ZERO → MODEL ENGINEER
不是“看懂 AI”，而是亲手训练、评测、部署自己的模型。
这是给零基础普通人的实操型大模型课程。每一课都要求留下代码、数据、实验记录和验收结果；最终你会拥有自己的 Personal AI Lab，而不是一堆收藏夹。
MODULE 00
先把“大模型训练”这件事看懂
建立全局地图：知道训练、微调、RAG、Agent、Eval 各自解决什么问题，避免一开始就掉进术语坑。
MODULE 01零基础 Python：只学训练模型真正会用到的部分
不用系统学完整门语言，先掌握变量、列表、字典、循环、函数、文件、JSON 和虚拟环境。
MODULE 02终端、Git 与实验目录：让每次训练都可复现
建立工程纪律：代码、数据、配置、结果、失败记录不能混在一起。
MODULE 03大模型第一性原理：Token 到下一个词
看懂模型到底在做什么，理解“训练”为什么能改变行为。
MODULE 04第一次运行开源模型：把“网站里的 AI”变成你电脑里的模型
完成本地/云端推理，理解模型文件、Tokenizer、显存和生成参数。
MODULE 05Dataset Engineering：模型不是被“提示词”训练出来的，是被数据塑造的
学会设计、采集、清洗、去重、分层和版本化 SFT 数据。
MODULE 06PyTorch：第一次亲眼看见“权重被更新”
不追求数学推导，先用最小神经网络理解张量、前向、Loss、反向传播、优化器。
MODULE 07Transformer 与 Attention：从“会用”到“看懂模型结构”
理解 Q/K/V、causal mask、multi-head、MLP 和残差，不要求手推论文但能读实现。
MODULE 08LoRA / QLoRA：第一次真正微调自己的模型
用可承担的显存，把自己的训练数据写进 adapter，并做训练前后对比。
MODULE 09Evaluation：不用“感觉更聪明了”判断模型
建立固定 Benchmark、评分 Rubric、自动评测与人工抽检。
MODULE 10专治“批量文件敷衍”：Deep Work Agent Pipeline
把一次超长生成改造成可验收的任务系统，让每个文件拥有独立预算和审稿循环。
MODULE 11DPO 与偏好数据：把“我喜欢这种答案”变成训练信号
学习 chosen/rejected 数据、偏好标准和 DPO 的适用边界。
MODULE 12Continued Pretraining：让模型真正吸收领域语言分布
理解何时该继续预训练、数据规模、灾难性遗忘和与 SFT 的顺序。
MODULE 13从零训练 Mini GPT：把黑盒彻底拆开
亲手实现字符/token embedding、causal self-attention、block、loss、训练循环和生成。
MODULE 14GPU、显存、量化与云训练：知道钱花在哪
能够估算训练资源、选择设备、读 OOM，并建立成本纪律。
MODULE 15Model Serving：把模型变成你自己的 API
从“在 Notebook 能跑”升级到“其他应用可以稳定调用”。
MODULE 16Personal AI Lab OS：把学习升级成自己的模型公司
把数据、训练、评测、部署、Agent、文档串成长期可进化系统。