怎样学习一套复杂的AI系统

阅读指南约 1.6 千字建议先读

这本书面向希望系统理解 LLM 及其工程应用的开发者。从普通编程知识开始，逐步掌握模型的数值计算、Agent 的执行协议、上下文与记忆机制，再进入生产系统的设计、评测和故障排查。

本页目录

按依赖关系排列的学习路径

学习路径按照「对象 → 表示 → 计算 → 状态变化 → 可观察结果 → 工程验证」组织。第一次接触张量时先看两行三列的数字表，理解它代表什么，再用同一种计数方法读取实际模型的形状。第一次接触 Agent 时先看一个最小工具调用，再研究流式事件、权限、故障恢复以及复杂的多 Agent 协作。

先学会读形状和数值，再看任何一份实现代码，才能判断它在算什么、在哪一步会出错。反过来先背 API，换一个版本或一个框架就失效。

基础篇四十节建立对象与计算；系统篇二十八章把同一机制追问到实现细节与工程取舍。下表给出每一编的入口条件和完成标志。

先复述输入是什么、输出是什么，以及中间执行了什么操作；再自己重算教学实例中的数字。随后阅读与该机制相关的错误案例或限制条件。完成本节的自检题以后，再进入下一节。

不会解释某个符号时，使用其内联术语说明或术语索引，不必跳到不相关的章节。想把数字改一下看结果，用浏览器实验；想看分步图形，用动态图解。

论文与公开源代码用于解释可验证的原理和公开实现。模型参数、用户任务、Agent 执行轨迹若是专门用于教学的构造示例，将在正文标注。代码运行结果只证明对应实验的性质，不能直接推导真实商业模型的成功率。

完整的来源清单与适用范围见参考资料；每一条数值与运行记录的核验边界见代码、数值与验证边界。

以「KV Cache 为什么可以复用」为例：基础答案需要知道 K/V 是什么、缓存保存什么；进阶答案需要能够写出每层缓存的形状、解释因果掩码为何使旧表示不受未来 Token 影响、处理位置与批次变化、指出前缀修改后的失效条件，并解释如何验证缓存与全量前向一致。

同一标准适用于工具调用、上下文压缩和长期记忆：不仅说出技术名称，还能描述中间状态、出错窗口及修复证据。先读 F16，再读系统篇 07，就能对照这两级答案。

路径一

没有线性代数与机器学习背景时的默认路径。从 F01 开始，每节做完自检再往下。

路径二

已有基础时，从十二个阅读主题里挑一个具体问题，沿基础与深入两个入口读完它。

路径三

手上有论文或官方文档时，用专题索引找到对应的中文讲义与系统章节。