第一卷 — 生成式 AI 是如何工作的

大语言模型基础的清晰实用指南。

整套系列那个用大白话铺的入口。从零开始 — token、训练、"猜下一个词"这件简单的事 — 一砖一瓦地搭出一幅老实、不堆术语的画面:LLM 到底是什么、它是怎么训练出来的、它为什么有那些表现,完全不假定你之前懂任何东西。这是后面每一卷都踩着的地基。

在亚马逊查看《LLM Primer I》→

第二卷 — 透过数学看语言模型

用数学的眼光,看清 AI 的内部运作。

对 AI 内部运作的一次数学严谨、又可读的巡视:注意力、优化的动力学、损失地形、扩展规律 — 全部透过那套让它真的能跑起来的数学讲清楚。每一条要紧的方程都被完整推导,每一条又都被一个故事、一个类比、一个数值化的算例围起来。写给那些想看到第一卷有意留在侧边栏里的数学的读者。

在亚马逊查看《LLM Primer II》→

第三卷 — 用 RAG 强化企业 AI

面向企业的检索增强生成系统实战指南。

实战的检索增强生成 — 向量数据库、切分策略,以及"把模型钉在你自己文档上"的那一整套架构,让企业能拿到既最新又能交代来源的回答。如果你的工作是让 AI 功能跟上业务、跟得住引用,这就是该读的那一卷。

第四卷 — 用 MCP 设计 AI 的认知

为可靠的 AI 智能体设计上下文、工具与记忆。

结构化上下文建模与编排:不去改模型本身,而是通过设计模型"看到"的上下文与情境,塑造它的推理过程。如果你在搭智能体系统 — 工具清单、长期循环、跨会话的记忆,以及"决定模型能看到什么"的那门工程纪律 — 这就是该读的那一卷。

第五卷 — 构建真实世界的 LLM 应用

在生产中设计、评估和运营 LLM 系统。

一卷以"系统"视角写的、从原型走到生产的指南 — API 设计、评估循环、监控、集成 — 把一个有能力的模型,变成一个真正可靠的产品。这卷是把"架构上的理解"变成"上线之后能真接住用户"的那一卷。

第六卷 — 让 AI 系统跑得起规模

面向生产规模的低延迟 LLM 推理架构。

高性能推理的架构:分布式服务、延迟优化、为"一天得回答几百万次"的系统所做的成本建模。当你的 AI 系统已经长出一台机器、开始要像一块真正的基础设施那样工作时,这就是该读的那一卷。

第七卷 — AI 安全

抵御提示注入、越狱与对抗性威胁,守住 LLM 系统。

设计安全且鲁棒的 AI:对抗性风险、提示注入、治理框架,以及现实部署系统的防御性设计。当你的 AI 系统必须被当作"安全相关的基础设施"对待时,这就是该读的那一卷。