学 LLM 最有效的起点不是先啃完理论，而是选一个真实小任务，边做边补概念，让卡住的地方告诉你该学什么。
AI根据立正公开的文章和视频整理，不是他本人回复。重要的判断，请回到出处核对。
先动手，卡住的地方才是学习清单
入门 LLM 常见的失败是先把课程、论文、工具全排成一条学习路线，结果迟迟不产出任何东西。更省力的做法是反过来：挑一件你本来就想做的事，比如让模型帮你整理一份资料或写一段代码，直接做，遇到不会的再回头查。立正讲博士期间听讲座时，如果非要等想清楚再提问，往往就错过了提问的机会，所以他主张先行动、在行动中修正，而不是想周全再开始1。这个逻辑对学 LLM 同样成立：你亲自跑一次，才会知道自己到底卡在概念、工具还是数据上。
把 LLM 理解成数据库，先建立整体地图
材料里的观点如果需要一个能串起零散知识点的框架，可以借用一种说法：把大模型看成一套更先进的数据库，预训练是往里塞内容，后训练是把知识按不同粒度取出来、看哪些组合有用再填回去2。这个比喻的价值在于，它把压缩、推理、对齐、数据飞轮这些平时分开讲的问题放进同一张图里。注意这是访谈嘉宾查晟的抽象，不是立正本人的判断。对初学者来说，先有这张地图，再去看具体技术细节，不容易迷路。
现有材料没有专门讲 LLM 入门路径，上面是把「先行动、再修正」和一种整体框架迁移到学习场景，具体课程和工具选择需要你自己判断。
出处
- 1请零思而后行
讲「零思而后行」，适合理解为什么先动手比先想清楚更适合入门阶段。
- 2大模型训练全过程的技术细节、难在哪里，各家真实水平，科研精神的重要，benchmark为什么没用，谷歌和英伟达的恐怖统治力，达到singularity的核心突破在于AI自主提问｜查晟访谈
查晟访谈里把 LLM 比作数据库的整体抽象，适合建立入门时的知识地图。
你也有想问的？
卡住的时候，问问立正：回答只从立正讲过、写过的东西里来，每一段都能点回原文。
问类似的问题也可以接着问：
别人还问了
- 换工作的时候，长期来看，考虑的优先级应该是什么
长期看，优先级是行业与增长空间、公司平台和业务、直属老板，最后才是薪资；薪资差距超过三成时才需要单独权衡。
- 什么场景/团队/项目用MCP/Skills什么时候不用
MCP 和 Skills 不是按场景二选一，而是先看结果、再看它是否真省 context：官方 MCP/CLI 简单但结果杂乱、几轮就撑满窗口时，才值得自己做成 Skill。
- 如何用 AI 辅助 产品设计
用 AI 做产品设计，关键不是让 AI 画图或写代码，而是把 AI 放进产品运行过程里承担任务，并把自己的判断标准写成 AI 能读的上下文。
- 什么是创意？创意也是对现有元素的组合排列吗？是的话，在这种情况下，怎么判断一个点子是否是真正创新的创意？最后如何获得创意？
创意可以看成对现有元素的重新组合，但判断它是否真创新，要看它是否解决了一个此前没被满足的真实需求；获得创意的路径是靠近真实问题、快速交给现实修正，而不是坐在房间里凭空想点子。
- 如何能找到building的第一个东西
先做一个能跑通的最小版本，用它来发现你原本看不见的需求；building 是习惯，不是一次学会的知识。
- 想做的事情太多，身边的噪音也太多，害怕选择了一条路放弃了别的东西，什么都想抓住，到头来什么都做不好。ai时代日新月异，该如何保持well informed，同时找到并且坚定自己的conviction
先分清哪些是决定方向的层级、哪些只是执行方法，再把“保持知情”当成筛选信息的能力而非追新；信念感来自对底层逻辑的理解，不是靠意志硬撑。