📑 本页目录（点开跳转）
00 · 怎么用这份导论
⏱ 18 分钟 ｜ 先读这个，能省你后面的纠结
🎯 一句话
这不是教你做某件事的教程，而是帮你看清整个地图、然后决定往哪走的导览。
🤔 为什么需要一份"导论"
大模型领域的真实处境：
· 名词密度极高：RLHF、LoRA、KV Cache、投机解码、MoE、RoPE、vLLM…
· 每个名词背后都是一个能学一个月的方向
· 而且它们【互相依赖】——不知道 KV Cache 就不懂长上下文为什么贵
⚠️ 直接一头扎进任何一个，你会不断撞到"这个我还没学"的墙
这份导论要做的事：
① 先给你一张【所有名词的相对位置图】
→ 之后看到任何新词，你能立刻知道它挂在哪
② 讲清每个方向【真正在解决什么问题】
→ 而不是它用了什么技术
③ 帮你做一个【选择】
→ 因为你不可能全学，也不需要全学 ⭐
🔑 一句关于 ADHD 的实话： 面对一个庞大的领域，最消耗人的不是学习本身，而是"我该从哪开始"这个悬而未决的问题。 这份导论的最大价值就是把那个问题关掉。
🧭 它和你其他教程的关系
这份导论是索引，不是终点。 每一章后面都有一个深挖它的教程：
| 想深挖 | 去这份教程 | 对应本导论 |
|---|---|---|
| Transformer 到底怎么算 | 机器学习与深度学习基础 | 第 2 章 |
| 这些方法为什么能 work | 机器学习的数学原理 | 第 15 章 |
| 对齐那一步的完整流程 | 强化学习基础 | 第 4、12 章 ⭐ |
| 怎么用模型搭出 Agent | 智能体工程教程 | 第 9、13 章 |
| 推理优化的硬件底座 | AI基础设施 | 第 6、7 章 ⭐ |
| RAG 里的向量检索 | 推荐算法 | 第 8 章 |
| 模型上线之后会怎样 | 模型上线之后 | 第 13 章 ⭐ |
| 评测与调优的手艺 | Kaggle竞赛方法论 | 第 11 章 |
| 合规背后的技术手段 | 密码学与信息安全 | 第 14 章 |
| 一手资料原文 | Claude博客资料库 | 全书 |
⚠️ 这张表在变：写这份导论时，第 6、10 章还被标成「没人挖的方向」， 现在 AI基础设施和强化学习基础都补上了。发现某一章你想再深入，先回来看这张表。
定位差异：
| 深挖教程（智能体/推荐/ML基础…） | 本导论 | |
|---|---|---|
| 深度 | 能照着做出来 | 只求「知道有这么回事」 |
| 每章 | 25–35 分钟 | 20–40 分钟（⚠️ 有 4 章更长，见下） |
| 代码 | 大量，要动手 | 极少，看懂即可 |
| 目的 | 学会一件事 | 做出一个选择 |
⚠️ 所以读这份导论时，不要试图"学会"任何东西。 读完你会有很多"我大概知道但说不清楚"的感觉——那是正确的状态。
📏 每章的固定结构
为了让你能快速比较 15 个方向，每章都长一样：
| 区块 | 作用 |
|---|---|
| 🎯 一句话 | 这个方向到底在解决什么 |
| 🧠 核心概念 | 3–5 个必须知道的名词，配图 |
| 🔗 和你已知的关系 | 它和你学过的东西怎么接上 |
| 📦 深挖的话要学什么 | ⭐ 决策依据——列出真正深入需要的知识清单 |
| ⚖️ 要不要深挖 | 我的直接建议 + 适合什么人 |
| ✅ 检查点 / ⚡ 走神救援 | 和其他教程一致 |
🔑 看的时候重点扫「📦 深挖要学什么」和「⚖️ 要不要深挖」两栏——这两个决定你的选择。 中间的「核心概念」看不懂可以跳过，你现在不需要懂，只需要知道它存在。
🗺️ 15 个方向速览
15 个方向分成五层。从下往上是依赖顺序，从上往下是学习顺序。
- 02 Transformer 原理
- 03 Tokenizer 与上下文
- 04 训练三阶段（预训练 → SFT → 对齐）
- 05 微调（LoRA 家族）
- 06 推理优化（量化、vLLM、投机解码）
- 07 本地部署与开源生态
- 08 RAG 深水区
- 09 推理范式（CoT / ReAct / 测试时扩展）
- 10 多模态（视觉 / 语音 / 生成）
- 11 评测体系 12 对齐与 AI 安全
- 13 LLMOps 14 合规与伦理
- 15 数学（只补必需的）
💡 这张图的读法：从下往上是依赖顺序，从上往下是学习顺序。
做应用的人：从【上层】开始，缺什么补什么 ⭐ 大多数人该走这条
想搞懂本质的人：从【底层】开始，02 是第一块砖
⏱️ 四种读法
| 你的情况 | 读法 | 时间 |
|---|---|---|
| 只想快速选方向 | 01（地图）→ 16（决策）→ 挑 2–3 章细看 | ⭐ 约 1.5–2 小时（01+16 就是 40 分钟，那 2–3 章另算） |
| 想建立完整认知 | 01 → 15 顺着读 | ⚠️ 约 13 小时（分 5–6 天）。跳过 02b/02c/02d/06b 四个深挖章约 8.8 小时 |
| 有明确目标了 | 直接跳对应章节看「📦 深挖要学什么」 | 15 分钟 |
| 只想搞懂那几个到处出现的名词 | 01 → 02 → 03 → 15 | 约 110 分钟 |
💡 ADHD 提示：15 个方向一次读完会累。 建议一天读 4 章，读完在第 16 章的打分表里给个分（0–5 分，「我想学这个吗」）， 三天后看总分，答案自然浮出来——比你现在硬想要准得多。
🧩 读之前该有什么基础
✅ 需要：
· 用过 ChatGPT / Claude 这类产品
· 知道"模型""训练""推理"大概是什么意思
🟡 有更好（没有也能读）：
· 神经网络的基本概念 → 缺的话看《机器学习基础》第 7-8 章
· 注意力机制是什么 → 《机器学习基础》第 13-14 章
❌ 不需要：
· 会写 PyTorch
· 懂矩阵求导
· 读过任何论文
💡 卡在数学上时：直接翻第 15 章，那里只有 8 个知识点，够用。
⚠️ 一条重要免责
大模型领域变化极快。这份导论里：
- 原理和方法论（Transformer 怎么工作、LoRA 为什么有效、RAG 的难点在哪）→ 长期有效
- 具体的工具名、模型名、性能数字 → 半年就可能过期，只当量级感
看到具体数字时，记住它表达的是「大概这个量级」而不是「当前准确值」。
💡 一个判断信息是否过期的实用标准： 如果一段话在讲"为什么"，它大概率还有效；如果在讲"用哪个库、哪个模型最强"，去查最新的。
✅ 检查点
- 这份导论和深挖教程的目的分别是什么？
- 读这份导论时，"很多东西大概知道但说不清楚"是问题吗？
- 每章重点该扫哪两栏？
- 那张 15 方向的图，从下往上和从上往下分别代表什么？做应用的人该怎么走？
- ADHD 友好的读法建议是什么？
- 怎么判断导论里的某段信息是否过期？
👀 答案
- 深挖教程的目的是学会一件事（能照着做出来）；本导论的目的是做出一个选择（知道有这么回事就够）。
- 不是问题，那正是正确的状态。导论不要求你"学会"任何东西。
- 「📦 深挖要学什么」和「⚖️ 要不要深挖」——这两栏决定你的选择。中间的核心概念看不懂可以跳。
- 从下往上是依赖顺序，从上往下是学习顺序。做应用的人从上层开始，缺什么补什么（大多数人该走这条）；想搞懂本质的从底层的 02 开始。
- 一天读 4 章，每读完就在第 16 章打分表里给分（0–5 分「我想学这个吗」），三天后看总分——比现在硬想要准得多。
- 讲"为什么"的大概率还有效；讲"用哪个库、哪个模型最强"的去查最新的。
🛑 开始吧
⚡ 走神救援
这不是教你做事的教程，是帮你选方向的导览——它最大的价值是把"我该从哪开始"这个悬而未决的问题关掉。定位：深挖教程求"学会一件事"，本导论求"做出一个选择"；读完有很多"大概知道但说不清"的感觉是正确状态。每章固定结构，重点只扫「📦深挖要学什么」和「⚖️要不要深挖」两栏，核心概念看不懂可跳。15个方向分四层+地基：底层(02原理/03Tokenizer/04训练/05微调)、中层(06推理优化/07部署)、上层(08RAG/09推理范式/10多模态)、外围(11评测/12安全/13LLMOps/14合规)、地基(15数学)→16决策章。图的读法：从下往上是依赖顺序，从上往下是学习顺序——做应用的人从上层开始缺什么补什么。ADHD读法：一天4章，读完就在16章打分表给分，三天后看总分。免责：讲"为什么"的长期有效，讲"哪个库/模型最强"的半年就过期。