如何用12门课掌握大模型开发llm-cookbook零基础学习指南【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 是面向开发者的 LLM 入门教程收录了吴恩达大模型系列课程的中文版共 12 门课覆盖从 Prompt 工程、ChatGPT API 应用到 LangChain、RAG 与模型微调的全流程。读完本文你能按自己的基础规划学习路线并在一周内做出第一个可演示的 LLM 应用。3 条命令开始克隆仓库并打开第一个 Notebook这个仓库适合有基础 Python 能力、会操作 Jupyter Notebook 的读者。你不需要前端知识也不需要搭复杂的环境克隆下来就能按顺序跑通所有课程。git clone https://gitcode.com/GitHub_Trending/ll/llm-cookbook cd llm-cookbook jupyter notebook这三条命令完成克隆、进入项目并在根目录启动 Jupyter。打开后你会在content/下看到 12 门课程的目录每个课程里是可运行的.ipynb笔记。仓库另外有两块内容值得先知道docs/是必修课程的文字版教程适合通勤时通读README.md 里写明了课程分级和先修要求两分钟能看完。按顺序跑完 4 门必修课走一遍 LLM 开发闭环必修课的设计逻辑是一条递进链路先学会问再学会搭最后学会接数据。建议按编号顺序学后一门都依赖前一门的结论。 第一站是 必修一-Prompt Engineering用 8 个小节讲清提示词的写法如何概括文本、做推断、转换格式、扩写最后一节 8. 聊天机器人 Chatbot.ipynb 会带你调出一个能记住语境的对话界面。学完这一门你手里就有一套能反复复用的提示词模板。 第二站 必修二-Building Systems with the ChatGPT API 把视角从写一句提示词抬到搭一个系统你会理解 token 的计费与长度限制、用思维链提升推理可靠性、分类和审核用户输入最终在 8. 搭建一个带评估的端到端问答系统 Evaluation.ipynb 里拼出一个完整的问答流水线。课程里反复出现的一个概念是多轮对话格式——模型其实不记得上一句是你把历史消息打包发过去的上图展示了 ChatGPT API 的对话格式system、user、assistant 角色交替出现。理解它你就明白了为什么带记忆的聊天要靠代码实现 第三站 必修三-LangChain for LLM Application Development 引入 LangChain 框架把模型、提示词、记忆、输出解析器拆成可组合的模块最后做出基于文档的问答和简单 Agent。第四站 必修四-LangChain Chat with Your Data 更进一步带你把 PDF、网页等私有资料切分、向量化后接进对话系统6. 问答 Question Answering.ipynb 是这一门的高潮。四门课走完你已经具备模型 框架 数据的完整开发能力该挑感兴趣的方向深入了。8 门选修课里挑方向做界面、做检索、做微调选修课覆盖三条主线按你最想解决的问题挑即可不必全学。想先让别人用上你的模型Gradio 课程如果第一目标是快速做出能给别人点的界面从 选修-Building Generative AI Applications with Gradio 开始。这门课用 Python 几行代码就能生成带输入框、按钮和展示区的 Web 应用从图片描述、NLP 任务界面到 6. 与任意 LLM 交流 Chat_with_any_LLM.ipynb 里一个支持系统提示词、温度调节和流式输出的完整聊天机器人这是课程最终章用 Gradio 搭出的聊天界面上方是对话区下方是提示词输入和提交按钮全程没写一行前端代码想让模型基于你的资料回答RAG 三连语义检索、高级检索、RAG 评估三门课构成一条递进路线选修-Large Language Models with Semantic Search 讲关键词与嵌入检索的区别选修-Advanced Retrieval for AI with Chroma 教查询扩展、重排序等提升命中率的手段选修-Building and Evaluating Advanced RAG Applications 则补齐评估指标帮你判断检索到没有和回答对不对是两件事。想让模型学会你的领域微调与评估选修-Finetuning Large Language Models 讲清什么任务值得微调、指令微调怎么做、训练与评估如何迭代选修-Evaluating and Debugging Generative AI 配合 WB 记录训练过程。动手前先看这张图它能帮你在模型规模 × 算力两个维度上判断该微调多大规模的模型图中标注了不同任务下推荐的模型规模与所需算力是决定微调方案前的第一张参考图跑 Notebook 的常见坑与解决办法没有可用的 API Key。整个仓库至少需要一个 LLM API推荐 OpenAI。课程代码按 OpenAI 接口编写用其他供应商时只需替换调用那段代码README 的学习指南里对此有说明。Gradio 课程额外要 Hugging Face 的 Key。该课程通过load_dotenv从项目根目录的.env文件读取HF_API_KEY不配置的话图片描述等示例会直接报错。中英文提示词效果不一致。这不是你的代码问题LLM 对两种语言的处理能力有差异。仓库里为每门课准备了效果相当的中文 Prompt 复现跑的时候对照中英两版看比只看英文原版更有收获。部分选修课装不上依赖。涉及训练和向量库的课程如微调、高级 RAG自带依赖清单先执行pip install -r安装对应目录下的 requirements.txt 再运行笔记能省去大半排错时间。按必修打地基、选修挑方向这条路线走大约一个半月就能从写第一句提示词走到部署自己的 RAG 应用。建议今天就把仓库克隆下来打开必修一的第一课让进度条动起来。【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