资源概览：大模型基础
《大模型基础》是一部旨在系统解析大语言模型（LLM）核心技术的专业指南。该资源不仅涵盖了从传统语言模型到 Transformer 架构演进的理论基础，还深入探讨了 Prompt 工程、参数高效微调（PEFT）等六大前沿领域。为了降低学习门槛，书中引入了动物案例来辅助理解复杂概念。
核心知识体系
- 基础架构： 详细解析统计方法、RNN 架构以及主流的 Decoder-only 模型。
- 实战技术： 深度剖析模型编辑、检索增强生成（RAG）及大模型评测方法。
- 优化方案： 提供低秩适配（LoRA）、T-Patcher 等实操方案，并探讨推理加速的预研方向。
- 应用构建： 指导开发者构建智能体（Agent）应用体系。
获取方式与适用环境
该项目在 GitHub 社区开放，提供完整的 PDF 资源下载及配套的章节论文清单。由于内容每月持续更新，建议通过仓库地址追踪最新的技术动态与智能体相关补充内容。
GitHub 地址： https://github.com/ZJU-LLMs/Foundations-of-LLMs
适用场景
本书适用于希望快速构建 LLM 知识体系的开发者、研究人员，以及需要将大模型技术落地到智能体应用场景的技术团队。无论是从零开始学习 Transformer 演进，还是寻求高效微调的实操方案，均可在此找到对应参考。
正文完
