# Add to your Claude Code skills
git clone https://github.com/zhuangzhaoyeye/llm_courseGuides for using ai agents skills like llm_course.
See how llm_course compares with popular alternatives.
llm_course is an open-source ai agents skill for AI coding assistants such as Claude Code, Codex CLI, and ChatGPT, built by zhuangzhaoyeye. 写给算法工程师的大模型课程:34 课,每课从一个问题出发,用具体数字把机制从头算一遍. It has 63 GitHub stars.
llm_course's catalog security scan is still queued. You can run an instant dependency and prompt-injection check now with the "Scan for vulnerabilities" button above.
Clone the repository with "git clone https://github.com/zhuangzhaoyeye/llm_course" and add it to your Claude Code skills directory (see the Installation section above).
llm_course is primarily written in HTML. It is open-source under zhuangzhaoyeye on GitHub, so you can review or fork the full source.
Yes. SkillsLLM lists many other AI Agents skills you can browse and compare side by side. Open the AI Agents category from the badge at the top of this page, or use the Related Skills and comparison links further down to weigh llm_course against similar tools.
No comments yet. Be the first to share your thoughts!
Available after the catalog security scan passes.
⚠️ Third-Party Software Notice
This skill is third-party open-source software developed and hosted independently on GitHub. SkillsLLM lists this project for discovery and does not control or maintain the underlying repository.
Any security checks, ratings, or warnings displayed by SkillsLLM are automated and limited in scope. They do not constitute a security certification or guarantee that the software is safe, error-free, or free from malicious code, vulnerabilities, compromised dependencies, or prompt-injection risks.
Review the source code, permissions, dependencies, and configuration before installing or running any third-party skill. Use is at your own risk. To the maximum extent permitted by applicable law, SkillsLLM is not liable for losses arising from third-party software.
The deep catalog scan for this skill is still queued. Run an instant dependency check now instead.
读完一个机制,你能不能在白板上用几个数字,从头把它算一遍? 这套写给传统算法工程师的大模型课程,从 Transformer 一路讲到 Agent,再追到 2026 年的决策模型(JEV / Drex)与后训练范式:40+ 门课、每课 6 张卡片(持续新增),每张从一个问题出发,用具体数字把机制算清楚。 既是我自己的学习笔记,也想分享给同样要补大模型知识的人,欢迎提意见。 课程会持续追踪前沿热点:像 JEV、Drex、决策模型这样的新概念一出现,我就把它做成能"自己算一遍"的系统课,让你在这里学到最新的热点知识,而不是读几个月前就过时的二手总结。
English: A 40+-lesson Chinese LLM course for algorithm engineers (recsys → Transformer → training/inference engineering → Agents → frontier decision models & post-training). Every mechanism is worked through by hand with concrete numbers. Single HTML page, no login.
在线阅读:https://zhuangzhaoyeye.github.io/llm-course/(每课一个独立网址、免登录、手机可看)
国内访问较慢或打不开时,用镜像站:https://learn.taleverse.cn/(内容与主站一致,同一套构建产物)
如果这套课对你有帮助,欢迎点右上角 Star,也欢迎 提 Issue 纠错或反馈。
想在新课上线时收到通知:

我是做推荐算法的,转向大模型时发现:痛点不是资料太少,而是读过 ≠ 会用。所以做了这套课,有两个目的:
传统教程的症结是"知识树"。 先分类,再逐类填充,你记住的是层级关系("Self-Attention 是 Transformer 的组件,Q/K/V 是三个矩阵")。但分类是专家回顾时的视角,不是学习时该走的路。你还没遇到"RNN 处理长句会丢信息",就被告知"Self-Attention 解决了长距离依赖",这对你只是一条信息,不是一个领悟。
这套课用"因果链"替代它:先让问题出现,再让解法被逼出来。
| 传统教法 | 本课程 | |
|---|---|---|
| 开场 | "今天学 Self-Attention,它是 RNN 的优化" | "梯度每步乘 0.9,传 50 步后只剩 0.005,怎么让每个词直接看到所有词?" |
| 路径 | 分类 → 定义 → 公式 → 结论 | 问题 → 撞墙 → 尝试 → 再撞墙 → 逼出解法 |
| 你得到 | 记住层级关系 | 理解"为什么会需要它" |
第一性原理,是写这套课的约束:
用因果链替代知识树之后,下面三条标准会反复出现(不是拍脑袋定的):
| 标准 | 解决的问题 | 本课程怎么做 |
|---|---|---|
| 问题驱动 | 不知道为什么要学 | 每张卡片以一个问题开头,让你先想 30 秒。例如第 21 课:「每一步都有 95% 是对的,为什么一个 10 步的任务经常做不完?」 |
| 计算走查 | 懂了概念,算不来 | 用最小的真实例子算到底。例如第 21 课:0.95¹⁰ ≈ 0.599,二十步只剩 0.358;第 17 课:4096×4096 的更新有 16,777,216 个数,LoRA(r=8)只学 65,536 个,压缩 256 倍;第 15 课:70B 模型每个 token 的 KV Cache 是 0.3125 MiB,8K 上下文就是 2.5 GiB |
| 冲突可见 | 记住解法,不知道代价 | 不只讲怎么做,还算不这么做的后果。例如第 17 课:可训练参数压到千分之几,65B 还是训不动,因为 130 GB 的冻结权重还在显存里 |
/lesson-7.html),正文直接写在 HTML 里,不执行 JS 也能被搜索引擎读到,可以直接把某一课的链接发给别人。低秩适配 ↔ LoRA)和错拼(tokenzier)。语义部分用 Cloudflare Workers AI 的 bge-m3 向量,关键词部分是 BM25。这句话会发到本站服务器算向量,不保存;可在页面里一键关闭。
课程里每张卡片底部都有一个只负责这张卡片的 AI 助教(点「💡 对这张卡片有疑问?点我开始对话」),每条预设追问下还有「💡 咨询 AI」,可以围绕这一条继续追问。
它和通用聊天机器人的区别:
不用填 key,但有额度限制:
| 限制 | 数值 |
|---|---|
| 全站每天(所有人加起来) | 100 次 |
| 每人每天 | 20 次 |
| 每人每分钟 | 5 次 |
| 重置时间 | 每天北京时间早上 8 点 |
| 模型 | DeepSeek Flash,已关闭思考模式,不联网 |
额度用完后助教会提示"稍后再试",其余课程内容不受影响。额度小是因为调用费用由作者承担,数字是我按成本设的初始值,之后可能调整。
国内访问: 助教请求发往 tutor.taleverse.cn(Cloudflare Workers,绑定自有域名)。起初用的 *.workers.dev 在我测试时被国内几家公共 DNS 解析到互不相同的地址,部分用户打不开,所以换成了自有域名。换域名后,我从自己的机器测到国内的阿里、腾讯 DNS 都返回 Cloudflare 的地址、HTTPS 0.44 秒通;但我无法从其他人的网络测试,运营商是否限速或阻断到 Cloudflare 海外节点的连接我不知道。遇到打不开,页面会在 30 秒后明确提示,课程正文不受影响,也欢迎开 Issue 告诉我你的网络环境。
| 部分 | 课号 | 主题 |
|---|---|---|
| 一 · 认知衔接 | 1–6 | Transformer 回顾、模型结构全景、现代 Transformer 的五大改造、Tokenization、逐层解剖一个模型、从 Transformer 到 LLM 全景图 |
| 二 · 训练范式 | 7–12 | Scaling Laws 与算力预算、数据工程、预训练全流程、SFT、对齐、推理模型与 RLVR |
| 三 · 训练与推理工程 | 13–19 | 分布式训练、显存账本与混合精度、KV Cache 与推理内存、量化与压缩、微调工程、推理引擎、大模型评测 |
| 四 · Agent 工程 | 20–28 | 提示工程、从 Prompt 到 Agent、工具调用、MCP 协议、记忆与 RAG、规划与反思、多智能体与协议、Agent 训练、Agent 评测与生产化 |
| 五 · 自主研究 | 29–34 | 自主研究全景与自主度分级、文献锚定与选题、假设规划与搜索、长时程执行与状态、验证复现与评审、报告成本与责任 |
| 六 · 前沿拓展 | 35 | 决策模型(JEV / Drex / DPDM):不写一个字,直接输出每个选项的概率 |
每课 6 张卡片,每张卡片带 5 条以上的预设追问,答案同样带表格和数字。
前沿拓展怎么来? 我搭了一个"热点雷达":每天从 arXiv 和 HuggingFace 采集前沿信号,按"热 + 有足够内容能成课"两条标准筛选,再由人确认后做成新课。第 35 课的决策模型(JEV / Drex / DPDM)就是雷达筛出来的第一批。以后有真正值得学的热点,会持续往这个部分里加课。
课程有两种产物:单文件版是一个自包含的 HTML(KaTeX 已内联,无 CDN,可离线打开,只有关键词搜索);多页站点版是 35 个独立页面,用于在线发布,多了全文与语义搜索。两者来自同一份源码。
src/lessons/manifest.json 课程映射表,唯一事实源(id = 课号)
src/lessons/lesson-<id>.html 每课正文(纯 HTML 片段,不手写转义)
src/shell.html 页面骨架 + 样式 + 全部 JS + AI 助教 + 部分课的追问数据
src/assets/ KaTeX 的 CSS / JS(构建时内联)
scripts/build.py 组装:按 manifest 把每课正文 JSON 转义后填进 shell,内联 KaTeX
scripts/build_site.py 生成多页站点 site/:每课独立页面 + 共享 CSS/JS + 搜索索引 + sitemap
scripts/embed_docs.py 给搜索索引生成语义向量(调 Workers AI),结果存 src/search/
src/search/ 文档语义向量(238 KB),内容变了需重新生成,否则站点构建检查会失败
dist_course.html 单文件构建产物,禁止手改
设计取舍:不用前端框架、不引入构建链,改完即可看;单文件意味着拿到一个文件就能学。build.py --check 会校验产物与源码是否一致,并保证产物里没有外部资源引用。
每次新增或改动内容,走同一条流水线:
联网检索 → 设计推理链 → 写卡片(五阶段) → 逐条核验 → 机械门禁 → 独立盲审 → 差集/漏检率 → 构建发布
| 环节 | 做什么 |
|---|---|
| 联网检索 | 每轮先搜再答。涉及"某篇论文做了什么",先查一手来源再动笔,禁止凭模型记忆 |
| 设计推理链 | 先在纸面按因果链排 6 个问题,再写卡片 |
| 逐条核验 | 范围 = 每个主问题 + 每条追问,不抽样。每条断言先归类,再交给对应裁判(见下表),记入 9 列台账 |
| 机械门禁 | 脚本只管"有唯一答案"的事:结构、覆盖度、台账是否过期、渲染 |
| 独立盲审 | 另起一个信息隔离的审阅者(不许读我方台账),分"事实与算术""语义与逻辑"两路 |
| 差集 | 盲审独有的缺陷 = 我方漏检,必须补进台账;漏检率必须是显式数字 |
断言按类型路由,不是"全部丢给 python":
| 类型 | 裁判 | 举证要求 |
|---|---|---|
| 算术 | python3 独立复算 |
给出可复算的算式 |
| 事实 | 联网 + 一手来源 | 给链接,或写明"未找到" |
| 推导 | 反例 + 边界检验 | 写出边界条件或反例 |
| 经验数字 | 无裁判,只能标注 | 无一手来源只能标"估算",不得判通过 |
| 语义 | 只有人 | 写明所依据的规则条款 |
| 脚本 | 判什么 |
|---|---|
tools/content_verify.js |
每卡 7 大组件、div 配平、数字门禁、追问条数、桥接句、类比配额、标题四处一致 |
tools/verify.js(Playwright) |
布局重叠、溢出、对比度、768px 响应式、切课、控制台报错 |
tools/review_check.js |
台账覆盖度、断言覆盖(漏列一条断言就 FAIL)、类型路由、盲审是否做过 |
tools/provenance_check.js |
台账时效性:内容改过而台账未重核验 → FAIL |
tools/coverage_check.js |
覆盖地图归档与领域锚点是否落地 |
tools/crossscope_check.js |
跨课数值口径一致(同一量在不同课只能取同一值) |
tools/gate.js |
开工闸门:以上任一未清,只允许清账,不允许写新内容 |
交付标准:0 FAIL 且 0 WARN。每修完一个问题,追问一句"下次怎么自动拦住它?",能写成脚本的当场写进去。
proxy/)。DeepSeek key 只存在 Worker 的 secret 里,前端和仓库里都没有。 代理负责:校验请求来源、固定模型和输出长度、关闭思考、按服务端设定开启联网搜索(单次最多搜 2 次)、限流(全站 100 次/天,每人 20 次/天、5 次/分钟)。cd proxy && node --test limiter.test.mjs worker.test.mjs),覆盖限流、来源校验、key 不外泄、请求清洗。测试用的是内存模拟的 Durable Object,没有在真实 Cloudflare 环境里覆盖全部情况。这还不是"AI 一键生成好课程"。 如实记录几个数字:
所以现在的结论是:脚本能守住有唯一答案的事(算术、结构、覆盖度),语义和品味判断仍然需要人。"一键生成"离可用还有距离,这正是我想继续探究的部分。
提意见的方式:到本仓库开 Issue。 麻烦写清位置,例如"第 4 课第 2 张卡片,追问 3",并附上你认为不对的原文和理由,我会逐条核实。不需要会写代码。
python3 scripts/build.py # 生成 dist_course.html(只需 Python 3,无第三方依赖)
python3 scripts/build.py --check # 校验产物与源码一致
python3 scripts/build_site.py # 生成多页站点 site/(本地预览:cd site && python3 -m http.server)
python3 scripts/build_site.py --check # 校验 site/ 与源码一致,语义向量陈旧会失败
node tools/content_verify.js --src # 内容层门禁(零依赖)
npm install && npx playwright install chromium && node tools/verify.js # 渲染层
镜像站(learn.taleverse.cn)用的就是同一份 site/,改完内容后重新部署:
python3 scripts/build_site.py
cd proxy/site-worker && npx wrangler deploy # 需要已登录 Cloudflare 账号
关于校验脚本的可运行范围:review_check.js、provenance_check.js、coverage_check.js 依赖作者本地的逐条核验台账与覆盖地图,这些未随仓库公开,克隆后无法运行,仅供参考其校验思路。build.py、content_verify.js、verify.js 在干净克隆里实测可直接运行。
| 路径 | 内容 |
|---|---|
src/ |
课程源码:lessons/(各课正文 + manifest)、shell.html、assets/ |
scripts/ |
构建脚本(单文件版、多页站点版、语义向量生成) |
tools/ |
校验脚本 |
proxy/ |
Cloudflare Worker:AI 助教代理、语义搜索 /s、匿名统计 /e(含单元测试) |
.trae/rules/ |
课程设计方法论与内容规则(上面"理念"一节的完整版) |
.trae/skills/ |
生成、质检、盲审、构建的操作流程(给 AI 助手读的 SKILL) |