大模型100讲
用 100 篇短文，系统掌握大模型核心知识。
这不是一份零散的技术博客合集，而是一条完整的学习路径——从 Token 和 Embedding 这些最底层的概念，到 Transformer 架构的核心原理，再到 Prompt 工程、RAG 检索增强、Agent 系统设计，最后到部署优化和安全评估。每篇文章围绕一个具体问题展开，讲清楚"是什么、为什么、怎么做"。
适合谁？准备 AI 岗位面试的候选人、想系统入门大模型的开发者、需要用 AI 技术落地产品的工程师。
十大模块
1. 基础篇（10 篇）
Token、Embedding、Attention、Transformer——搞懂这些，才算真正入门大模型。从最底层的概念出发，逐层拆解大模型的核心原理。
2. 训练原理篇（10 篇）
预训练到底在训练什么？Loss 怎么算？梯度怎么传？覆盖预训练目标、自回归语言模型原理、混合精度训练、分布式并行策略等大模型训练的完整链路。
3. 微调与对齐篇（10 篇）
SFT、RLHF、DPO、LoRA——让预训练模型变成能听懂指令的助手。覆盖预训练 vs 微调 vs 指令微调的区别、RLHF 与 DPO 的原理对比、LoRA/QLoRA 高效微调方法。
4. Prompt 工程篇（10 篇）
Prompt 不只是"写提示词"。覆盖 System/User/Assistant 三种角色、Zero-shot/Few-shot/CoT 等提示策略、JSON 结构化输出、Temperature 等参数控制，以及 Prompt 注入攻击的防范。
5. RAG 检索增强篇（10 篇）
让大模型"开卷考试"——通过外部知识库获取准确信息，减少幻觉。覆盖 RAG 完整链路：文档切分、向量数据库、Embedding 模型、相似度检索、Rerank 重排序。
6. Agent 基础篇（10 篇）
从 ReAct 到多 Agent 协作，从 Tool Calling 到记忆系统——理解 Agent 的核心设计。覆盖 Agent 与 ChatBot 的本质区别、核心组成、ReAct 框架、Tool Calling 机制。
7. Agent 工程篇（10 篇）
从框架选型到工程落地——LangChain、LangGraph、CrewAI 怎么选？覆盖主流框架对比、状态机设计、Planner/Executor/Reflection 模式、任务拆解、工具接入。
8. 大模型应用系统篇（10 篇）
前端、后端、大模型服务如何协同？覆盖基本架构设计、接口调用流程、流式输出、多轮对话历史管理、Prompt 模板系统、缓存策略，以及实战系统设计。
9. 部署与推理优化篇（10 篇）
推理为什么慢？KV Cache、量化、vLLM、PagedAttention——让大模型跑得更快更省。覆盖推理瓶颈分析、量化方法、加速引擎、工具选型、硬件需求和成本优化。
10. 评估、安全与面试综合篇（10 篇）
大模型如何评估？幻觉怎么防？安全护栏怎么设计？覆盖评估体系、幻觉问题、安全风险、日志监控，以及 RAG/微调/Agent 组合落地的面试综合题。