企业官网建设流程全解析

LLM Cookbook 大模型入门终极指南：从 Prompt 到 RAG 与微调的完整学习路径

【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

LLM Cookbook 是一个面向开发者的 LLM 教程，把吴恩达大模型系列课程翻译成中文并配可运行代码，系统覆盖从 Prompt Engineering 到 RAG 开发、大模型微调的完整流程，帮你零基础入门大模型应用开发，少走弯路。

LLM Cookbook 适合谁？零基础从哪一步开始

一句话：它不是"讲概念的词典"，而是一条能照着走、边学边敲代码的大模型入门路线。它适合三类人——零基础刚入门的开发者、想切大模型应用方向的工程师、在校学生。

整个项目的组织逻辑是"先必修、后选修"：4 门必修课把入门必须会的底座搭好，8 门选修课再让你在 RAG、微调、评估等方向深挖。你不需要一次看完，先按顺序走必修，就能具备独立调用大模型 API、搭出一个问答应用的能力。下面我按"能力递进"的顺序，带你看看这条路每一站到底在学什么。

学会指挥模型：Prompt Engineering 中文教程的核心思路

先给结论：用好大模型，第一步不是换模型，而是学会"说话"。这里的"说话"就是提示词工程（Prompt Engineering，给模型写指令、引导它产出你想要的东西）。

吴恩达课程把指令微调过的大语言模型（LLM，能理解和生成人类语言的大模型）比作"很聪明但不了解你任务细节的新同事"。你把需求说清楚，它就干得好；说得含糊，它就自由发挥。课程给了两条黄金原则：指令要清晰具体、给模型留足"思考时间"。

举个贴近开发的例子：你让它"写点关于阿兰·图灵的内容"，输出容易跑偏；改成"写 200 字、聚焦他的科学贡献、用科普口吻"，结果立刻可用。课程还会教你一个"迭代式开发循环"：先试一版提示 → 看结果哪里不对 → 分析错误 → 补充示例再改，几轮下来提示质量就上去了。这套循环和你写代码时"改-跑-改"的节奏完全一样。

这一站对应 必修一-Prompt Engineering，学完你就能稳定完成总结、推断、文本转换、文本扩展这几类最常见的大模型任务。

让模型读懂你的资料：最快上手 RAG 的步骤

先给结论：想让模型回答"你的私有资料"，靠的不是训练它，而是 RAG（Retrieval-Augmented Generation，检索增强生成）——本质就是一场开卷考试。你不用把公司文档"灌"进模型，而是在提问时先去资料库里捞出相关片段，把这些片段当"考题附带的参考资料"喂给模型，让它照着答。

RAG 开发教程把这件事拆成五步，正好对应下图：

1. 加载文档：把 PDF、网页、数据库里的资料读进来；
2. 切分：把长文档切成小块（chunk），方便检索；
3. 向量化存储：用嵌入（Embedding，把文字转成一串能比较语义远近的数字坐标）把每块资料编码，存进向量数据库（专门用来存和查这些坐标的数据库）；
4. 检索：用户提问时，把问题也编码，去库里找出坐标最接近（语义最相关）的几块资料；
5. 生成：把捞到的资料拼进提示词，交给 LLM 产出答案。

一个真实场景：你手上有几百页产品手册，想让客服机器人能回答"这个功能怎么退货"。没有 RAG 时模型只能瞎猜（这叫"幻觉"）；有了 RAG，它先去手册里检索到退货条款那一段，再照着生成回答，准确、可追溯。这一站看 必修四-LangChain Chat with Your Data，文字精读版在 docs/C4/，想再进阶可以看 选修-大模型与语义检索。

让模型变聪明：大模型微调入门与 Token 成本控制

先给结论：微调（Finetuning，用特定数据在现成模型上再训练一轮）是让模型"改性格、学专业"，但绝大多数场景用 RAG 就够，别一上来就训练。两者常被搞混：RAG 是给模型"外挂知识"，微调是把知识和风格"写进模型参数里"。

什么时候才真需要微调？当你反复发现：提示词怎么写，模型都学不会某种固定格式或语气（比如始终按特定 JSON 结构输出、始终用客服口吻）。这时用你自己的"指令-理想回答"样本对，在开源模型上再训几轮，它就稳定了。

微调入门还要先理解一个成本单位——Token（令牌，模型读写文本的基本计量和计费单位）。模型不是按"字"而是按 Token 收费和限额，英文里约 4 个字符 ≈ 1 个 Token。这意味着：提示词太长、资料喂太多、答案太啰嗦，都会直接推高成本、甚至超出上下文窗口。所以"会省钱地写提示"和"会写提示"一样重要，这也是微调能帮你省成本的原因——微调后的模型常常能用更短的指令干同样的活。

这一站在 选修-Finetuning Large Language Models，重点不是让你从零训一个模型，而是教你用参数高效微调（PEFT，只训练一小部分参数、省显存省钱的微调方式）在自己的数据上，把现成模型调教成"你的专属模型"。

打出组合拳：用模型链把多步操作串成应用

先给结论：真实产品从不是"一问一答"，而是把多步操作串成一条流水线——这叫模型链（Chains）。单个 LLM 调用能力有限，但把"检索→压缩→生成→校验"几个步骤接起来，就成了能干活的系统。

举两个例子。一个是链式提示（Prompt Chaining）：先让模型把一段乱糟糟的会议纪要转成结构化要点，再基于要点生成一份正式周报——后一步的输入是前一步的输出，像流水线接力。另一个是处理超长文档：文档太长一次塞不下，就先对每一段分别总结（Map），再把所有小结汇总成一份总答（Reduce），就是下图里的 Map_reduce。


这一站看 必修三-LangChain 学最基础的模型链，想再往上走、让模型自己调用工具做决策（Agent，能自主规划多步行动的模型系统），看 选修-Functions, Tools and Agents with LangChain。

完整学习路线：从入门到能独立搭 RAG 应用

先给结论：别贪多，按"必修四门 + 一门选修"的节奏走，三到四周就能入门。下面是我建议的路径，每一步都对应仓库里现成的课：

1. 第 1 周｜学会指挥模型：必修一-Prompt Engineering，能稳定写出可复用的提示词。
2. 第 2 周｜理解系统搭建：必修二-Building Systems with the ChatGPT API，搞懂 Token、对话格式和评估。
3. 第 3 周｜框架与私有数据：必修三-LangChain + 必修四-Chat with Your Data，能独立搭出一个 RAG 问答应用。
4. 第 4 周起｜按兴趣选修：想深挖检索选 Advanced Retrieval for AI with Chroma，想做微调选 Finetuning Large Language Models，想做评估选 Evaluating and Debugging Generative AI。

什么叫"入门"？我的标准是三条：能不靠搜索引擎、仅凭 RAG 让模型回答自己的私有资料；能估算一次调用的 Token 成本和上下文余量；能解释自己应用里 Prompt、RAG、微调各自在解决什么问题。达到这三条，你就是合格的大模型应用开发者了。

准备好就 clone 仓库，按上面的顺序动手吧：

git clone https://gitcode.com/GitHub_Trending/ll/llm-cookbook

【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