学习指南：大模型原理、Prompt 与微调怎么学最不容易学乱
如果你来到 06 大模型原理、Prompt 与微调 后觉得术语很多，先不要追模型榜单。你要先搞清楚大模型能力从哪里来，以及这些能力如何被控制和适配。
本阶段总原则
大模型第一遍要抓住一条演进线：文本被切成 token，token 变成 embedding，Transformer 建模上下文，预训练获得通用能力，Prompt、微调和对齐让能力更可用。
推荐学习顺序
第一轮先补 NLP 核心速成。你至少要理解 tokenizer、embedding、语言模型和 HuggingFace 基本使用。
第二轮学 LLM 概览和发展历史。重点不是记模型名字，而是理解规模、数据、架构和对齐如何共同推动能力变化。
第三轮学 Transformer 和预训练。你要知道 Attention、上下文窗口、训练数据和算力为什么重要。
第四轮学 Prompt。Prompt 是最轻量的行为控制方式，也是后续结构化输出、RAG 和 Agent 的基础。
第五轮学微 调和对齐。重点理解什么时候需要微调，LoRA/QLoRA 解决什么问题，RLHF 为什么和模型行为有关。
建议学习节奏
| 内容类型 | 建议时间 | 学习目标 |
|---|---|---|
| NLP 速成 | 4～8 小时 | 理解 token、embedding 和语言模型 |
| LLM 概览 | 3～5 小时 | 建立发展历史和能力边界 |
| Transformer / 预训练 | 8～16 小时 | 理解能力来源 |
| Prompt | 4～8 小时 | 能设计结构化任务提示 |
| 微调 / 对齐 | 8～16 小时 | 能判断是否需要微调及风险 |
阶段项目路线
第一个项目建议做 Prompt 对比实验。选择一个任务，对比普通提示、角色提示、分步骤提示、少样本提示和结构化输出。
第二个项目建议做结构化输出任务，例如把自然语言转换成 JSON、表格或函数参数。
第三个项目可以设计一个领域微调方案，不一定马上训练大模型，但要说明数据格式、标注方式、训练方法、评估指标和风险。
常见卡点
最常见的卡点是把 Prompt、RAG、微调混在一起。Prompt 改变输入组织，RAG 补充外部知识，微调改变模型行 为倾向，它们解决的问题不同。
第二个卡点是把大模型当数据库。大模型可能幻觉，知识可能过期，回答不等于事实。
第三个卡点是过早微调。很多问题应该先用 Prompt、RAG、工具调用或产品逻辑解决。
过关标准
学完本阶段后，你应该能解释 Token、Embedding、Attention、预训练、Prompt、微调和对齐之间的关系。
如果你能判断一个需求应该用 Prompt、RAG 还是微调，并能设计一个结构化输出 Prompt，就可以进入 LLM 应用与 RAG 阶段。