近300幅插图的LLM书，为何适合FDE

近 300 幅插图，每一幅都是为这本书专门绘制的。这个数字来自 Maarten Grootendorst，他在宣布《Hands-On Large Language Models》定稿时给出。这本书由他与 Jay Alammar 合著，官网标注的版权年份是 2024 年。

对一本讲大语言模型的技术书来说，这个选择很能说明作者的用意：他们押注读者看图比看公式更快理解 LLM。

对想做前线部署工程师（FDE）的人来说，这种讲法正好切中这份工作的难点。系统要在客户现场跑通，你还得向一位从没听说过 embedding 的运营经理解释，它为什么给出了错误答案。一本用图来教的书，恰好给了你现成的讲法。

用直觉和插图代替公式

Grootendorst 这样概括本书的思路：从直觉出发，用图来讲故事，而不是依赖公式。Andrew Ng 在官网的推荐语中说，两位作者延续了他们用精美、富有洞见的插图讲解复杂主题的传统。

Cohere 的 Nils Reimers 称它是了解语言模型及其产业应用的绝佳指南。Leland McInnes 则称赞它提供了看穿 AI 炒作所需的清晰讲解和动手示例。

不过，这并不是一本图画书。全部代码在 GitHub 上免费开放，仓库昵称为“The Illustrated LLM Book”，采用 Apache-2.0 许可证。每章都有一个 Colab 笔记本，作者建议在 Google Colab 上用免费的 T4 GPU（16GB 显存）运行，有浏览器就够了。

这本书最值得学的习惯是画图。如果你还画不出数据从提问、经过搜索步骤、再到答案的流向，你就并没有真正理解自己在部署的系统。书中近 300 幅插图就是现成的临摹范本。

十二章，但 FDE 该换个顺序读

全书 12 章分为三部分：概念、使用预训练语言模型、训练与微调。对从零学起的人，这个顺序很合理。但 FDE 应该按客户最常问的问题来排优先级。

概念部分要全部读完，后面所有的沟通都建立在它之上。然后直接跳到第 8 章“语义搜索与检索增强生成（RAG）”。这一章离 FDE 的工作最近：让模型读懂客户的内部文档，并给出正确答案。

一个错误答案，追溯到源头

设想一位客户：一家保险公司，希望呼叫中心员工能快速查询几百条保单条款。一位坐席问：“客户在下班时间骑摩托车出事故，保单赔不赔？”系统回答得很流畅：赔。

假设实际上免责条款在第 15 节，写明了不赔。排查的诀窍是别急着换模型，先把搜索步骤交给模型的 3 段文本打印出来。

如果这 3 段全部来自讲工作时间的第 12 节，没有一段来自第 15 节，那模型并没有做错。它根据拿到的材料给出了正确的回答。

所以问题出在检索。也许第 15 节在分块时被从中间切开了，也许“免责”一词与问题的语义相似度不够高。以下是实践经验，并非书中内容：运行第 8 章笔记本时，先练习单独检查搜索步骤，然后再看生成步骤。

读完第 8 章后，再回头读第二部分的其余章节，全面了解预训练模型的各种用法。第三部分可以往后放。

微调是最后一章，也该排在待办清单最后

第 11 章和第 12 章讲微调：一章讲用于分类的表示模型，另一章讲生成模型。分清这两者，能帮你在客户提出需求时选对工具。

很多客户需求，比如给投诉邮件分类、给工单打标签，本质上都是分类问题。这种情况下，微调一个表示模型可能就够了，不必动生成模型。

有个小练习可以培养这种直觉：写下五个假想需求，比如“把紧急工单标出来”或“起草投诉回复”。对每一个只问一个问题：输出是从固定列表里选一个标签，还是一段新文本？如果是标签，先考虑表示模型。

在真实的客户项目中，通常要把提示词和检索都充分尝试过之后，才值得考虑微调。读第三部分，是为了知道什么时候值得做，而不是在第一周就动手。

谁该读，简历上写什么

如果你会写 Python，但从没搭过 LLM 系统，开箱即用的 Colab 笔记本是最平缓的入门方式。如果你已经熟悉模型训练，概念部分大概很快就能读完，主要价值在笔记本。

如果你的目标是 FDE 岗位，就把第 8 章的笔记本改造成一个基于真实文档的小项目，比如越南语文档，或你工作中使用的其他语言的文档。记录每一个错误答案，以及错误出在哪一步。

简历上写一句“在越南语文档上搭建 RAG，定位并修复了检索步骤中的错误”，远比罗列一串已完成的课程有说服力。看岗位描述时，留意 semantic search、RAG 或 embedding 这类字眼，这些正是这本书帮你练的东西。

衡量《Hands-On Large Language Models》读得怎么样，合理的标准不是读了多少章，而是你能否带着一个 RAG 演示去参加 FDE 面试，并讲清楚它有一次为什么答错了。