第 01 章：大模型解剖学：参数与 Scaling Law
核心观点：大模型本质上是对人类知识的”有损压缩”。参数量决定了压缩的”分辨率”，而 Scaling Law 揭示了算力转化为智能的物理定律。
1. 引言：智能的”分辨率”
当我们谈论 7B、70B、671B 这些数字时，我们在谈论什么？
很多人认为参数量仅仅意味着”更大的硬盘”，存了更多的死记硬背的知识。大错特错。
参数量实际上代表了模型对世界认知的分辨率。就像一张 JPG 图片，像素越高，边缘越清晰；参数越多，模型对逻辑、因果、微妙情感的”边缘”刻画就越精准。
本章我们将拆解这个黑盒，看看智能是如何从这些浮点数中涌现的。
2. 核心概念：压缩即智能
2.1 这里的”压缩”不是 WinRA
10X AI 全栈工程师的进化之路
内网文档 - 全栈手册)
👆🏻 全栈手册，是我在近期全栈化转型过程汇总梳理的较为结构化、系统性的知识库手册，希望能够对后来人有所帮助。
自我介绍：
1. 还是前端的我，目前负责 Lazada B 端前端基建，Merlion UI (UI 框架)) 作者，LAGO (页面发布平台))、Lazada Material (物料平台)) 等平台主要设计者及维护人，维护 Lazada 商家工作台 Node.js 应用(1000+ QPS)。
2. 开始转 Java 全栈的我，不到 4 个月被紧急成长完成了 Java 迭代需求 30+，主导大型重点项目 —— 智能审核（40 人日以上）交付
第 20 章：系统架构与工程实践
“算法只是冰山一角，工程才是水面下的巨兽。”
恭喜你，你已经掌握了无监督学习的所有核心算法。
但在实际工作中，写出算法代码可能只占 10% 的时间。
剩下的 90% 时间，你在处理：数据管道、异常恢复、性能优化、成本控制。
本章将以一个典型的文本分析系统为例，剖析工业级数据挖掘系统的架构设计。
1. 核心概念：批处理 vs 流处理
1.1 批处理 (Batch Processing)
* 模式：T+1。每天凌晨把昨天的数据全量跑一遍。
* 适用：Embedding, KMeans, LLM 总结。这些算法很重，没法实时跑。
* 常见选择：文本分析系统通常采用批处理。因为”风险挖
第 19 章：从模型到规则：知识蒸馏
“最好的模型，是用完了就可以扔掉的模型。”
在 Python 里跑完聚类和 LLM 之后，我们得到了深刻的洞察。
但 Python 脚本难以处理亿级的实时数据流。
我们需要把 Python/AI 学到的知识，转移到更轻量级、更高效的系统（如 SQL 引擎、规则引擎）中去。
这一过程被称为 知识蒸馏 (Knowledge Distillation)，或者更具体地说，规则提取 (Rule Extraction)。
1. 核心概念：Model-to-Rule
1.1 为什么需要规则？
1. 性能：SQL RLIKE 比 Embedding 快一万倍。
2. 成本：不需要调 API，不需
第 18 章：大语言模型在数据分析中的应用
“以前我们教机器学数学，现在我们教机器读课文。”
在传统的无监督学习流程中，最大的痛点是“结果不可读”。
* 聚类结果：Cluster_42。
* 异常结果：Anomaly_Score = 98.5。
* 业务人员：？？？
在大模型 (LLM) 时代，我们有了一种全新的范式：使用 LLM 作为这一流程的“解释层” (Interpretation Layer)。
1. 核心概念：LLM 的三种角色
在数据分析链路中，LLM 可以扮演三种角色：
1.1 摘要员 (Summarizer)
这是最基础的用法。
* 输入：Cluster 42 中的 50 条工单文本。
* Pr
