2026/6/17大约 3 分钟AI 学习技术书籍LLM
AI 技术书籍与课程
书籍适合建立长期知识框架，官方文档适合追踪工具的最新变化。最有效的学习方式通常是：读一个章节、实现一个最小实验、再用真实问题复盘。
基础与深度学习
《动手学深度学习》
- 在线阅读：Dive into Deep Learning
- 推荐理由：从线性模型到 Transformer，理论与可运行代码结合，中文学习资料完整。
- 适合：从零开始建立深度学习实现能力。
《Deep Learning》
- 在线阅读：Deep Learning Book
- 推荐理由：系统覆盖数学基础、表示学习与深度网络，是长期可查阅的理论参考。
- 适合：希望补足原理与数学基础的读者。
fast.ai
- 官方课程：fast.ai
- 推荐理由：先做出可用模型再回到原理，强调实践、数据与迭代。
- 适合：已有基本 Python 能力、希望快速做项目的学习者。
NLP 与大模型
《Speech and Language Processing》
- 在线阅读：Jurafsky & Martin
- 推荐理由：NLP 的系统教材，持续覆盖现代语言模型和语音/对话主题。
《Natural Language Processing with Transformers》
- 官方资源：Hugging Face Course
- 推荐理由：与 Transformers 生态配套，适合把 Transformer 知识落到具体任务。
《Build a Large Language Model (From Scratch)》
- 官方资源：作者主页
- 推荐理由：通过从零实现理解 tokenizer、注意力、预训练与微调流程。
AI 工程与系统设计
《Designing Machine Learning Systems》
- 作者资源：Chip Huyen
- 推荐理由：从数据、训练、部署、监控到迭代讨论 ML 系统的真实约束。
《AI Engineering》
- 官方入口：AI Engineering
- 推荐理由：聚焦 LLM 应用、评测、检索、Agent 与工程权衡。
推荐阅读顺序
- 入门：D2L + fast.ai，完成一个可复现项目。
- 原理：补线性代数、概率与 Transformer/NLP 基础。
- LLM：结合 Hugging Face Course 和从零实现类材料。
- 工程：学习评测、数据治理、部署、可观测性与安全。
阅读时请留意版本：框架用法变化很快，书中的 API 示例应与当前官方文档交叉核对。
12 周实践学习安排
| 阶段 | 建议投入 | 产出 |
|---|---|---|
| 第 1～3 周 | D2L/fast.ai 基础章节 | 一个可训练、可复现的分类或回归项目 |
| 第 4～6 周 | Transformer 与 NLP | 手写 attention 或完成一个文本任务 |
| 第 7～9 周 | LLM 与 RAG | 文档问答原型与一套评测问题 |
| 第 10～12 周 | AI 工程 | 部署、日志、成本和安全复盘报告 |
每一阶段都应留下代码仓库、实验记录和复盘，而不是只收藏链接。
阅读论文和书籍的笔记模板
- 它要解决的真实问题是什么？
- 核心假设和输入输出是什么？
- 哪个公式、图或实验最关键？
- 在自己的数据或场景里会在哪一步失效？
- 下一步能做的最小实验是什么？
这样读完的资料才会转化为可迁移的判断力。