编写交互式教程指南

# 编写交互式教程指南 (Interactive Tutorial Guide)

## 概述

本指南基于 `docs/zh-cn/appendix/llm-intro.md` 的编写模式，总结如何创建高质量的交互式技术教程。

## 一、内容展开的循序渐进原则

### 1.1 核心叙事模式

`llm-intro.md` 采用的是 **"螺旋上升"** 的叙事结构，每个知识点都遵循以下认知路径：

```
具体体验 → 抽象概念 → 历史对比 → 本质揭示 → 前沿拓展
```

#### 原则 1：从具体体验到抽象原理

**不要一上来就讲定义**，先让读者看到效果。

**示例（llm-intro.md 第 0 章）**：

```markdown
# 大语言模型入门

> 💡 **学习指南**：本章节无需编程基础，通过交互式演示带你深入了解大语言模型...

<LlmQuickStartDemo /> <!-- 先让读者玩起来 -->

## 0. 引言：从人类语言到机器计算

人类用语言交流，计算机用数字计算。
**大语言模型 (LLM)** 的本质，就是一座连接这两个世界的桥梁。
```

**要点**：

- ✅ 第一屏就是交互式演示
- ✅ 读者"玩过"后再讲原理
- ❌ 避免开篇就是"LLM 是基于 Transformer 的..."

#### 原则 2：从简单到复杂（知识依赖链）

**每个新概念都建立在前一个概念基础上**，形成知识链条。

**示例（llm-intro.md 第 1-3 章）**：

```markdown
## 1. 第一步：翻译（Tokenization）

核心任务：把文字变成数字 ID
<TokenizationDemo />

## 2. 核心难题：如何让计算机"计算"语言？

问题：只用 ID 太浪费、没内涵
方案：Embedding（稠密向量）
<EmbeddingDemo />

## 3. 从 单词 到 矩阵

回顾：Embedding 把每个词变成向量 → 把向量拼成矩阵 → GPU 高效计算
<TokenizerToMatrix />
```

**依赖关系**：

```
Tokenization（基础）
    ↓
Embedding（优化 Tokenization）
    ↓
矩阵化（优化 Embedding 的计算）
    ↓
Transformer（利用矩阵并行）
```

**要点**：

- 每章开头"回顾"上一章内容
- 明确说明"为什么要学这个"
- 用"因为...所以..."连接知识点

#### 原则 3：从问题到方案（对比式讲解）

**先提出"直白方案"的缺陷，再引出"聪明方案"**。

**示例（llm-intro.md 第 2.1-2.2 章）**：

```markdown
### 2.1 为什么不用简单的 ID？

如果只用 ID，计算机会认为"10"和"20"只是两个毫无关系的数字。

- **缺点1**：太浪费（稀疏，One-Hot 数组太大）。
- **缺点2**：没内涵（无法表示"苹果"和"香蕉"都是水果）。

### 2.2 解决方案：Embedding（稠密向量）

为了**高效**且**有内涵**地表达一个词，我们发明了 **Embedding**。
它不再用一个长长的 0/1 数组，而是用一个短一点的、填满小数的数组...
```

**模板**：

```markdown
### N.1 为什么不用 [朴素方案]？

[说明朴素方案的问题]

- **缺点1**：[具体问题]
- **缺点2**：[具体问题]

### N.2 解决方案：[优化方案]

为了解决上述问题，我们引入了 [优化方案]。
[说明优化方案的核心思想]
```

**要点**：

- 用"为什么不用..."作为章节标题
- 用列表清晰列出缺陷
- 用"为了...我们引入..."过渡到新方案

#### 原则 4：从历史到现代（进化式讲解）

**通过对比"旧技术"和"新技术"，说明技术演进的动机**。

**示例（llm-intro.md 第 4 章）**：

```markdown
### 4.1 为什么要淘汰 RNN？

以前的模型（RNN）像人读书一样，**从左到右**一个字一个字读。

- **缺点1**：慢。必须读完第1个字才能读第2个，没法并行。
- **缺点2**：忘。读到文章最后，可能已经忘了开头讲什么了。

### 4.2 Transformer 强在哪？

现在的 LLM 都基于 Transformer 架构，它完美契合了矩阵并行的特性：

1.  **并行阅读**：它可以**一眼看完**整句话...
2.  **注意力机制**：让每个词都**直接关注**到其他所有词...
```

**对比表格化**：

```markdown
| 特性           | RNN                | Transformer            |
| :------------- | :----------------- | :--------------------- |
| **阅读方式**   | 从左到右，逐字处理 | 并行处理，一眼看完整句 |
| **计算效率**   | 慢（无法并行）     | 快（GPU 矩阵运算）     |
| **长距离记忆** | 容易遗忘           | 注意力机制保持连接     |
```

**要点**：

- 明确说明"为什么要淘汰"
- 用具体场景对比（如"读书方式"）
- 配合 `<RNNvsTransformer />` 可视化

#### 原则 5：从现象到本质（揭秘式讲解）

**先描述用户能观察到的现象，再揭示背后的本质机制**。

**示例（llm-intro.md 第 5 章）**：

```markdown
## 5. 揭秘：从"续写"到"对话"

很多人会误以为 ChatGPT 真的懂我们在说什么，但其实它的本能只有一个：**猜下一个词**。

### 5.1 本能：疯狂续写

如果你给基础模型输入："今天天气不错"，它可能会续写："去公园玩吧。"
但如果你输入："美国的首都是哪里？"，它可能会续写："中国首都是哪里？..."

### 5.2 技巧：用"剧本"来对话

为了让它变成对话助手，工程师们想出了一个绝妙的办法：**角色扮演**。
我们在输入给模型的内容里，悄悄加了一些特殊的**标签**...
```

**叙事结构**：

```
现象（ChatGPT 会对话）
    ↓
打破误解（它只是在续写）
    ↓
揭示本质（Next Token Prediction）
    ↓
技巧揭秘（Template 角色扮演）
    ↓
深度交互（TrainingInferenceDemo）
```

**要点**：

- 用"揭秘"作为章节标题
- 用"很多人会误以为..."制造悬念
- 用"但其实..."转折到真相
- 用"本质只有一个"强调核心

#### 原则 6：从基础到前沿（拓展式讲解）

**在讲完核心原理后，介绍最新进展，保持内容的先进性**。

**示例（llm-intro.md 第 7 章）**：

```markdown
## 7. 前沿探索：会思考的模型、MoE 架构与线性注意力机制

随着技术的发展，我们发现仅仅靠"预测下一个词"有时候会犯蠢...
于是，新一代的 **Thinking Models**（如 OpenAI o1, DeepSeek-R1）诞生了。

### 7.1 什么是"思考"？

- **快思考 (System 1)**：凭直觉，脱口而出。容易犯错。
- **慢思考 (System 2)**：通过产生"思维链"，一步步推理。

### 7.5 架构进化：从"全能"到"专家团"（Dense vs MoE）

- **Dense（稠密模型）**：比喻为一个**全能天才**...
- **MoE（混合专家模型）**：比喻为一个**专家团队**...
```

**拓展维度**：

1. **算法演进**：传统 → 现代
2. **架构优化**：Dense → MoE
3. **效率提升**：标准 Attention → Linear Attention

**要点**：

- 用"前沿探索"作为章节标题
- 说明"为什么需要新东西"
- 用比喻降低理解难度（如"专家团队"）
- 提供实战指南（Prompt 风格变化）

### 1.2 章节编排的六个层次

一个完整的交互式教程应该包含以下层次（从浅到深）：

```
层次 0：引子          （类比 + 核心挑战）
层次 1：基础概念      （是什么 + 怎么做）
层次 2：设计动机      （为什么不用朴素方案）
层次 3：核心机制      （本质原理 + 可视化）
层次 4：实践应用      （数据格式 + 使用场景）
层次 5：前沿拓展      （最新技术 + 未来趋势）
```

**对照检查**：

- ✅ 每个层次是否有对应章节？
- ✅ 层次之间是否有逻辑连接？
- ✅ 是否提供了交互式演示？

### 1.3 段落内的微观展开

每个段落内部也遵循 **"提出问题 → 分析问题 → 解决问题"** 的三段式结构：

```markdown
[提出问题]
计算机看不懂"汉堡"这两个字，它只认识数字。
所以，我们的第一个任务是：**把文本切分成计算机能理解的最小单位**。

[分析问题]

- **英文**：自带空格，天然容易分词（如 `I love AI`）。
- **中文**：没有空格，需要算法来切分（如 `我爱人工智能`）。

[解决问题]
现代 LLM（如 GPT-4）通常使用 **Subword Tokenization（子词分词）** 技术（如 BPE 算法）。
它的聪明之处在于：

- **常用词**（如 "apple"）保持完整，作为一个 Token。
- **生僻词**（如 "applepie"）拆分成常见片段（"apple" + "pie"）。
```

**要点**：

- 第一段：提出问题（用粗体强调任务）
- 第二段：分析问题（用列表对比）
- 第三段：解决问题（说明方案和优势）

## 二、文章结构规范

### 2.1 标题与学习指南

```markdown
# 主题名称 (English Title)

> 💡 **学习指南**：本章节[前置要求]，通过[教学方式]带你深入了解[核心主题]。我们将从[起点]开始，一直到[终点]。
```

**要点**：

- 标题使用中英双语，括号标注
- 学习指南块说明：前置要求、教学方式、学习路径
- 降低读者焦虑，强调"无需XX基础"

### 2.2 引子：从问题到动机

**结构**：

1. **类比/比喻**：用日常生活中的例子引入
2. **核心挑战**：列出 3 个左右要解决的问题
3. **路线图**：预告章节结构

```markdown
## 0. 引言：从[熟悉概念]到[新概念]

[用类比连接两个概念]

它的核心任务只有一个：**[一句话总结核心目标]**。

为了实现这个目标，我们需要解决三个核心挑战：

1.  **[挑战1]**：[为什么需要]
2.  **[挑战2]**：[为什么需要]
3.  **[挑战3]**：[为什么需要]

本教程将带你从零开始，一步步拆解[核心主题]的构建过程。
```

### 2.3 主体章节结构

每个知识点遵循 **"问题 → 方案 → 对比 → 演示"** 的结构：

```markdown
## N. [章节标题]

[段落1：提出问题/当前困境]

### N.1 [子问题标题]

[解释问题产生的背景/原因]

### N.2 [解决方案标题]

[提出解决方案，解释其核心思想]

**关键点**：[一句话总结核心概念]

<[InteractiveDemo />
```

**要点**：

- 用问答式标题（"什么是XX？" "为什么不用XX？"）
- 用列表和粗体强调重点
- 每个关键概念后紧跟交互式演示

### 2.4 对比分析表格

当需要对比多个选项时，使用表格：

```markdown
| 特性         | [选项A]            | [选项B]            |
| :----------- | :----------------- | :----------------- |
| **核心逻辑** | **[描述]**         | **[描述]**         |
| **优点**     | [优点1]<br>[优点2] | [优点1]<br>[优点2] |
| **缺点**     | [缺点1]<br>[缺点2] | [缺点1]<br>[缺点2] |
| **适用场景** | [场景1]            | [场景2]            |

> ⚠️ **注意**：[使用建议或注意事项]
```

### 2.5 数据示例

当涉及数据格式时，提供 JSON 示例：

````markdown
- **数据示例 (JSON 格式)**：
  ```json
  // [注释说明这是什么数据]
  {
    "field1": "值1",
    "field2": "值2"
  }
  // 模型学会了：[解释这个数据的作用]
  ```
````

### 2.6 名词速查表

文章末尾提供 Glossary：

```markdown
## N. 名词速查表 (Glossary)

| 名词      | 全称        | 解释                                   |
| :-------- | :---------- | :------------------------------------- |
| **TERM1** | Full Name 1 | **简短中文说明**。详细解释为什么重要。 |
| **TERM2** | Full Name 2 | **简短中