ArronAI007/Awesome-AGI · 上手攻略
- 仓库：ArronAI007/Awesome-AGI
- 链接：https://github.com/ArronAI007/Awesome-AGI
- 分类：AI 知识库 / 学习资源 / LLM 综述
- 作者：Tom
- 更新：2026-08-27
是什么
Awesome-AGI 是一个中文 AGI（通用人工智能）学习资源汇总仓库，持续更新，收录大语言模型（LLM）、AIGC（AI 生成内容）相关的论文、教程、工具、项目和数据集。按内容形态分为五大模块：
- 01 基础理论：预训练、微调、RLHF、Prompt Engineering、评估、长文本、幻觉、可控性与安全
- 02 模型与 API：语言大模型、多模态模型、OpenAI 系模型
- 03 工程与部署：部署框架、分布式并行
- 04 应用实践：RAG、Agent、NL2SQL、MCP（Model Context Protocol）
- 05 开发框架：LangChain、LlamaIndex
- 06 数据集：预训练/微调数据集汇总
本质上这是一个用 README.md 维护的中文 AI 学习地图，按主题分类整理了社区主流资源，适合作为"遇到某个方向不知道看什么"时的第一站。
解决什么问题
AGI / LLM 领域知识极度分散：论文在 arXiv、技术博客在各官网、代码在 GitHub、新闻在 Twitter/HackerNews。一个中文学习者往往需要花大量时间检索和筛选。
Awesome-AGI 的价值是把这些资源按学习路径组织，并且给出了论文/代码/Blog 三维标注，让你可以根据自己当前的需求层级（理论 → 工程 → 应用）快速定位。
快速安装
这不是一个需要安装的工具库，而是直接阅读的文档型仓库。
# 直接 clone 阅读
git clone https://github.com/ArronAI007/Awesome-AGI
cd Awesome-AGI
# 本地预览（如果有 markdown-preview 插件）
# 或直接用 VS Code / Typora 打开 README.md
# 在线直接看（无需 clone）
# https://github.com/ArronAI007/Awesome-AGI
⚠️ 这是一个静态文档仓库，没有可执行代码，无需 Python/Node 运行环境。
核心用法
按模块浏览
每个大模块下按子主题排列，例如 01-fundamentals/ 目录下有：
- 预训练与数据集
- 微调（含 PEFT 技术全图谱）
- 评估
- Prompt Engineering
- RLHF
- LLM 扩词表
- LLM 长文本
- LLM 幻觉
- LLM 可控性与安全
- LLM 文本检测
每个条目通常标注了三列：Paper / Code / Blog，方便按需跳转。
高效微调（PEFT）全景图
仓库在 05-datasets/README.md 附有一张当前主流 PEFT 技术的总结图（来源是 huggingface peft 官方仓库的汇总图），并逐条展开：
| 方法 | 核心思想 | 代表性变体 |
|---|---|---|
| LoRA | 低秩矩阵分解，冻结原权重，只训练 A/B 矩阵 | LoRA+、AdaLoRA、QLoRA、DoRA、PiSSA、LoRA-FA、LoRA-drop、Delta-LoRA |
| 增加额外参数 | 在 Transformer 中注入可学习模块 | Prefix Tuning、Prompt Tuning、P-Tuning |
| 选取部分参数 | 只微调部分原有参数 | BitFit |
| 混合方法 | 组合多种 PEFT 策略 | MAM Adapter、UniPELT、MOELoRA |
PEFT 技术速查重点： - LoRA rank 选择：通常 4/8/16 即可，rank 增加不必然带来效果提升（来自原论文消融实验） - QLoRA：4bit 量化 + LoRA，llama-7b 在单卡 24GB 可微调（出自 QLoRA 论文 arXiv:2305.14314） - DoRA：NVIDIA 提出，权重分解为 magnitude + direction 分量微调，兼容 LoRA 框架，无额外推理开销 - PiSSA：与 LoRA 核心相同但改进了初始化方式，效果更稳定（arXiv:2404.02948）
⚠️ 以上技术细节基于仓库 README 的描述，建议读者自行核对原论文——LoRA+ 论文版本和 rank 选择建议来自 README 描述，精确数值以各原论文为准。
典型使用路径
场景 A：刚入门 LLM，想了解微调有哪些方法 → 看 01-fundamentals → 微调 → PEFT 全景图 + 各方法简介
场景 B：要做 RAG 应用，不知道有哪些工具 → 看 04-应用实践 → RAG → 各开源项目按场景分类
场景 C：选 Agent 框架，LangChain vs LlamaIndex 选哪个 → 看 05-开发框架 → LangChain / LlamaIndex → 各有优劣，LangChain 更全、LlamaIndex 更专注索引
场景 D：想了解 MCP 是什么 → 看 04-应用实践 → MCP → 仓库提供了 MCP 相关资源
与其他 Awesome 列表的关系
| 仓库 | 特点 | 与 Awesome-AGI 关系 |
|---|---|---|
| huggingface/peft | 官方 PEFT 工具库，代码为主 | Awesome-AGI 的 PEFT 部分参考了它的分类 |
| labring/awesome-llm-long-context-modeling | 长上下文模型专项 | 互补，Awesome-AGI 长文本部分包含引用 |
| SamurAIGPT/awesome-llms | 英文 LLM 资源列表 | Awesome-AGI 是中文学习者友好的中文精选版 |
| atorium-ai/awesome-llm-apps | LLM 应用集合 | 互补，Awesome-AGI 更偏理论层 |
坑与注意
-
这是一个 Awesome List，不是工具库：没有可执行代码，不要 clone 之后去找
pip install或python main.py。 -
资源质量依赖原作者维护：仓库本身是人工整理，资源的时效性、更新状态、许可证由各原始仓库决定，使用前请自行核实。尤其是 Paper/Code/Blog 链接，可能因仓库改名或删除而失效。
-
PEFT 部分以 LoRA 家族为主：列表偏向预训练/微调方向，工程部署、推理优化内容相对少（03-工程与部署 部分目前内容较简略）。
-
中文资源为主但并非全部：论文链接多为英文原 paper，但行文注释和分类逻辑是中文的。
-
版本和数字未标注时间：README 中引用的论文数字（如 "LoRA 在只训练极少量参数" 等）未标注具体发布时间，建议以对应论文为准。
-
持续更新 ≠ 完整：周增 Star 显示 2026-08-27 当周新增 513 stars，说明仓库在活跃维护中，但不代表所有子方向都有覆盖。
一句话推荐结论
"中文 AGI 学习者的百科目录，按基础理论→模型→工程→应用→框架分层，适合作为遇到某个 LLM 细分方向时的第一站入口"——想找 PEFT 技术全景图从这里进，想了解 Agent/RAG/MCP 最新动态从这里扫目录，想深入任何一个方向再跳转到原始 paper。
来源：GitHub README（https://github.com/ArronAI007/Awesome-AGI）全文读取。PEFT 表格内容直接来自 README 各行描述，⚠️ 具体数字和结论（如"rank 4/8/16 即可"、DoRA/MoELoRA 效果声明）建议以对应原论文为准，README 未标注数据引用的原始 paper 版本号。