Foundations-of-LLMs
Foundations-of-LLMs 是一本专为大语言模型初学者与进阶者打造的开源教材，旨在系统性地讲解从传统语言模型到前沿大模型技术的核心知识。面对大模型领域技术迭代快、学习资料分散且门槛较高的问题，本书通过结构化的章节安排，帮助读者构建扎实的理论基础并跟踪最新学术进展。
本书内容涵盖语言模型基础、架构演化、Prompt 工程、参数高效微调、模型编辑及检索增强生成等六大核心板块。其独特亮点在于将枯燥的技术概念与生动的动物形象相结合，每章以一种动物为背景进行举例说明，极大提升了内容的易读性与趣味性。此外，作者团队坚持月度更新机制，并为每章配备详细的论文清单（Paper List），确保读者能同步获取该领域的最新研究成果。
Foundations-of-LLMs 非常适合高校学生、科研人员、AI 开发者以及对大模型原理感兴趣的技术爱好者使用。无论是用于课程学习、毕业设计，还是作为研发过程中的参考手册，它都能提供严谨且有深度的指导。目前，全书已开放完整的 PDF 版本及各章节独立文档，未来还将持续补充推理加速、智能体等新兴方向的内容，是进入大模型世界不可多得的入门与进阶指南。
使用场景
某高校计算机系研究生团队正着手开展一项关于“大模型在垂直领域微调”的毕业设计，急需构建扎实的理论框架并复现前沿算法。
没有 Foundations-of-LLMs 时
- 知识碎片化严重：团队成员需在海量的 arXiv 论文和零散博客中摸索，难以系统理解从传统 RNN 到 Transformer 架构的演化逻辑。
- 概念理解门槛高：面对“参数高效微调”或“模型编辑”等复杂技术，缺乏直观的类比和通俗解释，导致学习曲线陡峭，进度缓慢。
- 文献追踪困难：难以快速定位各章节对应的核心经典论文与最新进展，容易遗漏关键参考文献，影响开题报告的质量。
- 实践缺乏指导：在尝试 Prompt 工程或检索增强生成（RAG）时，因缺乏系统的技巧总结，反复试错却不得要领。
使用 Foundations-of-LLMs 后
- 体系化知识构建：依托书中从统计语言模型到 Decoder-only 架构的六章内容，团队迅速建立了完整的大模型知识图谱。
- 生动易懂的学习体验：借助书中独特的“动物背景”案例比喻，成员们轻松掌握了抽象的算法原理，大幅缩短了理论预热时间。
- 精准的论文导航：直接利用每章配套的 Paper List，快速锁定了必读经典与前沿研究，确保了毕设文献综述的深度与时效性。
- 实战能力显著提升：参考 Prompt 工程和微调章节的具体技巧与流程，团队高效完成了实验原型的设计与验证。
Foundations-of-LLMs 通过系统化、趣味化且紧跟前沿的内容，将原本混乱的自学过程转化为高效的科研加速器，帮助研究者快速跨越理论与实践的鸿沟。
运行环境要求
快速开始
✨ 新闻：我们开源了一款多智能体开发框架Agent-Kernel，让大家轻松玩转大规模多智能体系统！一百个智能体在自己的笔记本电脑上就能跑起来哦~ 科研、毕设、大创、SRTP都是让人眼前一亮的创新神器！ Github 地址: https://github.com/ZJU-LLMs/Agent-Kernel 快来看看吧！
大模型基础
本书旨在为对大语言模型感兴趣的读者系统地讲解相关基础知识、介绍前沿技术。作者团队将认真听取开源社区以及广大专家学者的建议，持续进行月度更新，致力打造易读、严谨、有深度的大模型教材。并且，本书还将针对每章内容配备相关的Paper List，以跟踪相关技术的最新进展。
本书第一版包括传统语言模型、大语言模型架构演化、Prompt工程、参数高效微调、模型编辑、检索增强生成等六章内容。为增加本书的易读性，每章分别以一种动物为背景，对具体技术进行举例说明，故此本书以六种动物作为封面。当前版本所含内容均来源于作者团队对相关方向的探索与理解，如有谬误，恳请大家多提issue，多多赐教。后续，作者团队还将继续探索大模型推理加速、大模型智能体等方向。相关内容也将陆续补充到本书的后续版本中，期待封面上的动物越来越多。
当前完整的本书PDF版本路径为大模型基础.pdf。另外，我们还提供了两个文件夹，大语言模型分章节内容文件夹中包含了各章节的PDF版本。而大语言模型相关论文文件夹中包含了各章节的相关论文，当前正处于不断更新中。
其中每个章节的内容目录如下表所示。
本书目录
| 章节 | 所含内容 | ||
|---|---|---|---|
| 第 1 章：语言模型基础 | 1.1 基于统计方法的语言模型 | 1.2 基于 RNN 的语言模型 | 1.3 基于 Transformer 的语言模型 |
| 1.4 语言模型的采样方法 | 1.5 语言模型的评测 | ||
| 第 2 章：大语言模型 | 2.1 大数据 + 大模型 → 新智能 | 2.2 大语言模型架构概览 | 2.3 基于 Encoder-only 架构的大语言模型 |
| 2.4 基于 Encoder-Decoder 架构的大语言模型 | 2.5 基于 Decoder-only 架构的大语言模型 | 2.6 非 Transformer 架构 | |
| 第 3 章：Prompt 工程 | 3.1 Prompt 工程简介 | 3.2 上下文学习 | 3.3 思维链 |
| 3.4 Prompt 技巧 | 3.5 相关应用 | ||
| 第 4 章：参数高效微调 | 4.1 参数高效微调简介 | 4.2 参数附加方法 | 4.3 参数选择方法 |
| 4.4 低秩适配方法 | 4.5 实践与应用 | ||
| 第 5 章：模型编辑 | 5.1 模型编辑简介 | 5.2 模型编辑经典方法 | 5.3 附加参数法：T-Patcher |
| 5.4 定位编辑法：ROME | 5.5 模型编辑应用 | ||
| 第 6 章：检索增强生成 | 6.1 检索增强生成简介 | 6.2 检索增强生成架构 | 6.3 知识检索 |
| 6.4 生成增强 | 6.5 实践与应用 | ||
致谢
本书的不断优化，将仰仗各位读者的帮助与支持。您的建议将成为我们持续向前的动力！
所有提出issue的人，我们都列举在此，以表达我们深深的谢意。
如果有此书相关的其他问题，请随时联系我们，可发送邮件至：xuwenyi@zju.edu.cn。
相似工具推荐
everything-claude-code
everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上
LLMs-from-scratch
LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。 该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。 LLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备
NextChat
NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。 这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。 NextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。
funNLP
funNLP 是一个专为中文自然语言处理（NLP）打造的超级资源库，被誉为"NLP 民工的乐园”。它并非单一的软件工具，而是一个汇集了海量开源项目、数据集、预训练模型和实用代码的综合性平台。 面对中文 NLP 领域资源分散、入门门槛高以及特定场景数据匮乏的痛点，funNLP 提供了“一站式”解决方案。这里不仅涵盖了分词、命名实体识别、情感分析、文本摘要等基础任务的标准工具，还独特地收录了丰富的垂直领域资源，如法律、医疗、金融行业的专用词库与数据集，甚至包含古诗词生成、歌词创作等趣味应用。其核心亮点在于极高的全面性与实用性，从基础的字典词典到前沿的 BERT、GPT-2 模型代码，再到高质量的标注数据和竞赛方案，应有尽有。 无论是刚刚踏入 NLP 领域的学生、需要快速验证想法的算法工程师，还是从事人工智能研究的学者，都能在这里找到急需的“武器弹药”。对于开发者而言，它能大幅减少寻找数据和复现模型的时间；对于研究者，它提供了丰富的基准测试资源和前沿技术参考。funNLP 以开放共享的精神，极大地降低了中文自然语言处理的开发与研究成本，是中文 AI 社区不可或缺的宝藏仓库。
cs-video-courses
cs-video-courses 是一个精心整理的计算机科学视频课程清单，旨在为自学者提供系统化的学习路径。它汇集了全球知名高校（如加州大学伯克利分校、新南威尔士大学等）的完整课程录像，涵盖从编程基础、数据结构与算法，到操作系统、分布式系统、数据库等核心领域，并深入延伸至人工智能、机器学习、量子计算及区块链等前沿方向。 面对网络上零散且质量参差不齐的教学资源，cs-video-courses 解决了学习者难以找到成体系、高难度大学级别课程的痛点。该项目严格筛选内容，仅收录真正的大学层级课程，排除了碎片化的简短教程或商业广告，确保用户能接触到严谨的学术内容。 这份清单特别适合希望夯实计算机基础的开发者、需要补充特定领域知识的研究人员，以及渴望像在校生一样系统学习计算机科学的自学者。其独特的技术亮点在于分类极其详尽，不仅包含传统的软件工程与网络安全，还细分了生成式 AI、大语言模型、计算生物学等新兴学科，并直接链接至官方视频播放列表，让用户能一站式获取高质量的教育资源，免费享受世界顶尖大学的课堂体验。