文档教程人工智能大模型【免费下载链接】awesome-generative-ai-guideA one stop repository for generative AI research updates, interview resources, notebooks and much more!项目地址https://gitcode.com/GitHub_Trending/aw/awesome-generative-ai-guide点击查看免费下载面向学生、研究者与所有想跟上生成式 AI 前沿的人awesome-generative-ai-guide 仓库将全部资源按你想做什么组织成三条学习旅程journey其中Understand AI理解 AI负责回答我想看懂研究、跟上前沿。它是一套从 101 基础到 301 前沿的活体知识流按月更新的论文清单、持续维护的研究速查表、以及年度 State of AI 报告。读完本文你将掌握 Understand 路径的三层结构、资源条目的标签阅读法以及每条资源在仓库中的确切位置与用法能直接沿着路径系统追踪 LLM 研究的演进。一、Understand AI 在整个仓库中的定位仓库根目录的 README 用一张Journey and Level grid表说明了三条旅程的分工旅程101 起点 201 进阶 301 高级 ‍ Use AI了解 LLM、提示词基础、用好 ChatGPT/Claude高级提示、项目实践、连接工具、在工作流中使用 agent harness个人自动化、面向自己的多步 agent 流程️ Build AI理解构建所需的 LLM 原理、应用栈、第一个 LLM 应用RAG、agent、评估、微调、护栏LLMOps、生产规模化、高级 agent/RAG、安全、系统设计Understand AITransformer、关键论文、如何读论文活跃研究领域推理、agent、RAG、评估前沿 feed月度论文、研究表、State of AIUnderstand 路径服务于跟随研究与前沿这一目标其核心文档是 journeys/understand.md。与 Use把 AI 用在自己的工作上和 Build为组织或他人工程化系统不同Understand 的深度衡量标准是对研究的理解程度而非技术动手能力——它同样为 Build 路径的 101 阶段提供理论基础。需要特别说明的是Understand 与 Build/Use 并非孤立路径中多处标注了同时服务于 Build 101的资源例如 Agentic AI Crash Courseagent 的概念基础、以及 Generative AI Genius入门级生成式 AI 介绍也是 Use 101 的主资源。兄弟旅程入口Use AI。二、如何阅读资源条目一行读懂一条资源Understand 路径中的所有资源行都遵循统一的标签约定这是快速筛选资源的第一步。以 journeys/understand.md 开头的说明为准Level // · Format Read / Video / ️ Notebook / Practice · Source ⭐ LevelUp Labs original / External · year即每行包含难度等级101/201/301 对应的 //、资源形式阅读/视频/笔记本/练习、来源⭐ 仓库原创 / 外部课程、以及年份。例如**[Survey Papers](https://link.gitcode.com/i/2304111fd6c809028ddba5770557209e)** ⭐ (2024) aging——仓库原创的阅读型资源标注为 2024 年且已进入老化状态**[State of AI 2025 Report](https://link.gitcode.com/i/aef3dbc5f9fe1ac50a47b7bdbb08b016)** ⭐ (2026)——原创阅读资源2026 年发布**Large Language Models** by ETH Zurich——外部课程阅读型。标签让读者在点击之前就能判断该资源的难度是否匹配、是看还是读、是否来自本仓库原创、时效性如何是高效追踪研究的关键技能。三、Understand 101基础与如何读论文Understand 101 的目标是建立 Transformer、预训练、奠基性论文的知识底座并学会阅读研究论文。该层资源分为三类1. LevelUp Labs 原创资源Survey Papers精选综述论文⭐ (2024)一份横跨生成式 AI 各主题的go-to papers清单用于快速建立某一领域的心智地图。文档明确说明一篇好的综述可以帮你节省数小时的追赶时间并帮助你构建清晰的思维导图。其收录范围包括Foundation Models 与 LLM 综述LLM 基础Prompt Engineering 系统性综述Retrieval Augmented GenerationRAG综述Hallucinations幻觉综述Parameter Efficient Fine-TuningPEFT综述LLM Agents、Multimodal Models、LLM Evaluation、Adversarial Attacks 综述该文件在 topics/foundations.md 中同样被列为 Understand 101 的主资源。LLM LingoLLM 术语表⭐ 共 6 部分的常用 LLM 术语通俗释义主题归属 Foundations同时为 Build 101 提供支撑。是阅读论文前扫清术语障碍的辅助工具。Agentic AI Crash Course⭐ (2025)10 个部分的 agent 概念基础课程覆盖 agent 类型、工具、RAG 与 agentic、MCP、规划与推理模型、记忆、多 agent 系统、真实世界 agentic 系统等内容既服务理解也服务构建。Generative AI Genius⭐ (2024)无需数学基础的生成式 AI 入门是 Use 101 与 Understand 101 共用的起点资源。2. 外部基础课程foundationsUnderstand 101 明确把下列外部课程定位为理解 LLM 的主要起点它们同样服务于 Build 101。按机构与侧重点划分高校课程ETH Zurich 的Large Language Models、Princeton 的Understanding Large Language Models、Stanford 的CS324 – Large Language Models这些覆盖 Transformer 架构与 LLM 原理。平台课程Hugging Face 的Transformers course与NLP course动手实操、Coursera 的Generative AI with Large Language Models与Introduction to Generative AI、Google Cloud 的Generative AI Fundamentals / Introduction to LLMs / Transformer Models and BERT Model等偏向云平台视角。视频课程Google 与 Kaggle 的5-Day Gen AI Intensive Course、Databricks 的LLM Foundation Models from the Ground Up、Andrej Karpathy 的[1hr Talk] Intro to Large Language Models等。2025–2026 最新增补标记 Karpathy 的Neural Networks: Zero to Hero从零用代码构建 GPT、Stanford 的CS336: Language Modeling from Scratch完整 LLM 流水线、DeepLearning.AI 的How Transformer LLMs WorkJay Alammar 主讲Transformer 内部机制的视觉直觉与Pretraining LLMs从数据到评估的端到端预训练。3. AI 危害与政策路径还纳入了两门与负责任使用、治理相关的课程Avoiding AI Harm、Developing AI Policy并在 Safety and Security 主题页 有对应聚合。这说明 Understand 路径不仅关注模型怎么做也覆盖AI 应该如何被负责任地使用这一研究治理维度。四、Understand 201活跃研究领域——三张活研究速查表Understand 201 聚焦当前最活跃的研究方向推理、agent、RAG、对齐与评估。其主体是三张持续更新的研究速查表living research tables它们共同特点是按研究类别组织、逐条给出论文标题/描述/标签/月份、并明确声明将持续定期更新。1. RAG 研究速查表2023 年 3 月 – 2026 年 6 月文档开篇回顾RAG 概念于 2021 年由奠基性论文提出此后随 LLM 爆发而快速增长已成为 LLM 最广泛的应用形态之一。表格将论文分为 9 个类别RAG SurveyRAG 方法综述RAG Enhancement (Advanced Techniques)提升 RAG 流水线效率与效果的进阶技术Retrieval Improvement强化检索组件Comparison PapersRAG 与其他方法的对比Domain-Specific RAG面向特定领域/应用的 RAGRAG EvaluationRAG 评估RAG Embeddings面向检索的嵌入方法Input Processing for RAG输入数据预处理RAG Framework可落地的开源 RAG 工具/框架表中收录了从 2024 年的经典工作如CRAG – Comprehensive RAG Benchmark、RAPTOR: Recursive Abstractive Processing、Self-RAG、Corrective RAG、RAG Foundry到 2026 年 6 月的最新进展如ProMSA渐进式多模态搜索 agent、SoK: Agentic RAG以 POMDP 形式化检索-生成循环的体系化综述。每一行都包含一段可引用的摘要描述例如 SoK 条目将 agentic RAG 形式化为有限时域的部分可观测马尔可夫决策过程POMDP显式建模控制策略与状态转移并识别幻觉传播、记忆投毒、检索错位等系统性风险——这是追踪 RAG 从朴素范式走向 agentic 范式的极佳时间线。2. AI Evaluation 2025 研究表2025 年 1 月 – 2026 年 6 月该表覆盖 AI 评估研究按 8 个类别组织LLM Judges Automated EvaluationLLM-as-a-judge 等自动评估Benchmarks DatasetsDomain-Specific Evaluation金融、科学、医学等领域Multimodal EvaluationReasoning Cognitive EvaluationEvaluation MethodologiesRobustness Safety EvaluationEvaluation Surveys表中既包含基础方法论研究如Preference Leakage揭示 LLM-as-a-judge 中对同族模型的偏好泄漏偏差、Survey on Evaluation of LLM-based Agents也包含前沿基准如Finch评估企业级金融工作流 agent、Terminal-Bench命令行环境的 agent 基准。主题页 Evaluation 是该方向的聚合入口。3. Agentic Search and Retrieval 研究表2025 年 1 月 – 2026 年 6 月该表聚焦 agentic 搜索与检索这一新兴范式——超越传统关键词搜索由具备推理、规划、工具调用与多 agent 协作能力的自主 agent 完成多步信息综合任务。其 10 个研究类别包括 Agentic Search Survey/Enhancement、Deep Research Agents、Agent Benchmarks Evaluation、Multi-Agent Systems、Web Agents、Agent Memory Reasoning、Agent Frameworks、Long-Horizon Agents、Interactive Agents。表中收录了从 2025 年初的Search-R1用强化学习训练 LLM 在逐步推理中自主生成搜索查询、Search-o1将 agentic 搜索工作流融入 o1 式推理到 2026 年的WideSeek-R1以 4B 模型通过多 agent 并行化达到 671B 模型性能、OpenSeeker首个完全开源的搜索 agent 训练数据等代表性工作。主题归属 Agents 与 RAG 两个主题页。这三张表在 README 的 Whats new 中被称为 living research tables与月度论文列表一起构成仓库持续更新的研究追踪机制。它们也服务于 Build 301生产与前沿为工程实践提供最新论文证据。五、Understand 301前沿 feed——月度论文与年度报告Understand 301 是前沿喂给层由三部分构成1. State of AI 2025 Report仓库原创的完整年度报告且拥有独立的构建流水线HTML 与 PDF 版本。报告覆盖 AI 应用栈的完整链路分为六个部分Input Layer从 Prompt Engineering 转向 Context Engineering、元提示meta-prompting、自动提示优化如 DSPy、多模态默认化Model Layer推理模型o1、DeepSeek R1以速度换可靠性、长上下文窗口4K 到 1M tokens、量化等高效推理技术Application LayerRAG 演进GraphRAG、agentic retrieval、多模态解析、agent 的 T 形成功、编码 agent、human-in-the-loopOutput Layer模型评估 vs 产品评估、三种评估方法断言、LLM-as-judge、人工评估、持续改进飞轮Challenges更隐蔽的幻觉、不一致推理、过度自主over-autonomy、工具调用问题Road Ahead无聊的基础设施获胜、集成质量胜过模型选择、评估不可妥协。报告的关键结论被提炼为 7 条 takeaway其中Context engineering prompt tricksRAG evolved, it didnt dieEvaluation is the bottleneck等判断直接呼应了仓库中其他资源如 AI Evals 课程与评估主题页的核心立场。2. 月度最佳论文Monthly Best Papers2026 年月度论文当前 feed覆盖 2026 年 1 月至 6 月。以 2026 年 1 月清单 为例其结构为日期 | 标题 | 摘要的表格收录当月最值得关注的论文涵盖 agentic reasoning如Agentic Reasoning for Large Language Models综述、RLVR 与 GRPO 的理论修正如Your Group-Relative Advantage Is Biased指出 group-relative advantage 估计的内在偏差、多模态推理基准如BabyVision揭示 MLLM 在语言无关基础视觉任务上的短板等主题2025 年月度论文完整年度1 月至 12 月2024 年月度论文存档11 个月度清单标记 archived供历史参考。3. 开放问题Understand 301 的定位是月度论文、年度报告与开放问题月度 feed 会随每个月最值得注意的应用型 AI 论文定期更新构成一条可回溯、可持续追踪的研究时间线。六、如何在仓库中继续深入Understand 路径不是孤岛它与仓库的**主题索引Browse by Topic**互为表里。README 的 Browse by Topic 提供 9 个主题页每个主题页都会把散落在各旅程的资源按journey level重新聚合。例如 Foundations 主题页 明确将 Understand 101 列为该主题的主入口同时列出 Build 101 与 Use 101 中同主题的资源Safety and Security 则聚合了 Understand 101 的 AI 治理课程。若需要浏览全部免费课程包括仓库原创与经过筛选的外部课程可查看按主题组织的 courses.md。Understand 路径中的研究速查表与月度论文清单也与 interview_prep 中的面试问题库如 60 GenAI Interview Questions互补——理解前沿论文同样是 AI 工程岗面试的核心能力。七、小结一条可执行的理解 AI 研究路线综合 journeys/understand.md 的结构推荐的追踪路线是101 打基础用 Survey Papers 和 LLM Lingo 建立主题地图与术语体系再按需挑选外部基础课程补足 Transformer 与预训练原理201 跟活跃方向用 RAG 研究表、AI Evaluation 研究表、Agentic Search 研究表 三张活表跟进推理、agent、RAG、对齐与评估的最新进展并结合对应 主题页 交叉检索301 上前沿每月刷 2026 月度论文年度精读 State of AI 2025 Report把单点论文放到年度趋势里理解。这套路径的价值在于它把读论文从随机浏览变成了有结构、有时间线、有分类标签的持续追踪。按一行一标签的格式快速过滤资源、按层级渐进深入、按月度与年度粒度把握趋势这正是 Understand AI 旅程希望培养的研究素养。赞分享文档教程人工智能大模型【免费下载链接】awesome-generative-ai-guideA one stop repository for generative AI research updates, interview resources, notebooks and much more!项目地址https://gitcode.com/GitHub_Trending/aw/awesome-generative-ai-guide点击查看免费下载相关推荐Awesome Generative AI Guide 的 3 天 RAG 路线图从检索基础到 Agentic RAG 的完整实战路径Awesome Generative AI Guide 的 3 天 RAG 路线图从检索基础到 Agentic RAG 的完整实战路径 这篇指南基于 awes文档教程人工智能大模型HTTP.jl 项目教程HTTP.jl 项目教程 1. 项目的目录结构及介绍 HTTP.jl 项目的目录结构如下 HTTP.jl/ ├── docs/ │ ├── src/ │ └─文档5 天学会 AI Agent基于 awesome-generative-ai-guide 的 Agent 技术学习路线图实战指南5 天学会 AI Agent基于 awesome generative ai guide 的 Agent 技术学习路线图实战指南 本指南基于仓库中的 5 Da文档教程人工智能大模型上一篇如何用BilibiliDown轻松下载B站视频3分钟快速上手指南下一篇pyecharts-assets终极部署指南三步实现本地ECharts资源加速创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考