> For the complete documentation index, see [llms.txt](https://inwt233.gitbook.io/ai-learning/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://inwt233.gitbook.io/ai-learning/readme.md).

# 开始

从文本与 Tokenizer 出发，用 112 天建立 NLP、Transformer、LLM、RAG 与 Agent 的完整技术主线。

这里不追求快速浏览更多名词，而是每天真正弄懂一个技术细节：**能解释机制、能检查代码、能用实验验证，也能回答工程追问。**

{% content-ref url="/pages/z5Gq29FHDIhPlQROivJ8" %}
[112 天学习路线](/ai-learning/xue-xi-ji-hua/roadmap.md)
{% endcontent-ref %}

## 学习路径

整个课程按“基础概念 → 数学与实现 → 现代 LLM → 检索与 RAG → Agent 与可靠性”推进：

1. **第 1–4 周 · NLP 基础**

   文本、Tokenizer、统计语言模型、词向量、RNN 与 Seq2Seq。

   [从第 1 周开始](/ai-learning/di-yi-bu-fen-nlp-ji-chu/week-01.md) · [查看第 2–4 周](/ai-learning/hou-xu-bu-fen/di-24-zhou-jing-dian-nlp-yu-xu-lie-mo-xing.md)
2. **第 5–7 周 · Transformer**

   Attention 数学、Transformer Block、位置编码与预训练模型家族。

   [进入 Transformer 阶段](/ai-learning/hou-xu-bu-fen/di-57-zhou-transformer.md)
3. **第 8–11 周 · LLM**

   文本生成、SFT、LoRA、对齐、推理模型与服务系统。

   [进入 LLM 阶段](/ai-learning/hou-xu-bu-fen/di-811-zhou-llm.md)
4. **第 12–14 周 · 检索与 RAG**

   BM25、向量检索、Reranker、RAG 工程链路与评价诊断。

   [进入 RAG 阶段](/ai-learning/hou-xu-bu-fen/di-1214-zhou-rag.md)
5. **第 15–16 周 · Agent**

   工具调用、MCP、状态管理、可靠性、安全与综合评价。

   [进入 Agent 阶段](/ai-learning/hou-xu-bu-fen/di-1516-zhou-agent.md)

## 两条项目主线

### Mini LLM Lab

```
Tokenizer → Attention → Transformer Block
→ SFT / LoRA → 推理性能测量
```

重点记录张量形状、参数量、显存、损失曲线和消融实验，把分散的模型知识组装成一条可运行、可解释的链路。

### 可靠 RAG Agent

```
BM25 / 向量检索 → Reranker → RAG 评价
→ Tool Calling / MCP → Trace、安全与成本
```

重点记录设计选择、失败案例、评价指标和改进证据，最终形成一个可追踪、可诊断的可靠 Agent。

{% hint style="info" %}
两个项目不会等到最后才开始。每周实验都会积累一个可复用产物；完整里程碑见[《112 天学习路线》](/ai-learning/xue-xi-ji-hua/roadmap.md)。
{% endhint %}

## 每天怎样学习

1. **理解一个机制：**先明确概念、输入输出和完整数据流。
2. **运行或检查代码：**不只阅读示例，还要核对张量形状、边界条件和真实输出。
3. **完成面试训练：**用 30 秒回答、递进追问和手写题检验是否真的理解。
4. **记录证据：**保存实验配置、结果、失败案例与修正过程，而不是只写结论。
5. **完成每周实验：**把当天知识接入项目主线，形成能够复现的阶段产物。

## 内容标签

* **`基础`**：后续内容所需的核心前置知识。
* **`面试`**：常见原理、手写、计算或工程追问。
* **`现代`**：当前主流模型、训练与系统中的关键技术。
* **`项目`**：会沉淀到 Mini LLM Lab 或可靠 RAG Agent 的实践内容。


---

# Agent Instructions
This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com.

## Querying This Documentation
If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter, and the optional `goal` query parameter:

```
GET https://inwt233.gitbook.io/ai-learning/readme.md?ask=<question>&goal=<endgoal>
```

`ask` is the immediate question: it should be specific, self-contained, and written in natural language.
`goal` is optional and describes the broader end goal you are ultimately trying to accomplish on behalf of the user. GitBook uses it to tailor the answer towards what is most useful for that goal.

The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.