50小时，从零到能训练大语言模型 | 帖子 |#机器学习 #指南
这是一份经过验证的机器学习工程师养成指南。作者教过数百万人编程，这套路径是他总结出的最优解。
先说一个残酷的事实：大多数人把技术视频当Netflix看，被动观看，随手记几笔，一周后忘得干干净净。这种学习方式注定失败。
真正有效的方法是两遍学习法。
第一遍：纯粹观看。不记笔记，不暂停，不跟着敲代码。目标是在脑中建立知识的整体框架，理解概念之间的关联。你在搭建一个脚手架，细节稍后再填充。
第二遍：主动学习。打开笔记本，打开代码编辑器，开始真正的学习。频繁暂停，用自己的话重述概念，亲手敲出每一行代码。然后打破它，修改参数看看会发生什么，有想法就去尝试。第二遍的时间通常是视频时长的两到三倍，这才是学习真正发生的地方。
那些成为顶尖ML工程师的人，并不比你聪明。他们只是在别人用两倍速刷视频时，进行着这种刻意练习。
关于ML工程师的定位，很多人存在误解。ML工程师的核心工作是训练和微调模型、构建数据管道、将模型部署到生产环境、优化速度和成本、监控模型性能。你需要掌握的是Python编程、足够理解原理的线性代数和微积分、神经网络的机械运作方式、Transformer架构，以及用代码实现这一切的能力。
学习路径分为三个阶段。
第一阶段用3Blue1Brown的视频建立直觉，大约需要10到15小时。Grant Sanderson是互联网上最好的数学教育者，他的神经网络系列能让抽象概念变得可视化。从神经网络基础、梯度下降、反向传播，到大语言模型和Transformer架构，这些视频会给你一个比大多数人都清晰的心智模型。
第二阶段是Andrej Karpathy的课程，需要30到40小时。Karpathy是OpenAI创始成员、特斯拉前AI高级总监，他的课程教你真正动手构建。你会从零开始实现自动微分引擎micrograd，构建字符级语言模型makemore，最终亲手搭建GPT。这个过程中，你会理解反向传播到大多数从业者永远达不到的深度。特别是那个构建GPT的视频，让成千上万人真正理解了现代AI的工作原理。
第三阶段是补充视频，大约5小时，用于加深对LLM整体训练流程的理解，包括预训练、监督微调、强化学习，以及如何思考模型的幻觉和工具使用。
总计约50小时的专注学习。
这里有一个值得深思的点：所有这些顶级资源都是免费的，就在YouTube上。真正稀缺的从来不是信息，而是愿意进行刻意练习的决心。
另一个现实是，学完这些能让你理解现代AI的底层原理，但要成为真正的ML工程师，还需要在实际项目中积累经验。理论和实践之间的鸿沟，只能通过不断构建真实系统来跨越。
最好的学习者不会等待完美的课程或合适的训练营。他们从最好的免费资源开始，然后投入刻意练习。
开始看，开始建。
这是一份经过验证的机器学习工程师养成指南。作者教过数百万人编程，这套路径是他总结出的最优解。
先说一个残酷的事实：大多数人把技术视频当Netflix看，被动观看，随手记几笔，一周后忘得干干净净。这种学习方式注定失败。
真正有效的方法是两遍学习法。
第一遍：纯粹观看。不记笔记，不暂停，不跟着敲代码。目标是在脑中建立知识的整体框架，理解概念之间的关联。你在搭建一个脚手架，细节稍后再填充。
第二遍：主动学习。打开笔记本，打开代码编辑器，开始真正的学习。频繁暂停，用自己的话重述概念，亲手敲出每一行代码。然后打破它，修改参数看看会发生什么，有想法就去尝试。第二遍的时间通常是视频时长的两到三倍，这才是学习真正发生的地方。
那些成为顶尖ML工程师的人，并不比你聪明。他们只是在别人用两倍速刷视频时，进行着这种刻意练习。
关于ML工程师的定位，很多人存在误解。ML工程师的核心工作是训练和微调模型、构建数据管道、将模型部署到生产环境、优化速度和成本、监控模型性能。你需要掌握的是Python编程、足够理解原理的线性代数和微积分、神经网络的机械运作方式、Transformer架构，以及用代码实现这一切的能力。
学习路径分为三个阶段。
第一阶段用3Blue1Brown的视频建立直觉，大约需要10到15小时。Grant Sanderson是互联网上最好的数学教育者，他的神经网络系列能让抽象概念变得可视化。从神经网络基础、梯度下降、反向传播，到大语言模型和Transformer架构，这些视频会给你一个比大多数人都清晰的心智模型。
第二阶段是Andrej Karpathy的课程，需要30到40小时。Karpathy是OpenAI创始成员、特斯拉前AI高级总监，他的课程教你真正动手构建。你会从零开始实现自动微分引擎micrograd，构建字符级语言模型makemore，最终亲手搭建GPT。这个过程中，你会理解反向传播到大多数从业者永远达不到的深度。特别是那个构建GPT的视频，让成千上万人真正理解了现代AI的工作原理。
第三阶段是补充视频，大约5小时，用于加深对LLM整体训练流程的理解，包括预训练、监督微调、强化学习，以及如何思考模型的幻觉和工具使用。
总计约50小时的专注学习。
这里有一个值得深思的点：所有这些顶级资源都是免费的，就在YouTube上。真正稀缺的从来不是信息，而是愿意进行刻意练习的决心。
另一个现实是，学完这些能让你理解现代AI的底层原理，但要成为真正的ML工程师，还需要在实际项目中积累经验。理论和实践之间的鸿沟，只能通过不断构建真实系统来跨越。
最好的学习者不会等待完美的课程或合适的训练营。他们从最好的免费资源开始，然后投入刻意练习。
开始看，开始建。
谷歌最近为NotebookLM推出了一个官方入门笔记本，用户可以直接在对话中询问“如何用NotebookLM帮我完成某个项目”，获得针对性的使用指导。
这款工具为什么值得关注？
最被忽视的核心能力：NotebookLM只从你上传的资料中提取信息，绝不凭空编造。对于研究工作来说，这意味着每一条引用都可以追溯、可以信任。一个实用技巧是上传比你预期更多的资料，文档之间的交叉引用才是真正的魔法所在。
功能远比想象中强大：上传一份文件，它能自动生成闪卡、思维导图、音频摘要，甚至一期播客。对学生而言，这几乎重新定义了复习方式。
有位用户分享了一个触动人心的故事：他花了四十多年才明白，学会如何学习本身就是一项关键技能。传统教育体系的单一模式并不适合所有人，尤其对ADHD群体来说更是如此。直到他发现NotebookLM，经过反复摸索，终于找到了属于自己的学习节奏。
这或许揭示了AI工具更深层的价值：它不是要取代思考，而是帮助每个人找到最适合自己的认知路径。当工具足够灵活，学习就不再是痛苦的适应，而是自然的探索。
有用户调侃说，很多人已经把NotebookLM当成论文合著者在用了，却从没读过说明书。这恰恰说明好工具的特质：上手门槛低，但天花板足够高。
有人花时间把Anthropic所有招聘岗位读了一遍，发现这家公司正在布局的东西远比我们想象的要大。
他们用ABCDE五个字母总结了五大方向：
Audio，音频。尽管Anthropic一直以文本见长，但他们正在招人做语音和音频的理解与生成，包括语音语言模型和音频扩散模型。
Biology，生物。目标是将生命科学的研究进度提升10倍。
Cybersecurity，网络安全。组建数据、强化学习和工程团队，打造AI驱动的网络安全产品。
Discovery，发现。构建AI科学家，解决“科学通用人工智能”问题。
Eyes，视觉。提升Claude的视觉理解和空间感知能力。
这份招聘清单透露的信息量很大。
首先，Anthropic显然已经跳出了“模型公司”的定位。音频、生物、安全、科学发现，这些领域都需要系统具备推理、记忆和在真实世界约束下行动的能力，单纯生成文本远远不够。
其次，编程能力只是他们的入场券。真正的战场在那些混乱、复杂、充满不确定性的现实领域。他们在编程上建立的优势，正在被系统性地迁移到其他垂直场景。
有人评论说，这家公司更像是一个藏在创业公司外壳里的综合性研究机构。这个观察很准确。他们的布局逻辑清晰：找到AI能够产生指数级影响的领域，然后重兵投入。
视觉和空间能力的提升尤其值得关注。现在大多数知识工具本质上是“盲”的，它们能读文本，但对空间关系、视觉上下文毫无感知。如果Claude能真正理解空间关系，很多应用场景会被彻底改写。
还有一点被反复提及：Anthropic几乎没有任何drama。零内斗，零八卦，纯粹专注于构建。在这个行业里，这本身就是一种稀缺的竞争力。
当OpenAI还在考虑往聊天里加广告的时候，Anthropic已经在布局下一代全栈智能系统了。
AGI可能比我们以为的更近。
普通人用Claude Code实现10倍效率的底层逻辑 | 原文
上周我看到有人跟Claude Code搏斗了6个小时，最后得出结论：AI被高估了，输出全是垃圾。
问题出在哪？不在模型，在喂给它的东西。
过去一年我用AI交付了几十个系统，观察下来发现：那些获得惊人成果的人和中途放弃的人之间，差距只有一个——输入的质量决定输出的质量。
现在的模型已经强得离谱。如果你得到的是废话，问题在你自己。
+ 用功能思维取代产品思维
大多数人坐下来就打“帮我做一个XX应用”。Claude Code不知道你具体要什么，只能用假设填补空白，而这些假设往往是错的。
正确的做法是把产品拆成功能模块。
想做一个日程工具？先想清楚它由哪些部分组成：用户上传内容、系统分析处理、界面展示选项、触发相应动作。
然后一个一个来。做完功能一，测试，能用吗？再做功能二。每个模块验证通过后再叠加下一个。
这样你就不会在一个摇摇欲坠的地基上盖房子。
+ 让Claude Code采访你
与其告诉它你想要什么，不如反过来，让它不断提问直到完全理解你的需求。
我用的提示词是这样的：“我想做某某东西，请像采访一样问我所有细节，包括技术决策、设计选择、边界情况，用提问工具持续追问，直到你完全理解我要什么。”
接下来会有点烦人，问题一轮接一轮。
上次我做一个线索分发系统，Claude Code问了我：触发条件是表单提交还是webhook？需要从线索中提取哪些数据？评分标准是什么？低于阈值怎么处理？通知走Slack还是邮件？响应时间要求多少？
这些问题你可能根本没想过。这正是关键所在。
我曾经花45分钟做这种采访式对话，结果省下了14个小时的调试时间，因为边界情况在写代码之前就被发现了。
+ 先慢后快，手动优先于自动
每个人都想要自动化，设置好就不用管。但如果你从没手动做过一件事，自动化会把你坑惨。
原因很简单：你还不知道自己在自动化什么。
一步步手动构建的过程中，你会感知到节奏，看到哪里容易出问题，培养出对“好”和“能用但其实是垃圾”之间差异的直觉。
跳过这一步，你自动化的就是一个有缺陷的流程，而且要浪费很多天和很多token才能意识到问题。
那些在社交媒体上秀自动化工作流的人，都是先靠手动构建积累了足够经验，才获得了自动化的资格。
+ 管理你的上下文窗口
你开始一个会话，一切顺利，输出很精准。然后质量开始下滑，Claude Code开始忘记一小时前你告诉它的事情。
这是上下文过载了。
当你用掉大约一半的上下文窗口时，开一个新会话。但新会话怎么知道之前做了什么？靠文档。
每完成一个功能就记录下来，每个决策都写进去。新会话读取这个文件，就能无缝接续。
+ 工具焦虑是伪命题
大家都在讨论MCP、插件、自定义配置文件。这些东西没问题，但我敢保证它们不是你产品做不出来的原因。
你的计划才是原因。
完美的工具配置加上糟糕的计划，产出的是垃圾。基础配置加上优秀的计划，产出的是真东西。
把精力投入到输入端，工具是次要的。
+ 品味才是真正的护城河
构建东西越来越容易，任何有网络的人都能用上两年前不存在的工具。创造一个能跑的东西，门槛几乎为零。
那为什么不是人人都在出产品？
差距在品味。
品味是知道该做什么，知道你的东西和市面上50个同类产品有什么不同，知道什么时候感觉对了、什么时候只是技术上正确但毫无记忆点。
我见过有人做了一个跑步应用，根据你的情绪生成路线。压力大？愤怒？平静？应用读取你的状态，创造匹配的路径。
这不是技术成就，一千个人都能实现这个机制。区别在于有人坐下来认真思考：什么能让这个东西有趣？什么还没被做过？然后在每一步都做出有意识的选择。
这就是品味。Claude Code给不了你这个。
AI放大的是你投入的一切。模糊的思考产出模糊的结果，有意识的思考产出有意识的作品。
几个月前想明白这些的人，现在已经在收割红利。今天想明白的人，还来得及。
上周我看到有人跟Claude Code搏斗了6个小时，最后得出结论：AI被高估了，输出全是垃圾。
问题出在哪？不在模型，在喂给它的东西。
过去一年我用AI交付了几十个系统，观察下来发现：那些获得惊人成果的人和中途放弃的人之间，差距只有一个——输入的质量决定输出的质量。
现在的模型已经强得离谱。如果你得到的是废话，问题在你自己。
+ 用功能思维取代产品思维
大多数人坐下来就打“帮我做一个XX应用”。Claude Code不知道你具体要什么，只能用假设填补空白，而这些假设往往是错的。
正确的做法是把产品拆成功能模块。
想做一个日程工具？先想清楚它由哪些部分组成：用户上传内容、系统分析处理、界面展示选项、触发相应动作。
然后一个一个来。做完功能一，测试，能用吗？再做功能二。每个模块验证通过后再叠加下一个。
这样你就不会在一个摇摇欲坠的地基上盖房子。
+ 让Claude Code采访你
与其告诉它你想要什么，不如反过来，让它不断提问直到完全理解你的需求。
我用的提示词是这样的：“我想做某某东西，请像采访一样问我所有细节，包括技术决策、设计选择、边界情况，用提问工具持续追问，直到你完全理解我要什么。”
接下来会有点烦人，问题一轮接一轮。
上次我做一个线索分发系统，Claude Code问了我：触发条件是表单提交还是webhook？需要从线索中提取哪些数据？评分标准是什么？低于阈值怎么处理？通知走Slack还是邮件？响应时间要求多少？
这些问题你可能根本没想过。这正是关键所在。
我曾经花45分钟做这种采访式对话，结果省下了14个小时的调试时间，因为边界情况在写代码之前就被发现了。
+ 先慢后快，手动优先于自动
每个人都想要自动化，设置好就不用管。但如果你从没手动做过一件事，自动化会把你坑惨。
原因很简单：你还不知道自己在自动化什么。
一步步手动构建的过程中，你会感知到节奏，看到哪里容易出问题，培养出对“好”和“能用但其实是垃圾”之间差异的直觉。
跳过这一步，你自动化的就是一个有缺陷的流程，而且要浪费很多天和很多token才能意识到问题。
那些在社交媒体上秀自动化工作流的人，都是先靠手动构建积累了足够经验，才获得了自动化的资格。
+ 管理你的上下文窗口
你开始一个会话，一切顺利，输出很精准。然后质量开始下滑，Claude Code开始忘记一小时前你告诉它的事情。
这是上下文过载了。
当你用掉大约一半的上下文窗口时，开一个新会话。但新会话怎么知道之前做了什么？靠文档。
每完成一个功能就记录下来，每个决策都写进去。新会话读取这个文件，就能无缝接续。
+ 工具焦虑是伪命题
大家都在讨论MCP、插件、自定义配置文件。这些东西没问题，但我敢保证它们不是你产品做不出来的原因。
你的计划才是原因。
完美的工具配置加上糟糕的计划，产出的是垃圾。基础配置加上优秀的计划，产出的是真东西。
把精力投入到输入端，工具是次要的。
+ 品味才是真正的护城河
构建东西越来越容易，任何有网络的人都能用上两年前不存在的工具。创造一个能跑的东西，门槛几乎为零。
那为什么不是人人都在出产品？
差距在品味。
品味是知道该做什么，知道你的东西和市面上50个同类产品有什么不同，知道什么时候感觉对了、什么时候只是技术上正确但毫无记忆点。
我见过有人做了一个跑步应用，根据你的情绪生成路线。压力大？愤怒？平静？应用读取你的状态，创造匹配的路径。
这不是技术成就，一千个人都能实现这个机制。区别在于有人坐下来认真思考：什么能让这个东西有趣？什么还没被做过？然后在每一步都做出有意识的选择。
这就是品味。Claude Code给不了你这个。
AI放大的是你投入的一切。模糊的思考产出模糊的结果，有意识的思考产出有意识的作品。
几个月前想明白这些的人，现在已经在收割红利。今天想明白的人，还来得及。
Ryan Dahl，Node.js的创造者，最近在社交媒体上直言：人类写代码的时代结束了。这话对软件工程师来说确实刺耳，但他补充道：这并不意味着软件工程师没活干了，只是直接写语法这件事，不再是核心工作。
这条推文引发了激烈讨论，评论区的观点碰撞颇有意思。
有人精准地修正了这个说法：死掉的是“敲代码”，而“思考”依然活着。也有人悲观地回应：你看看周围，思考好像也快死了。
一位在科技行业摸爬滚打40年的老兵分享了自己的经历：他想做一个利用NFC技术的iPhone应用，完全不懂从何下手。于是他坐下来跟ChatGPT说：“我想要这个功能，我完全不知道怎么做，你得一步步教我。”45分钟后，一个能用的应用就躺在他手机里了。虽然不够精美，也上不了应用商店，但它确实能干他想让它干的事。他感慨：游戏规则不是正在改变，而是已经变了。
这个故事引出了一个关键洞察：很多人在那里挥舞双手抱怨AI抢工作，如果他们把这些精力花在实际尝试上，就会发现AI是如何打破壁垒、赋予你行动能力的。
但也有清醒的声音指出：一个45分钟做出来的半成品原型，和真正有价值、可扩展、可维护的软件之间，隔着一道巨大的鸿沟。LLM大概完成了80%的路程，但剩下的20%可能在相当长时间内都难以逾越。
有人用挖坑做了个精妙的比喻：以前你得用铲子挖坑，现在这个可以自动化了。但你仍然需要知道在哪里挖、为什么挖、挖出来的尺寸是否符合设计图纸。只是不再需要那个体力劳动的部分了。
这就引出了一个重要区分：Coding、Programming、Developing三者的差异。简单说，Coding是把逻辑翻译成代码，Programming是设计解决方案的整个过程，而Developing则涵盖了从需求分析到部署维护的完整生命周期。AI正在吞噬的是第一层，但后两层依然需要人类的判断力。
一位资深前端开发者现身说法：作为Vue.js的高级开发者，他已经三个月没有直接写过一行代码了，全靠Claude完成，而且几乎不出错。但另一位开发者反驳：当你处理遗留代码库或公司内部框架时，LLM总是在细微之处出错，很多时候自己写反而更快。
最尖锐的质疑来自一位评论者：Ryan Dahl在卖东西，别傻到真信他说的话。
这场争论的本质或许是：我们正站在一个分水岭上。那些还在争论AI会不会取代程序员的人，可能已经落后了。真正的问题是：当写代码变成了说话，你还剩下什么不可替代的价值？
答案可能藏在那个挖坑的比喻里：知道在哪里挖，比会挖更重要。
这篇文章介绍了看似神奇的 AI 编程助手背后的原理。作者 Mihail Eric 认为这些工具的核心架构其实非常简单，并非什么“黑魔法”，仅用约 200 行 Python 代码即可实现一个功能完备的编程 Agent。核心在于“LLM 决策 -> 本地执行 -> 反馈结果”的循环架构。只要掌握了这个模式，任何人都可以构建自己的编码助手。
一篇在 2026 年真正掌握 AI Agent（智能体）技术的硬核指南。
作者 Paolo Perrone 批评了大多数教程只教皮毛，并提供了一份为期 6-9 个月的实用学习路线图，期望该教程能让你成为开发出实际解决问题的生产级系统的开发者，而不仅仅是做演示 demo。
内容先从数学基础、编程能力、机器学习基础开始，最后在演进到理解 Agent 原理和开始构建。
