企业官网建设流程全解析

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-cookbook

llm-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 W&B 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