pro-workflow
pro-workflow 是一款专为提升 AI 编程效率设计的开源增强工具,主要服务于使用 Claude Code、Cursor 等智能编码助手的开发者。它核心解决了 AI 在长期协作中“记不住教训”的痛点:以往用户需要反复纠正相同的错误(如测试规范、项目约定),而 pro-workflow 通过内置的 SQLite 数据库持久化存储用户的每一次修正。随着使用次数增加(超过 50 次会话),这些修正会转化为自动加载的规则,让 AI 越用越聪明,最终实现几乎无需重复纠错的流畅体验。
该工具不仅具备自我进化的记忆机制,还拥有多项独特技术亮点。它支持上下文工程、并行工作树和多智能体团队协作,内置了 24 种实战技能和 8 类代理角色。最新版本更引入了"LLM gates"功能,可利用 AI 自动验证提交内容并检测敏感信息,同时提供成本追踪、权限调优及 MCP 审计等高级特性,帮助团队在复杂项目中保持代码质量与控制力。无论是独立开发者还是追求高效工作流的技术团队,pro-workflow 都能将原本碎片化的交互转化为持续积累的智能资产,显著降低重复沟通成本。
使用场景
某全栈开发团队正在使用 Claude Code 重构一个遗留的电商后端系统,需要在数周内完成大量代码迁移并统一测试规范。
没有 pro-workflow 时
- 重复纠正低效:开发者每天需多次向 AI 强调“不要在集成测试中 Mock 数据库”或“遵循特定的错误处理格式”,同样的指令在周一和周五被反复提及。
- 上下文记忆丢失:每次开启新会话或切换分支时,AI 会遗忘之前达成的共识,导致生成的代码风格不一致,需要人工重新解释项目约定。
- 协作成本高昂:团队成员各自为战,A 成员调教好的 AI 习惯无法同步给 B 成员,导致代码审查时发现大量因 AI 理解偏差产生的低级错误。
- 规则难以沉淀:随着项目推进,临时性的修正指令散落在聊天记录中,无法形成可执行的长期规则,导致错误模式不断重演。
使用 pro-workflow 后
- 一次纠正永久生效:当开发者首次指出“禁止 Mock 数据库”后,pro-workflow 自动将其保存为持久化规则;后续所有会话中,AI 自动生成正确的集成测试,无需二次提醒。
- 会话启动即智能:利用 SQLite 存储的自我修正记忆,每次会话开始时 AI 自动加载团队积累的 50+ 条最佳实践,输出代码风格高度统一且符合项目规范。
- 团队智慧复用:通过共享的规则数据库,新加入的成员能立即获得经过团队验证的 AI 行为模式,大幅减少沟通成本和对齐时间。
- 错误率显著下降:随着会话次数增加,AI 对团队偏好的理解呈复利增长,在第 50 次会话时,因误解需求导致的返工率接近于零。
pro-workflow 将原本线性的、易遗忘的人机交互,转化为具有累积效应的智能资产,让 AI 真正成为懂团队默契的资深伙伴。
运行环境要求
- 未说明
不需要 GPU
未说明

快速开始
你的 Claude Code 每次会话都会变得更聪明。
自我修正的记忆会在超过 50 次会话中不断累积。你只需纠正一次 Claude,它就不会再犯同样的错误。
24 项技能 • 8 个代理 • 21 条命令 • 29 个钩子脚本覆盖 24 个事件
可与 Claude Code、Cursor 以及通过 SkillKit 的 32 多个代理 配合使用。
问题
你以相同的方式纠正 Claude 50 次。周一告诉它“不要在测试中模拟数据库”,周五又重复一遍。每次新会话都要解释项目规范。上下文被压缩,学习成果消失,错误反复出现。
每个 Claude Code 用户都会遇到这个瓶颈。
解决方案
Pro Workflow 将每一次纠正都记录在一个支持全文检索的持久化 SQLite 数据库中。这些纠正会逐渐转化为规则,规则会在每次会话开始时自动加载。经过 50 次会话后,Claude 几乎不再需要纠正。
会话 1: 你 → “不要在测试中模拟数据库”
Claude → 提出规则 → 你批准 → 保存到 SQLite
会话 2: SessionStart 钩子加载所有学习内容
Claude → 编写集成测试(不使用模拟)
你 → 完全不需要纠正
会话 50: Claude 已经了解你的规范、风格和偏好
纠正率:接近零
安装(30 秒)
/plugin marketplace add rohitg00/pro-workflow
/plugin install pro-workflow@pro-workflow
其他安装方法
# Cursor
/add-plugin pro-workflow
# 任何代理通过 SkillKit
npx skillkit install pro-workflow
# 手动安装
git clone https://github.com/rohitg00/pro-workflow.git /tmp/pw
cp -r /tmp/pw/templates/split-claude-md/* ./.claude/
# 构建并支持 SQLite
cd ~/.claude/plugins/*/pro-workflow && npm install && npm run build
v3.2 新功能
- LLM 闸门 — 第一个带有
type: "prompt"钩子的插件,用于 AI 驱动的提交验证和机密检测 - 权限调节器 — 分析拒绝模式,生成优化的允许/拒绝规则
- 紧凑保护器 — 通过压缩保护上下文(5 文件恢复限制,5 万预算)
- 成本跟踪器 — 会话成本意识及预算基准
- MCP 审计 — 分析每次请求的 MCP 服务器令牌开销
- 自动设置 — 检测项目类型,自动配置质量门
- 文件监视器 — 基于
CLAUDE_ENV_FILE注入的反应式工作流 - 代理优化 — 在只读代理上启用
omitClaudeMd以节省令牌 - 6 个新钩子事件 — PermissionDenied、Setup、WorktreeCreate、WorktreeRemove、CwdChanged、TaskCreated
Pro Workflow 的对比
| 功能 | Pro Workflow | Superpowers | ECC | gstack | GSD |
|---|---|---|---|---|---|
| 自我修正记忆(SQLite + FTS5) | 是 | 否 | 否 | 否 | 否 |
LLM 驱动的钩子 (type: "prompt") |
是 | 否 | 否 | 否 | 否 |
| 权限拒绝分析 | 是 | 否 | 否 | 否 | 否 |
| 压缩感知的状态保存 | 是 | 否 | 否 | 否 | 否 |
| 成本跟踪与预算提醒 | 是 | 否 | 否 | 否 | 否 |
| MCP 开销审计 | 是 | 否 | 否 | 否 | 否 |
| 跨代理(通过 SkillKit 的 32 多个代理) | 是 | 否 | 部分 | 否 | 否 |
| 技能 | 24 | 14 | 140+ | 18+ | 0 |
| 代理 | 8 | 5 | 36 | 0 | 18 |
| 命令 | 21 | 3 | 60+ | 5+ | 57 |
| 钩子事件 | 24 | 8 | 18 | 0 | 0 |
试试看
/develop add user authentication # 多阶段:研究 > 计划 > 实施 > 评估
/wrap-up # 结束会话,记录学习成果,审核更改
/doctor # 检查你的设置健康状况
/learn-rule # 将一次纠正提取为持久记忆
/commit # 质量门 > 阶段性评审 > 符合规范的提交
/permission-tuner # 分析拒绝情况,生成允许/拒绝规则
/cost-tracker # 检查会话成本和令牌消耗
/mcp-audit # 审计 MCP 服务器的开销
内容简介
24项技能
| 技能 | 功能描述 |
|---|---|
| 自我纠正循环 | Claude 能够自动从您的纠正中学习 |
| 上下文工程 | 编写/选择/压缩/隔离框架,用于令牌管理 |
| 代理团队 | 多实例协调,共享任务列表和消息传递 |
| 批处理编排 | 使用 /batch 模式进行并行工作树代理 |
| 并行工作树 | 通过原生 claude -w 工作树实现零闲置时间 |
| 智能提交 | 质量门控、分阶段评审和规范性提交 |
| 总结仪式 | 带着意图结束会话,记录学习成果 |
| 上下文优化器 | 令牌管理、上下文预算、MCP 审计 |
| 去冗余 | 移除 AI 生成代码中的冗余部分并清理代码风格 |
| 编排 | 将命令、代理和技能串联起来,实现多阶段开发 |
| 会话交接 | 生成交接文档,确保会话连续性 |
| 重现学习 | 展示与当前任务相关的过往学习内容 |
| 洞察 | 会话分析、纠正趋势和生产力指标 |
| 安全模式 | 针对破坏性操作的护栏 |
| 冲刺状态 | 跟踪跨会话的进度 |
| 全面性评分 | 评估实现的完整性 |
| 学习规则 | 将纠正内容保存为持久的学习规则 |
| LLM 门控 | 使用 type: "prompt" 钩子的 AI 驱动质量门控 |
| 权限调优器 | 分析拒绝模式,生成允许/拒绝规则 |
| 紧凑守护 | 通过压缩周期保持状态 |
| 成本跟踪 | 提高会话成本意识,并设定预算基准 |
| MCP 审计 | 审计 MCP 服务器的令牌开销和冗余 |
| 自动设置 | 自动检测项目类型,配置质量门控 |
| 文件监视器 | 对配置和依赖项变化做出响应的工作流 |
8个代理
| 代理 | 目的 |
|---|---|
| 规划者 | 将复杂任务分解(只读,需审批) |
| 评审员 | 代码评审和安全审计(基于检查清单) |
| 侦察员 | 在置信度门控下进行探索(后台运行,隔离于工作树) |
| 编排者 | 多阶段功能开发(研究 > 计划 > 实施 > 评审) |
| 调试器 | 系统性的 bug 调查(基于假设驱动) |
| 上下文工程师 | 上下文窗口分析与优化(轻量级,只读) |
| 权限分析师 | 分析权限拒绝模式,推荐规则优化 |
| 成本分析师 | 分析令牌使用模式,识别高成本操作 |
21条命令
| 命令 | 功能描述 |
|---|---|
/develop |
带有验证门控的多阶段功能构建 |
/commit |
带有质量门控的智能提交 |
/wrap-up |
会话结束检查清单及学习记录 |
/learn-rule |
将纠正内容提取到持久内存 |
/doctor |
设置与配置的健康检查 |
/insights |
会话分析与纠正热力图 |
/replay |
展示过往学习内容以辅助当前任务 |
/handoff |
生成会话交接文档 |
/search |
按关键词搜索学习内容 |
/list |
列出所有存储的学习内容 |
/deslop |
从差异中移除 AI 生成的代码冗余 |
/context-optimizer |
审计并优化上下文窗口使用情况 |
/parallel |
设置 Git 工作树以支持并行会话 |
/learn |
交互式 Claude Code 最佳实践指南 |
/safe-mode |
切换破坏性操作防护栏 |
/sprint-status |
跟踪多会话进度 |
/auto-setup |
自动检测项目类型并配置质量门控 |
/compact-guard |
带有状态保存的保护性压缩 |
/cost-tracker |
跟踪会话成本及优化建议 |
/mcp-audit |
审计 MCP 服务器的令牌开销 |
/permission-tuner |
分析拒绝模式,生成允许/拒绝规则 |
29个钩子脚本(24个事件)
| 钩子事件 | 脚本 | 功能 |
|---|---|---|
| 会话开始 | 1 | 从数据库加载学习内容 |
| 会话结束 | 1 | 将会话统计信息保存到数据库 |
| 用户提示提交 | 2 | 纠正跟踪、漂移检测 |
| 工具使用前(编辑/编写) | 1 | 跟踪编辑次数,提醒质量门控 |
| 工具使用前(Bash) | 3 | 提交前检查、LLM 提交验证、推送前检查 |
| 工具使用前(编写) | 1 | LLM 驱动的秘密检测 |
| 工具使用后(编辑) | 1 | 检查 console.log、TODO 和秘密 |
| 工具使用后(Bash) | 1 | 建议从测试失败中学习 |
| 停止 | 2 | 上下文感知提醒,自动捕获 [LEARN] 块 |
| 压缩前 | 1 | 在压缩前保存上下文状态 |
| 压缩后 | 1 | 重新注入关键上下文摘要 |
| 子代理启动 | 1 | 记录子代理生命周期以便观察 |
| 子代理停止 | 1 | 记录子代理完成情况并捕获结果 |
| 任务完成 | 1 | 完成时的质量门控 |
| 任务创建 | 1 | 验证任务描述以便跟踪 |
| 权限请求 | 1 | 标记危险操作 |
| 权限被拒 | 1 | 跟踪拒绝模式以便优化 |
| 工具使用失败后 | 1 | 跟踪失败,建议从中学习 |
| 同事空闲 | 1 | 检测代理团队中的阻碍因素 |
| 停止失败 | 1 | 记录错误并提供重试建议 |
| 文件变更 | 1 | 监视 package.json、.env 和 CI 配置文件 |
| 配置变更 | 1 | 检测会话中途的设置变化 |
| 通知 | 1 | 记录权限请求 |
| 设置 | 1 | 初始化时自动检测项目类型 |
| 工作树创建 | 1 | 记录工作树创建以便并行跟踪 |
| 工作树移除 | 1 | 清理移除工作树后的跟踪记录 |
| 当前目录变更 | 1 | 检测目录变化时的项目类型 |
10份参考指南
| 指南 | 内容概述 |
|---|---|
settings-guide.md |
所有设置键、权限模式及层级关系 |
cli-cheatsheet.md |
每一个 CLI 标志、键盘快捷键和斜杠命令 |
orchestration-patterns.md |
命令 > 代理 > 技能架构,代理团队 |
context-engineering.md |
编写/选择/压缩/隔离、内存分类及压缩 |
agent-teams.md |
设置、任务分解、团队与子代理 |
context-loading.md |
CLAUDE.md 加载、代理内存及技能发现 |
cross-agent-workflows.md |
Claude Code + Cursor 协同工作,SkillKit 翻译 |
new-features.md |
语音、代理团队、检查点及远程控制 |
daily-habits.md |
会话习惯、调试技巧及反模式 |
core-rules.md |
质量门控、原子提交及上下文纪律 |
工作原理
Pro Workflow 专注于 80/20 法则。每一次纠正都会成为一条规则,而每一条规则都能避免未来的错误。这一循环不断累积放大。
/develop 流程
带有验证关卡的多阶段开发:先调研再规划,先规划再实现,提交前先评审。
架构
数据库
学习内容存储在 SQLite 中,并使用 FTS5 全文搜索:
/search testing # 查找所有与测试相关的学习内容
/search "file paths" # 精确短语搜索
/list # 显示所有已存储的学习内容
核心模式
| 模式 | 作用 |
|---|---|
| 自我修正循环 | Claude 能够自动从你的修正中学习 |
| 并行工作树 | 使用原生 claude -w 工作树实现零闲置时间 |
| 收尾仪式 | 带着明确意图结束会话,记录学习成果 |
| 拆分记忆 | 针对复杂项目采用模块化的 CLAUDE.md |
| 80/20 审查 | 在关键检查点进行批量审查 |
| 上下文工程 | 写入/选择/压缩/隔离以管理 token 数量 |
| 代理团队 | 多实例协作,共享任务列表 |
| 批量编排 | 并行工作树代理用于大规模变更 |
| 多阶段开发 | 调研 > 规划 > 实施 > 审查,各环节设有关卡 |
| 学习日志 | 自动记录洞察 |
| 编排 | 命令 > 代理 > 技能联动,用于复杂功能 |
| LLM 关卡 | 在执行破坏性操作前进行 AI 驱动的验证 |
| 权限调优 | 通过分析拒绝模式来减少提示疲劳 |
跨代理支持
可通过 SkillKit 在 32+ 种 AI 编码代理之间协同工作:
npx skillkit install pro-workflow
npx skillkit translate pro-workflow --agent cursor
npx skillkit translate pro-workflow --agent codex
npx skillkit translate pro-workflow --agent gemini-cli
支持的代理包括:Claude Code、Cursor、Codex CLI、Gemini CLI、Windsurf、OpenCode、Kiro、Amp、Goose、Roo,以及 另外 27 种。
配置
设置
请参阅 settings.example.json,其中包含适用于生产环境的配置,包括权限规则、输出样式、自动压缩和自定义加载动词。
MCP 配置
请参阅 mcp-config.example.json,其中提供了精选的服务器推荐:
- context7 — 实时文档查找
- playwright — 浏览器自动化(最节省 token)
- GitHub — PR、问题和代码搜索
建议:初始设置 3 个 MCP。仅在有具体需求时再添加。
结构
pro-workflow/
├── skills/ # 24 个技能
├── agents/ # 8 个代理
├── commands/ # 21 个斜杠命令
├── hooks/ # 24 个事件,29 个脚本
├── docs/ # 10 份参考指南
├── rules/ # 7 条规则(Cursor + 通用)
├── contexts/ # 3 种上下文模式
├── templates/ # 分割的 CLAUDE.md 和 AGENTS.md
├── scripts/ # 29 个钩子脚本
├── src/ # TypeScript 源代码(SQLite)
└── config.json
社区建议
“我写的代码中,80% 是由 AI 生成的,剩下的 20% 则用来审查和修正。” — Andrej Karpathy
“使用子代理为问题投入更多算力——将任务卸载出去,保持主上下文的简洁。” — Boris Cherny
“如果某件事你每天要做一次以上,就把它做成一个技能或命令。” — Boris Cherny
“在将工作交给他人之前,务必写出详细的需求规格,减少歧义——越具体,结果越好。” — Boris Cherny
“技能描述字段是一个触发器,而非摘要——要为模型而写。” — Thariq Shihipar
哲学理念
- 累积改进 — 小小的修正随着时间推移带来巨大的收益
- 信任但验证 — 让 AI 工作,在关键节点进行审查
- 零闲置时间 — 并行会话保持进度
- 记忆珍贵 — 无论是你的还是 Claude 的
- 编排而非微观管理 — 将模式串联起来,让代理自行执行
相关项目
| 项目 | 描述 |
|---|---|
| everything-claude-code | 140+ 技能,36 个代理——全面的集合 |
| claude-code-best-practice | 精选技巧、对比分析及社区最佳实践 |
| SkillKit | 通用 CLI,用于管理 32+ 种代理的技能 |
| awesome-claude-code-toolkit | 850+ 文件,135 个代理,176 个插件——精选目录 |
星标历史
如果 pro-workflow 节省了您的时间,请给这个仓库加星,让更多人发现它。
文档 •
SkillKit 市场 •
报告问题 •
参考指南
版本历史
v3.2.02026/03/31v3.1.02026/03/29v3.0.02026/03/29v2.0.02026/03/05v1.3.02026/02/20v1.2.02026/02/06v1.1.02026/02/05v0.1.02026/02/02常见问题
相似工具推荐
openclaw
OpenClaw 是一款专为个人打造的本地化 AI 助手,旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚,能够直接接入你日常使用的各类通讯渠道,包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息,OpenClaw 都能即时响应,甚至支持在 macOS、iOS 和 Android 设备上进行语音交互,并提供实时的画布渲染功能供你操控。 这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地,用户无需依赖云端服务即可享受快速、私密的智能辅助,真正实现了“你的数据,你做主”。其独特的技术亮点在于强大的网关架构,将控制平面与核心助手分离,确保跨平台通信的流畅性与扩展性。 OpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者,以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力(支持 macOS、Linux 及 Windows WSL2),即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你
stable-diffusion-webui
stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面,旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点,将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师,还是想要深入探索模型潜力的开发者与研究人员,都能从中获益。其核心亮点在于极高的功能丰富度:不仅支持文生图、图生图、局部重绘(Inpainting)和外绘(Outpainting)等基础模式,还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外,它内置了 GFPGAN 和 CodeFormer 等人脸修复工具,支持多种神经网络放大算法,并允许用户通过插件系统无限扩展能力。即使是显存有限的设备,stable-diffusion-webui 也提供了相应的优化选项,让高质量的 AI 艺术创作变得触手可及。
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
ComfyUI
ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎,专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式,采用直观的节点式流程图界面,让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景,也能自由组合模型、调整参数并实时预览效果,轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性,不仅支持 Windows、macOS 和 Linux 全平台,还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构,并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者,还是追求极致创作自由度的设计师与资深 AI 绘画爱好者,ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能,使其成为当前最灵活、生态最丰富的开源扩散模型工具之一,帮助用户将创意高效转化为现实。
markitdown
MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具,专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片(含 OCR)、音频(含语音转录)、HTML 乃至 YouTube 链接等多种格式的解析,能够精准提取文档中的标题、列表、表格和链接等关键结构信息。 在人工智能应用日益普及的今天,大语言模型(LLM)虽擅长处理文本,却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点,它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式,成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外,它还提供了 MCP(模型上下文协议)服务器,可无缝集成到 Claude Desktop 等 LLM 应用中。 这款工具特别适合开发者、数据科学家及 AI 研究人员使用,尤其是那些需要构建文档检索增强生成(RAG)系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性,但其核心优势在于为机器
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