---
tags: [AI, 导航, 使用说明]
阶段: 全书
难度: ★☆☆
created: 2026-10-18
related: "[[00-MOC]], [[学习记录模板]], [[项目日志]]"
---

# README · 笔记库导航与使用方法

## 这套笔记库是什么

本库以 Obsidian 为载体，组织一部系统的 AI 原理教材。文件是 `.md`，结构由双链与 MOC 承担，内容按「定义 → 动机 → 推导 → 直觉 → 例子与代码 → 易错点 → 达标检测 → 参考」组织。目标读者画像为具备算法竞赛与较强编程基础、需要硬核原理与可复现实现的学习者，因此内容包含完整推导、维度分析与可运行代码，不做科普式简化。

三个能力目标贯穿全书：理解底层原理、独立复现实现、进行工程化评估。每篇笔记的「为什么重要」一节说明它在三个目标中的位置。

## 快速开始

1. 安装 Obsidian（桌面版），选择「打开文件夹作为库」，指向本目录。
2. 打开设置 → 外观 → 字体，安装支持数学符号的字体；Obsidian 内置 MathJax 可直接渲染 `$...$` 与 `$$...$$`，无需插件。
3. 建议启用核心插件：**Backlinks**（反向链接）、**Outgoing links**（出链）、**Graph view**（关系图）、**Tags**、**Templates**（模板目录设为 `模板/`）。
4. 可选社区插件：**Dataview**（按 frontmatter 聚合进度）、**Templater**（变量替换）、**Excalidraw**（手绘图）、**Advanced Tables**。本库不依赖任何社区插件即可完整阅读。
5. 从 [[00-MOC]] 进入，按「学习路径」推进。

## 目录结构

```text
AI学习笔记库/
├── 00-MOC.md                总索引
├── README.md                本文件
├── 01-数学基础/             线性代数、微积分、概率、矩阵分解、优化
├── 02-Python与数据处理/     Python、NumPy、Pandas、Matplotlib、数据工程
├── 03-经典机器学习/         回归、SVM、树模型、聚类、降维、评估、系统设计
├── 04-深度学习核心/         网络、反向传播、损失、优化器、CNN/RNN、训练工程
├── 05-Transformer与LLM原理/ 注意力、Transformer、GPT/Llama、KV Cache、MoE、从零实现
├── 06-Prompt与RAG/          Prompt、嵌入、检索、分块、重排、评估、实现
├── 07-微调与对齐/           PEFT、LoRA/QLoRA、SFT、RLHF、DPO
├── 08-Agent与工程化/        工具调用、编排、记忆、MCP、推理优化、分布式
├── 09-评估安全与前沿/       评估、幻觉、安全、可解释性、多模态、研究方法
├── 模板/                    概念笔记模板、阶段 MOC 模板
└── 学习追踪/                学习记录模板、项目日志
```

## 笔记约定

### Frontmatter 字段

| 字段 | 含义 | 取值 |
|---|---|---|
| `tags` | 检索标签 | 首项固定 `AI`，其余为阶段与主题词 |
| `阶段` | 所属阶段 | 与目录名一致，如 `05-Transformer与LLM原理` |
| `难度` | 认知负荷 | `★☆☆` 入门、`★★☆` 中等、`★★★` 困难 |
| `created` | 创建日期 | `YYYY-MM-DD` |
| `related` | 关联双链 | 字符串，含 2–4 个 `[[...]]` |

Dataview 示例，列出所有未达标的高难度笔记：

```dataview
TABLE 阶段, 难度, created
FROM "05-Transformer与LLM原理"
WHERE 难度 = "★★★"
SORT file.name ASC
```

### 双链与 MOC

- 双链只指向本库内笔记，格式 `[[笔记名]]`；需要显示别名时用 `[[笔记名|别名]]`。
- 每篇笔记的「关联笔记」一节标注关系类型：前置、后续、对照、应用。沿「前置」回溯可补齐缺口，沿「后续」可确认学习动机。
- MOC 只负责组织与顺序，不重复正文推导；MOC 中的学习顺序附有排序理由。

### 数学与代码

- 矩阵记作大写字母（如 $\mathbf{W}$），向量小写粗体（如 $\mathbf{x}$），标量小写斜体（如 $\alpha$），集合用花体（如 $\mathcal{D}$）。各篇首次出现时重新声明符号。
- 公式推导使用编号步骤，便于逐步复核；维度在关键处标注，例如 $\mathbf{X}\in\mathbb{R}^{n\times d}$。
- 代码为 Python，深度学习部分使用 PyTorch；每个代码块给出输入输出形状或预期数值。运行前安装依赖：

```bash
python -m venv .venv
# Windows
.venv\Scripts\activate
pip install numpy pandas matplotlib torch transformers datasets peft trl
```

## 学习方法

1. **先跑通再深挖**：每篇先运行「例子与代码」，得到可观察结果，再回到推导。能运行的最小实现是检验理解的唯一客观标准。
2. **只深挖关键概念**：对全库主干概念（梯度、反向传播、注意力、LoRA、RAG 检索、Agent 循环）要求手推；对工程细节允许查文档。
3. **按需回溯数学**：遇到不熟悉的符号或运算，沿「前置」双链回到 01 阶段，补齐后立即返回，不在数学阶段无限扩张。
4. **闭环导向**：每篇结束完成「达标检测」；不能完成的项目即为下一轮复习入口。每完成一个阶段，用该阶段 MOC 的达标清单做一次整体自测。
5. **以项目固化**：05 阶段完成 [[从零实现小型GPT指南]]，06 阶段完成 [[从零实现RAG指南]]，07 阶段完成一次 LoRA 微调，08 阶段按 [[端到端项目模板]] 交付一个可演示系统。

## 复习与评估

- 间隔复习：新学笔记在 1 天、7 天、30 天后各复述一次定义与推导主线，复述失败则重读对应小节。
- 主动回忆：合上笔记，在白纸上写出该机制的输入输出、关键公式与一个反例，再对照笔记修正。
- 阶段评估：使用各阶段 MOC 的「达标清单」；03、06、09 阶段另需完成评估指标计算与实验设计练习。
- 记录：在 [[项目日志]] 中记录实验配置、指标与失败原因，避免重复调试。

## 引用与版权

- 笔记中的公式与结论尽量给出原始来源；论文引用使用 arXiv 编号，教材注明章节。
- 转述中文内容为学习用途，直接引用原文时标注出处。代码示例为教学重写，不复制大段受版权保护的仓库代码。

## 如何扩充本库

1. 复制 [[概念笔记模板]] 到目标阶段目录，重命名为概念名，补齐 frontmatter 与九个规定小节。
2. 至少添加 3 条双链：一条前置、一条后续、一条对照或应用，并在对应笔记的「关联笔记」中回链，保证图中无孤立节点。
3. 若新增笔记属于某阶段主干，更新该阶段 MOC 的学习路径与达标清单，并在 [[00-MOC]] 的阶段地图中检查是否需要调整顺序。
4. 新增笔记后运行一次链接检查：确认所有 `[[...]]` 目标存在，避免断链。

## 常见问题

- 公式不渲染：确认 `$` 与 `$$` 成对出现，且未处于代码块内；Obsidian 设置中 MathJax 默认开启。
- mermaid 不渲染：确认代码块语言标记为 `mermaid`，且图中节点文本不含未转义的括号。
- 双链显示为未创建：检查文件名是否与链接完全一致（包括中文标点与连字符），Obsidian 对大小写与全半角敏感。
- 代码在 Windows 下路径报错：使用 `pathlib.Path` 或原始字符串，避免反斜杠转义。
