把零散的 ML / LLM 知识整理清楚，方便学习，也方便复习。

刚开始准备找工时，我的资料散在课程、论文、文档和一堆收藏里。找一份讲得清楚的材料要花时间，看完之后该接着学什么，也经常没头绪。这个站，就是从整理这些资料开始的。

这里整理了中英文的 ML / LLM 笔记、图解、代码练习和项目拆解，免费开放，也会一直免费。 刚入门，可以从基础学起；面试临近，可以集中复习；想了解别的方向，也能挑感兴趣的看。希望即使没有相关背景，你也能找到一个读得下去的起点。

中文或 English 都可以。 文章顶部的切换按钮会打开同一篇的另一种语言，中文里保留常用英文术语。网站首次打开默认英文，之后会记住你的选择；直接打开中文链接，就是中文版。

从哪里开始

按你对这个主题的熟悉程度选就好。做了多年系统，第一次接触 RL，也可以从入门讲解看起。

怎么用这些笔记

1. 先选一个想弄懂的问题。 可以跟上面的路线，也可以从专题目录找，不需要从头读完整个站。
2. 跟着例子走一遍，再试着自己做。 算一次、跑一下代码；想继续弄懂原因，再看推导和不同做法的取舍。有些章节还没讲到这么顺，我们会继续改。
3. 收藏想回来读的文章。 点标题下的「收藏本页」，之后在右上角「我的阅读」里就能找到；再打开时会回到上次读到的位置。不用注册或 fork；记录存在当前浏览器，可以导出一份 JSON 备份，换设备也能带走。

路线里的小时数指实际投入学习的时间，不是每天必须完成的任务。可以拆开学，不需要连续打卡。

各个板块放什么

• 基础与原理：模型怎么工作、怎么训练、怎么评估。刚接触语言模型（language model, LM），可以先看学习导读。
• 面试准备：复习 ML / LLM，练 ML Coding、Python 和常见算法方法。
• 工程实践：拆解推荐、RAG 和后训练（post-training）系统，看数据、训练、服务与评估怎么配合。
• 编年史：电力、芯片、网络、软件与 AI 的发展，以及相关原始资料。
• 求职记录：实习和 new-grad 求职中试过的做法，以及回头看想做的调整。

图解直接展示主要过程；想换个条件、比较结果时，再试试交互部分，不需要每个按钮都点一遍。

在 AI 助手里练面试（Interview coach skill）

把这些笔记装进 Claude Code、Codex 这类支持 skill 的 AI 助手，它就成了面试官：一次问一道题，对照笔记打分和追问，记下答得不好的地方，下次从那里开始。笔记和题目来自网站的只读数据接口，随网站更新；你的回答和分数只存在自己电脑上。

npx skills add https://github.com/tianyi-zhang-02/cooking-agi --skill cooking-agi-interview

装好后直接说「按 LLM 推理工程师岗位模拟面试，5 道题」或「我哪里比较弱？就考那里」。用法见 skills/README.md。这个 skill 由读者 @Juggernaut0825 贡献。

内容一览

想现在就读一篇，可以从这几组里挑：

• 模型怎么工作：Transformer 交互图解 · BERT · CLIP 与多模态。
• 模型怎么学：训练基础 · Deep RL · Post-training · LLM-as-a-Judge。
• 模型怎么用起来：推理 · 搜索与检索 · Agents 与工具。
• 正在变化的方向：前沿观察（世界模型、递归自我改进（RSI）、测试时计算）· AI 基础设施和感知、机器人与自动驾驶，后两块是待审核草稿。

想动手练习，可以直接去 ML Coding、Python、算法方法或系统设计。

部分内容仍在补充和核对，进度见内容覆盖与待办。“已写”不等于“已审核”；文中的小实验也不等于完整模型或 benchmark 的复现。

路线图

现在在做

把笔记写好，而不是写多。 全部笔记的中英文已经各读过一遍；10 月又对照一手资料把事实重新核了一遍：改错、更新过时的数字，把重复的解释合到一处。最新的几组（AI 基础设施、感知与自动驾驶、三组前沿系列，以及 Scaling、扩散语言模型和量化）在站主读完之前都标着待审核。读到哪里觉得别扭、看不懂或者不对，欢迎直接告诉我们；每篇文章末尾也有反馈按钮。

接下来： 让人更快找到答案：先把搜索和页面速度做好，再做 MCP 服务，让 Claude、ChatGPT、Cursor 直接查笔记、出题，和面试练习 skill 读同一份数据。Jetson、物理仿真，以及视觉、驾驶、机器人这几组草稿的审稿，想请做过的朋友一起来。完整计划见后续计划；待发布的 v1.0 面试准备，范围见版本进展。

主题覆盖

每个主题有多少篇笔记，这一轮复核读到了哪里。数字随网站每次部署更新。

走到现在

每次合并的细节，见页面最下方的更新记录。

贡献者与审稿人（Contributors / Reviewers）

所有提交过或署名合作的人、负责批准各领域改动的审稿人，以及读者自愿分享的下一站。卡片每次部署和每小时都会根据 git 记录、GitHub 和 site/collaboration.toml 重新生成。提交数不是排名：提问、审阅和纠错同样算数。想为审阅、纠错补一个署名，或分享你的下一站（只显示你愿意公开的部分），可以开一个 issue：补充署名 · 分享下一站。

加入我们！

哪里没讲明白、哪条信息过时了，或者你想看一个还没有的主题，都可以告诉我们。不用先找到答案，才能提问题。

• 提反馈：开一个 issue，附上相关段落。内容纠错、信息过时、解释不清、想加主题、网站问题，都有对应选项。
• 一起改：小改动直接提 PR 就好；想写新文章或调整目录，先开内容提案，方便大家商量，避免重复做。
• 分享给朋友：如果这里的笔记帮到了你，欢迎把链接发给同学，或正在找工、转方向的朋友。不用公开公司或求职结果。参与整理的朋友列在贡献者与审稿人里。

这些是我们一边学、一边改的笔记，不是官方课程。选题受自身经验影响，目前更偏 ML / LLM 和 MLE / research 方向，也难免有遗漏和过时的地方。我们分享公开知识和准备方法，不收录针对某家公司的面试信息或题库，也没办法预测题目、保证 offer。

免费阅读，也欢迎按许可使用和改编。 不设付费章节或付费备考路线。原创代码采用 MIT，原创笔记采用 CC BY 4.0；请保留署名、来源和许可说明，并标注修改。第三方素材仍遵循原许可。我们不为他人修改、转载的版本背书，保证与责任范围以许可条款为准。

本地阅读与检查

这个仓库包含笔记、例子和静态站点源码，不需要数据库。在仓库根目录运行，建议使用 Python 3.12：

python3 -m pip install markdown pygments numpy
python3 site/build.py --serve

打开 http://localhost:8000。只想构建、不启动预览，可以运行 python3 site/build.py，结果在 _site/。

python3 site/collaboration.py
python3 -m unittest discover -s site/tests
python3 site/leakcheck.py
python3 site/paritycheck.py --strict
python3 site/build.py

为什么整理这些

从学术研究转向企业里的 ML 工作时，我常遇到一种情况：论文里看着眼熟的东西，真要自己讲、自己写，又不太会了。整理笔记帮我发现了这些缺口，公开出来，也能让别人帮忙看看哪里还没想清楚。

我希望，开始学一个方向，不必先有相关背景，也不必刚好认识能给你一份资料清单的人。这些笔记代替不了学习和练习，但可以让起步容易一点。别人讲得好的，我们就推荐；自己不熟悉的，也欢迎做这个方向的朋友来补充。不同领域的人一起整理，说不定还能看到以前没注意过的联系。

能少花一点东翻西找的时间，学完还有空做点自己喜欢的事，我就觉得这个站值得继续做下去。

更新记录

每次合并进主分支的改动，按日期分成大更新和小更新，链接是对应的 PR。