LLM-100-Lessons：大型语言模型与AI Agent技术全景知识库

LLM与AI Agent技术正重塑AI应用范式，但领域技术迭代快、学习曲线陡峭。LLM-100-Lessons项目构建系统化、结构化知识库，全景覆盖从预训练、微调、推理优化到Agent架构设计的100+核心主题，为开发者、研究者和技术决策者提供完整学习路线图，平衡准确性与可读性。

LLM与AI Agent技术发展迅速，新概念、新方法层出不穷，碎片化的博客或论文摘要难以帮助从业者建立完整技术体系认知，学习曲线陡峭。LLM-100-Lessons项目应运而生，旨在解决这一问题。

知识库涵盖六大模块：

1. 预训练与基础模型：Transformer架构演进、预训练目标、大规模训练工程、数据准备；
2. 模型微调与适配：全参数微调、PEFT（LoRA/Adapter/Prefix Tuning/QLoRA）、指令微调、RLHF与对齐技术；
3. 推理优化与部署：量化技术、推理加速框架、投机解码与缓存策略；
4. RAG与知识增强：文档处理pipeline、向量数据库与检索、RAG架构模式；
5. AI Agent系统架构：核心组件（规划/记忆/工具使用/反思）、主流框架、多Agent系统；
6. 评估与监控：模型能力评估、生产系统监控。

知识库具有全景式覆盖（端到端技术闭环）、深度整理（每个主题平衡准确与可读）、差异化学习路径（初学者/工程师/研究者路径）、持续跟踪前沿动态（模型架构创新、长上下文技术、Agent进化、多模态融合）等特点，能满足不同背景用户需求。

LLM-100-Lessons为LLM与Agent领域提供系统化知识地图，在技术快速迭代的当下，结构化的知识整理尤为珍贵。无论新手还是资深从业者，都能从中获取价值，且知识库将持续更新完善，成为领域重要参考资源。

• 初学者：从Transformer基础→预训练原理→简单微调→RAG应用→Agent概念；
• 工程师：重点关注推理优化、部署架构、RAG工程实现、Agent框架应用；
• 研究者：深入模型架构创新、训练算法改进、对齐技术前沿、Agent理论框架。