大模型基础这本书讲了什么，从传统语言模型到Prompt工程、参数高效微调、模型编辑与检索增强生成

《大模型基础》是一本给大语言模型学习者写的书，按六个方向展开，从语言模型的基本原理一直讲到落地时常会用到的几种技术。全书偏技术讲解，内容按章节成体系

六个章节讲什么

1. 传统语言模型：统计语言模型、n-gram 这类早期做法，是理解后面模型演化的基础
2. 大语言模型架构演化：从 RNN、LSTM 到 Transformer，再到 GPT、LLaMA 这类主流结构的变化过程
3. Prompt 工程：提示词怎么组织，few-shot、思维链这些常见用法
4. 参数高效微调：不重训整个模型、只训练少量参数的做法，LoRA、Adapter 属于这一类
5. 模型编辑：不重新训练，直接改掉模型里某条知识的方式
6. 检索增强生成：也就是 RAG，把外部知识库接进模型，让回答有依据可查

六章的排布大致是从原理走向应用。前两章讲模型本身是什么、怎么演变成今天这样，后面四章对应提示词、微调、改知识、接外部数据这几类实际需求

适合哪些人

• 想系统了解大模型技术栈的开发者，比起零散看博客更容易建立完整认识
• 做 AI 应用的人，其中 Prompt 和 RAG 两部分可以拿来直接对照自己的项目
• 有 Python 和深度学习基础读起来更顺，完全没接触过神经网络会吃力一些

配套的电子书资源在本页获取