这是什么系列
这是一个面向应用落地的大语言模型（LLM）系列，原素材取自开源课程 Applied LLMs Mastery 2024（作者 Aishwarya Naresh Reganti，MIT License），由本站翻译整理为中文。
如果你已经被 LLM 相关的零散概念搞得有点晕——提示工程、微调、RAG、评估、Agent 各说各话，找不到一条从基础到实战的清晰路径——这个系列就是为你准备的。它不追求把数学讲深，而是把”用 LLM 做真实应用”这件事的每个环节串起来，让你既懂原理又知道怎么动手。
四大支柱
整个系列围绕四个关键支柱组织：
- 基础（第 1 周）：LLM 是什么、怎么训练、能做什么、有哪些局限
- 工具与技术（第 2–5 周）：提示工程、微调、RAG、构建应用所需的工具生态
- 部署与评估（第 6–9 周）：如何评估、如何端到端构建应用、高级特性与部署、面临的挑战
- 挑战与前沿（第 9–10 周）：大模型的痛点，以及多模态、Agent、新架构等新兴方向
阅读路线
| 顺序 | 标题 | 主题 |
|---|---|---|
| 1 | LLM 基础与真实世界用例 | AI/ML 历史、LLM 规模与训练、典型用例与四类挑战 |
| 2 | 领域与任务自适应方法 | 领域预训练、领域微调与 RAG 的对比取舍 |
| 3 | 提示工程 | 零样本/少样本、CoT/ToT/GoT、ReAct、自洽性等 |
| 4 | 微调大模型 | 全量微调、PEFT/LoRA、指令微调与 RLHF |
| 5 | 检索增强生成 RAG | 摄取、分块嵌入、向量检索、上下文增强与生成 |
| 6 | 构建 LLM 应用的工具生态 | LangChain/LlamaIndex、向量库、模型托管与原型工具 |
| 7 | LLM 评估技术 | BLEU/ROUGE/困惑度、MMLU/HELM、LLM-as-a-judge |
| 8 | 动手构建你的 LLM 应用 | 端到端搭建一个 LLM 应用的关键步骤 |
| 9 | 高级特性与部署 | 函数调用、Agent、缓存、量化与上线权衡 |
| 10 | 大模型面临的挑战 | 幻觉、对抗攻击、对齐、隐私与缓解策略 |
| 11 | 新兴研究趋势 | 多模态、开源模型、Agent、领域专用模型、MoE/Mamba/RWKV |
| 番外 | LLM 架构基础 | Seq2Seq、自注意力、编码器-解码器、位置编码 |
番外篇（架构基础）数学味稍重，可作为深入研究 LLM 架构时的参考，不影响主线阅读。
怎么读
- 想快速建立全局认知：按顺序读 1→2→5，再跳到 7→9→10，能在一两天内搭起框架。
- 已经在做应用、想补实战：重点看 3（提示）、5（RAG）、6（工具）、8（构建应用）、9（部署）。
- 关心可靠性与安全：直奔 7（评估）和 10（挑战）。
- 追前沿：直接看 11（研究趋势）。
每周内容都包含”5 分钟速览”开头，没时间时只读这部分也能抓住要点；文末的”扩展阅读”和”推荐论文”留给想深挖的读者。
致谢与版权
本系列中文版基于 Applied LLMs Mastery 2024（原作者 Aishwarya Naresh Reganti，GitHub 仓库，MIT License）翻译整理，仅作学习交流用途。原文版权归原作者所有，建议有能力者阅读英文原版。
准备好了的话，从第一篇：LLM 基础与真实世界用例开始吧。