类模型，适合对照第 1、2、8 章阅读。
• Datawhale，Hello-Agents：Agent 原理、框架、实践与面试扩展材料。
• Datawhale，LLM Universe 与 All-in-RAG：RAG 入门、评估与工程实践参考。
• LLaMA-Factory，官方仓库：多种模型和微调方法的工程实现；先理解第 9、10 章原理，再阅读配置和源码。
• Hugging Face，NLP Course：Tokenizer、Transformer、数据集和训练工具的公开课程。

基础、Transformer 与模型架构

• Vaswani et al.，Attention Is All You Need：Transformer 原始论文。
• Meta AI，The Llama 3 Herd of Models：Llama 3 模型族、训练与评估报告。
• DeepSeek-AI，DeepSeek-V3 Technical Report：MoE、MLA 与训练工程。
• DeepSeek-AI，DeepSeek-R1 与官方代码仓库：推理模型与强化学习训练报告。
• B 站公开课：李沐《动手学深度学习》；3Blue1Brown 神经网络系列检索入口。

RAG、Agent 与应用工程

• Lewis et al.，Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks：经典 RAG 论文。
• Gao et al.，Retrieval-Augmented Generation for Large Language Models: A Survey：RAG 技术谱系综述。
• Anthropic，Building Effective Agents：工作流、Agent 模式与工程取舍。
• Model Context Protocol，Architecture：MCP 架构与角色边界。
• FastAPI，官方文档；vLLM，官方文档；Milvus，官方文档。
• OpenAI，Function calling 与 Structured Outputs：工具契约与结构化输出的官方说明。

预训练、微调与对齐

• Hoffmann et al.，Training Compute-Optimal Large Language Models：Chinchilla 计算最优缩放规律。
• Hu et al.，LoRA: Low-Rank Adaptation of Large Language Models：低秩适配原始论文。
• Hugging Face，PEFT 文档 与 TRL 文档：LoRA、SFT、DPO、GRPO 等实现入口。
• Ouyang et al.，Training language models to follow instructions with human feedback：InstructGPT/RLHF。
• Rafailov et al.，Direct Preference Optimization：DPO 原始论文。
• B 站辅助材料：LoRA 原理与实践检索入口。

多模态、分布式与推理优化

• Radford et al.，Learning Transferable Visual Models From Natural Language Supervision：CLIP。
• Li et al.，BLIP 与 BLIP-2：视觉语言预训练与桥接架构。
• Liu et al.，Visual Instruction Tuning：LLaVA。
• PyTorch，DistributedDataParallel 与 FSDP 官方文档。
• DeepSpeed，ZeRO 官方教程。
• Dao et al.，FlashAttention：IO-aware 精确注意力算法。

面试与岗位准备

• 牛客公开经验：大模型 Agent 面经总结、顺丰大模型算法实习面经、京东大模型算法面经。
• Datawhale，大模型与 Agent 面试问题总结。
• B 站：大模型面试现场：八股与项目深挖。

公开面经只用于观察能力维度和追问方式，不能视为任何公司的固定题库。简历指标、项目故事与技术判断必须来自自己的真实工作或实验记录。