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-cookbookLLM 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 RAGRetrieval-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加载文档把 PDF、网页、数据库里的资料读进来切分把长文档切成小块chunk方便检索向量化存储用嵌入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。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。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。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创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考