分享栏：AI/大模型官方免费资源与更深一层的学习入口
这篇不属于“之一、之二……”主系列，而是单独放在分享栏里。
它的作用很简单：把后面还能继续深入的免费资料集中起来，方便你随时回来看。
基础层：先把地基打稳
- 动手学深度学习：适合先跑起来、先建立直觉，代码和公式都很完整。
- Deep Learning：适合补理论和数学脉络，在线版免费开放。
- The Little Book of Deep Learning：篇幅短，手机友好，适合快速复习和口播整理。
从零构建层：先理解大模型是怎么长出来的
- Start Here: Learning Paths：Raschka 的学习路径总入口，适合按路线走。
- Build a Large Language Model (From Scratch)：从 token、attention 到预训练和微调，适合建立从零构建的直觉。
- LLMs-from-scratch 官方代码仓库：配套代码和 notebook，适合边看边跑。
- LLMBook PDF：大语言模型的系统性中文材料，适合做全景补充。
NLP 与预训练模型
- HIT-SCIR/plm-nlp-code：预训练模型时代的 NLP 代码资料，适合看实践。
- Natural Language Processing: Neural Networks and Large Language Models in NLP：更系统的 NLP 与大模型基础书，适合继续往下补。
- Hugging Face Course：从 transformer、tokenizer、datasets 到模型应用，适合系统学习。
工程与应用层：把模型接进系统
- OpenAI Function Calling：理解工具调用和结构化输出的基础。
- OpenAI Structured Outputs：理解 schema 约束输出的关键思路。
- OpenAI Agent Evals：理解怎么给 agent 做评估。
- Anthropic Prompt Engineering Overview：提示词写法和调试思路。
- Anthropic Evaluation Tool：如何对提示词和任务做评估。
- LangChain Structured Output：结构化输出的工程化思路。
- LangChain RAG：RAG 的构建与调试。
- LangChain Evaluation：应用评估和回归思路。
- LlamaIndex RAG：RAG 的另一条工程路线。
- LlamaIndex Evaluation：如何评估生成和检索效果。
- OpenAI Cookbook：大量实战示例，适合把官方能力落到代码里。
推理与部署层：把模型跑得快、跑得稳
- vLLM：高吞吐推理和服务，适合了解服务端部署。
- llama.cpp：偏本地和边缘场景，适合看轻量推理和量化思路。
- NVIDIA TensorRT-LLM：高性能 LLM 推理优化。
- NVIDIA TensorRT：更底层的推理优化工具链，适合看部署和性能。
如果你只想按顺序读
最稳的顺序还是这条：
- D2L
- Deep Learning
- Little Book of Deep Learning
- Raschka 的从零构建路线
- Hugging Face Course
- OpenAI / Anthropic / LangChain / LlamaIndex 的工程文档
- vLLM / llama.cpp / TensorRT-LLM 的部署资料
补充说明
这页的目的不是“把链接堆满”，而是给你一个长期维护的资料仓库。
以后如果你还要继续补：
- 新的开放教材
- 新的工程文档
- 新的官方 demo
- 新的推理框架
都可以继续往这里加，而不用打乱主系列的编号顺序。