大模型入门指南llm-cookbook 带你从零吃透提示词、RAG 到微调的 8 个核心概念【免费下载链接】llm-cookbook面向开发者的 LLM 入门教程吴恩达大模型系列课程中文版项目地址: https://gitcode.com/GitHub_Trending/ll/llm-cookbook如果你也写过这样的需求让大模型当客服机器人结果它答非所问或者想让模型回答公司内部文档的问题它却张口编造——问题往往出在你没搞懂大模型应用开发里的几个基础概念。llm-cookbook 就是把提示词Prompt、令牌Token、嵌入Embedding、RAG、**微调Finetuning**这些必会概念逐一讲透的入门教程用可动手上机的课程串起从零到能搭应用的全过程。 与模型打交道的三件基本功提示词、Token 与迭代优化和 LLM 打交道最先要过的不是代码关而是怎么把话说清楚这一关。可以把它类比成给新入职的同事交代活儿交代得含糊活儿就干得离谱。这一部分对应仓库里的必修一课程 content/必修一-Prompt Engineering For Developers/。写提示词Prompt模型听得懂什么比你说得顺不顺更重要提示词Prompt你写给大模型的文字指令是控制模型输出的唯一遥控器。它要解决的核心问题是同样一个任务提示词写得笼统模型只能猜你的意图写清楚了目标、格式和背景输出质量会立刻拉开差距。在课程里的具体场景给帮我写一份周报加上角色设定、输出格式和示例观察模型回答如何一步步变靠谱——这正是必修一《提示原则 Guidelines》和《文本概括》等 notebook 反复练习的事。读懂令牌Token模型眼里没有字只有一串彩色方块令牌Token模型切分文本的最小单位英文大约每 4 个字符一个中文往往一个字就是一个甚至更多。为什么必须懂它模型的上下文窗口、输出上限、计费单价全都按 Token 计算——同一篇文章塞给不同模型能装多少、花多少钱答案完全不同。学它在哪必修二《语言模型提问范式与 Token》会带你亲手把一句话切成 Token 看效果。迭代优化提示词Iterative Prompting好提示词不是一次写出来的是改出来的迭代优化Iterative Prompting通过试一次 → 看错在哪 → 补充示例、澄清指令 → 再试的循环把提示词打磨到可用。它解决的是新手最大的误区——以为提示词像写代码一样一次成型实际上没有哪套技巧能保证一次命中。课程场景必修一的《迭代优化 Iterative》notebook 就是让你跟着这个闭环走几轮体会提示词是怎么改出来的。 让模型读懂你的资料嵌入、向量数据库与 RAG 是什么模型答错自己不该答错的问题时多半是因为它压根没读过你的资料。这一部分可以类比开卷考试先学会怎么翻到相关页码嵌入 向量数据库再学会照着资料作答RAG。对应必修四与两门选修检索课程。嵌入Embedding给每段文字算一个坐标让意思相近变得可计算嵌入Embedding把文本转换成一串数字向量使语义相近的文本在数值空间里距离更近。它解决的问题关键词搜索只能匹配字面相同而大模型和神经网络字面不同、意思相关没有嵌入这种坐标表示程序就无从判断两者的关联。课程场景选修《Large Language Models with Semantic Search》的《嵌入 Embeddings》与《稠密搜索 Dense_Retrieval》两节会带你观察不同句子在向量空间里的位置关系。向量数据库按意思而不是关键词找资料的仓库向量数据库专门存储嵌入向量并支持按向量相似度快速检索的数据库。为什么需要它把几百上千个文档块都变成向量之后你需要一个能在毫秒内找出和问题最像的几块的系统而不是把整个库挨个比对一遍。实战在哪必修四《向量数据库与词向量》用本地Chroma库把文档写入、再按问题检索全程不需要任何云服务。检索增强生成RAG先查资料再回答把闭卷瞎猜变成开卷作答检索增强生成RAG, Retrieval-Augmented Generation先用检索器从文档库里找出与问题相关的内容再把这些内容连同问题一起交给大模型生成答案。它解决的是模型知识过时和幻觉一本正经地编造问题——答案的出处在你的资料里模型只做归纳。课程场景必修四《问答 Question Answering》搭出最小可用 RAG 链路进阶的《选修-Building and Evaluating Advanced RAG Applications》还会教你用查询扩展、重排序等手段把检索质量再提一档。 把模型调教成自己想要的样子微调与模型链提示词和 RAG 都是不改模型的路线。当你发现某类任务反复失败、且靠提示词已经榨不出空间时才轮到下面这两招出场对应选修《Finetuning Large Language Models》与必修三。微调Finetuning与 LoRA不动老本行只给模型加一项新技能微调Finetuning在预训练好的大模型基础上用你自己的任务数据继续训练让它更贴合特定场景。LoRA是课程重点介绍的高效微调方式冻结原模型的主权重只训练一小撮新增参数——可训练参数量能降到全量微调的万分之一左右显存占用降到约 1/3一张消费级显卡就能跑起来。可以把预训练模型想成一位经验丰富的老司机微调不是重考驾照而是给他加训一个雪地驾驶专项科目。学它在哪选修微调课程的《为什么微调》《指令微调》《训练过程》会带你理解指令微调的数据长什么样指令 期望回答成对出现并动手完成一次 LoRA 训练。模型链Chains把一件大事拆成流水线上的几道工序模型链Chains把一次 LLM 调用拆成多个有序步骤前一步的输出作为后一步的输入串成一条流水线。它解决的问题单个提示词很难同时干完压缩历史对话 → 检索文档 → 汇总答案这么复杂的事拆开后每道工序各司其职整体更可控、可调试。课程场景必修三《模型链 Chains》以及下面这张流程图展示的正是 LangChain 里模块化组件如何拼接——聊天历史、检索器、LLM 各就各位需要时随时加一块。开始学习推荐顺序先通四门必修必修一提示工程 → 必修二 ChatGPT API 与评估 → 必修三 LangChain 应用开发 → 必修四 RAG 链路建立完整骨架再按兴趣选修——想深耕检索看 Chroma 高级检索与语义搜索两门想训模型看微调课程想做产品评估看 WB 那门。仓库入口git clone https://gitcode.com/GitHub_Trending/ll/llm-cookbook。延伸阅读课程目录、在线文档站、微调课程。【免费下载链接】llm-cookbook面向开发者的 LLM 入门教程吴恩达大模型系列课程中文版项目地址: https://gitcode.com/GitHub_Trending/ll/llm-cookbook创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
大模型入门指南：llm-cookbook 带你从零吃透提示词、RAG 到微调的 8 个核心概念
大模型入门指南llm-cookbook 带你从零吃透提示词、RAG 到微调的 8 个核心概念【免费下载链接】llm-cookbook面向开发者的 LLM 入门教程吴恩达大模型系列课程中文版项目地址: https://gitcode.com/GitHub_Trending/ll/llm-cookbook如果你也写过这样的需求让大模型当客服机器人结果它答非所问或者想让模型回答公司内部文档的问题它却张口编造——问题往往出在你没搞懂大模型应用开发里的几个基础概念。llm-cookbook 就是把提示词Prompt、令牌Token、嵌入Embedding、RAG、**微调Finetuning**这些必会概念逐一讲透的入门教程用可动手上机的课程串起从零到能搭应用的全过程。 与模型打交道的三件基本功提示词、Token 与迭代优化和 LLM 打交道最先要过的不是代码关而是怎么把话说清楚这一关。可以把它类比成给新入职的同事交代活儿交代得含糊活儿就干得离谱。这一部分对应仓库里的必修一课程 content/必修一-Prompt Engineering For Developers/。写提示词Prompt模型听得懂什么比你说得顺不顺更重要提示词Prompt你写给大模型的文字指令是控制模型输出的唯一遥控器。它要解决的核心问题是同样一个任务提示词写得笼统模型只能猜你的意图写清楚了目标、格式和背景输出质量会立刻拉开差距。在课程里的具体场景给帮我写一份周报加上角色设定、输出格式和示例观察模型回答如何一步步变靠谱——这正是必修一《提示原则 Guidelines》和《文本概括》等 notebook 反复练习的事。读懂令牌Token模型眼里没有字只有一串彩色方块令牌Token模型切分文本的最小单位英文大约每 4 个字符一个中文往往一个字就是一个甚至更多。为什么必须懂它模型的上下文窗口、输出上限、计费单价全都按 Token 计算——同一篇文章塞给不同模型能装多少、花多少钱答案完全不同。学它在哪必修二《语言模型提问范式与 Token》会带你亲手把一句话切成 Token 看效果。迭代优化提示词Iterative Prompting好提示词不是一次写出来的是改出来的迭代优化Iterative Prompting通过试一次 → 看错在哪 → 补充示例、澄清指令 → 再试的循环把提示词打磨到可用。它解决的是新手最大的误区——以为提示词像写代码一样一次成型实际上没有哪套技巧能保证一次命中。课程场景必修一的《迭代优化 Iterative》notebook 就是让你跟着这个闭环走几轮体会提示词是怎么改出来的。 让模型读懂你的资料嵌入、向量数据库与 RAG 是什么模型答错自己不该答错的问题时多半是因为它压根没读过你的资料。这一部分可以类比开卷考试先学会怎么翻到相关页码嵌入 向量数据库再学会照着资料作答RAG。对应必修四与两门选修检索课程。嵌入Embedding给每段文字算一个坐标让意思相近变得可计算嵌入Embedding把文本转换成一串数字向量使语义相近的文本在数值空间里距离更近。它解决的问题关键词搜索只能匹配字面相同而大模型和神经网络字面不同、意思相关没有嵌入这种坐标表示程序就无从判断两者的关联。课程场景选修《Large Language Models with Semantic Search》的《嵌入 Embeddings》与《稠密搜索 Dense_Retrieval》两节会带你观察不同句子在向量空间里的位置关系。向量数据库按意思而不是关键词找资料的仓库向量数据库专门存储嵌入向量并支持按向量相似度快速检索的数据库。为什么需要它把几百上千个文档块都变成向量之后你需要一个能在毫秒内找出和问题最像的几块的系统而不是把整个库挨个比对一遍。实战在哪必修四《向量数据库与词向量》用本地Chroma库把文档写入、再按问题检索全程不需要任何云服务。检索增强生成RAG先查资料再回答把闭卷瞎猜变成开卷作答检索增强生成RAG, Retrieval-Augmented Generation先用检索器从文档库里找出与问题相关的内容再把这些内容连同问题一起交给大模型生成答案。它解决的是模型知识过时和幻觉一本正经地编造问题——答案的出处在你的资料里模型只做归纳。课程场景必修四《问答 Question Answering》搭出最小可用 RAG 链路进阶的《选修-Building and Evaluating Advanced RAG Applications》还会教你用查询扩展、重排序等手段把检索质量再提一档。 把模型调教成自己想要的样子微调与模型链提示词和 RAG 都是不改模型的路线。当你发现某类任务反复失败、且靠提示词已经榨不出空间时才轮到下面这两招出场对应选修《Finetuning Large Language Models》与必修三。微调Finetuning与 LoRA不动老本行只给模型加一项新技能微调Finetuning在预训练好的大模型基础上用你自己的任务数据继续训练让它更贴合特定场景。LoRA是课程重点介绍的高效微调方式冻结原模型的主权重只训练一小撮新增参数——可训练参数量能降到全量微调的万分之一左右显存占用降到约 1/3一张消费级显卡就能跑起来。可以把预训练模型想成一位经验丰富的老司机微调不是重考驾照而是给他加训一个雪地驾驶专项科目。学它在哪选修微调课程的《为什么微调》《指令微调》《训练过程》会带你理解指令微调的数据长什么样指令 期望回答成对出现并动手完成一次 LoRA 训练。模型链Chains把一件大事拆成流水线上的几道工序模型链Chains把一次 LLM 调用拆成多个有序步骤前一步的输出作为后一步的输入串成一条流水线。它解决的问题单个提示词很难同时干完压缩历史对话 → 检索文档 → 汇总答案这么复杂的事拆开后每道工序各司其职整体更可控、可调试。课程场景必修三《模型链 Chains》以及下面这张流程图展示的正是 LangChain 里模块化组件如何拼接——聊天历史、检索器、LLM 各就各位需要时随时加一块。开始学习推荐顺序先通四门必修必修一提示工程 → 必修二 ChatGPT API 与评估 → 必修三 LangChain 应用开发 → 必修四 RAG 链路建立完整骨架再按兴趣选修——想深耕检索看 Chroma 高级检索与语义搜索两门想训模型看微调课程想做产品评估看 WB 那门。仓库入口git clone https://gitcode.com/GitHub_Trending/ll/llm-cookbook。延伸阅读课程目录、在线文档站、微调课程。【免费下载链接】llm-cookbook面向开发者的 LLM 入门教程吴恩达大模型系列课程中文版项目地址: https://gitcode.com/GitHub_Trending/ll/llm-cookbook创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
