第1章 · 环境、隐私与云权益审计

前置要求：无需任何专业算法或深度学习基础。作为全书起点，仅需具备基本的终端命令行使用习惯与常规开发软件安装能力。

工程实战的第一步，是建立确定性与可复现性：把本地系统配置为与全书实验完全对齐的基线状态，并在进入代码之前清晰界定开发者订阅、云端资格与操作授权三者的物理边界。分清这三者，能有效避免云端实验中的意外扣费与进度误报。

本章目标

学完后你能做到：

1. 在自己机器上跑通本书全部本地实验的基线环境（Node 20 / pnpm 9 / Python 3.11 / Chrome），并能在全新 checkout 里重来一遍。
2. 明确区分“订阅权益、云资格、单次操作授权”的物理边界，不把 Google AI Pro 等订阅误当成免费 GPU 或已开通的云账单。
3. 按模板写出一份不含任何个人信息的脱敏能力记录，并通过本地校验器。

阶段一：跑通本地基线

以下命令在仓库根目录执行。前半段装站点和测试环境，后半段装 Python 实验环境：

pnpm install --frozen-lockfile   # 按 lockfile 严格安装站点依赖
pnpm test:labs                   # 跑全部实验测试，任何 skip/xfail 都算失败
pnpm docs:build                  # 构建课程站点
pnpm docs:preview --host 127.0.0.1  # 本地预览构建产物

python3.11 -m venv .venv         # 建一个隔离的 Python 环境（避免污染系统 Python）
source .venv/bin/activate        # 激活它；Windows 用 .venv\Scripts\activate
python -m pip install --upgrade pip
python -m pip install -r requirements.txt
export PYTHONPATH="$PWD/python"  # 让 Python 能找到仓库里的实验代码
python -m pytest python/tests -q --tb=short

核心机制解析：

• venv 隔离机制：为本项目建立独立的 Python 包目录，避免不同项目间的依赖版本冲突。新开终端执行实验前，均需先执行 source .venv/bin/activate。
• PYTHONPATH 路径解析：显式指定 Python 解释器在标准库之外优先搜索 python/ 源码目录，避免测试时因模块定位失败报 ModuleNotFoundError: llm_core。

requirements.txt 会自动带上 requirements-py311.lock.txt 里 16 个针对 Python 3.11 的锁定约束，保证你装到的版本和课程验证过的一致。第4–11章默认在 CPU / Apple Silicon MPS 上跑，规范安装会包含 PyTorch——第9章要真实训练 TinyGPT，缺了 PyTorch 的环境会把测试 skipped，跳过不算通过，先修复环境再继续。

预期结果：pnpm test:labs 和 pytest 全部通过、无 skip。如果报错，先翻到本章「常见问题」对照处理。

受限设备运行保障（纯 CPU / 轻薄笔记本友好）

全书所有核心模型与算法代码均经过高保真工程裁剪与微型化设计，确保在标准开发设备上流畅运行：

• 纯本地 CPU 极速跑通：从第 4 章的标量自动微分、第 6 章的字节级 BPE 分词器，到第 8 章的多头注意力与第 9 章的 TinyGPT 预训练，所有网络结构均原生支持纯 CPU 运行。
• 超轻量显存/内存预算：教学版 TinyGPT 参数量精确控制在 10.8 万（约 108K 参数），单批次训练的内存峰值小于 500 MB，轻量可控。
• 分钟级实验反馈：在普通 CPU（如 Intel i5/i7 或 AMD Ryzen 5）上，运行 100 个训练步仅需约 30 秒，1000 个训练步在 3 分钟内即可收敛；在 Apple Silicon（M1/M2/M3 等）上更可通过 MPS 加速在数十秒内完成。
• 完全离线且零成本：本地学习路径直接成本为 0 元，无需任何 API 充值，无需云服务器账单，断网状态下亦可完成模型训练与代码测试。

实验模块	推荐硬件	内存开销	典型运行时间（CPU）	产出成果
第4章 标量微分 Value	任意双核 CPU	< 50 MB	< 1 秒	标量反向传播引擎
第6章 BPE 分词器	任意双核 CPU	< 100 MB	< 2 秒	完整词表与编解码器
第8章 Transformer Block	任意四核 CPU	< 200 MB	< 5 秒	多头注意力与前馈块
第9章 TinyGPT 预训练	普通笔记本 CPU	< 500 MB	1 ~ 3 分钟	具备下一个词预测能力的微型模型
第10章 KV Cache 推理	普通笔记本 CPU	< 200 MB	< 3 秒	缓存加速自回归文本生成

阶段二：分清订阅、资格与授权

全书在后期包含一次受控的云端小模型训练（第21章）。为避免非预期的云端扣费，课程将云端执行拆分为四道互不信任的独立闸门，任何一道未满足均停留在本地路径，不影响主线学习：

闸门	检查内容	不通过时的阻断策略
资格（Eligibility）	当日在服务商官方控制台核验，账号是否具备对应云资源配额与结算关联	状态保持 unverified，停留在本地课程
smoke 授权	单次 5–10 分钟的小规模预检试跑，需独立审批确认	不创建任何远程计算任务
full run 授权	完整模型训练执行，必须再次单独获得明确审批	smoke 试跑通过不能自动继承权限
service deploy 授权	部署私有推理端点服务，必须第三次单独审批	不执行任何部署变更

工程视角下的权限分层：订阅等级（如 Google AI Pro）仅代表服务商宣传的包含权益；资格（Eligibility）是在云控制台实测确认当前账号已绑定有效结算与可用配额；授权（Authorization）是每一次具体资源调用的运行时审批凭证。即便看到“包含 Cloud credit”说明，在物理上也既不代表账号已完成结算关联，也不代表已获得可用 GPU 配额或训练无需计费。

CLOUD ROUTE · DRY RUN ONLY

Google 资源是可选加速器，不是课程前置条件

Google AI Pro 会员权益、Google Cloud credit、Gemini API 额度和 GPU quota 是不同边界；必须在真实控制台逐项核验。页面不读取账号、不发起云请求。

资格：未核验

选择本地 dry-run 的云路线形状

Cloud Run Jobs · CPU推荐的默认小模型重放路线 Vertex AI · T4只有 quota 与预算均满足才考虑

Cloud Run Jobs · CPU

资源形状

1 task · 4 vCPU · 16 GiB · 最长 1 h（本地计划）

成本边界

研究估算示例；不是报价，必须按当日 SKU 重算

为什么

默认路线：可清理、无需 GPU quota

尚未生成本地计划。选择路线后点按钮，结果只留在本页。

任何 cloud smoke/full run/service deploy 都必须带一次性 approval_id、operation_id、region、资源形状、时限和 gross cost；未核验或未授权时，本地结果不能标记为云端通过。

云操作的真实顺序固定为：本地 dry-run（不联网、不建资源）→ smoke → 单独批准 full run → 单独批准部署 → 生成对拍 → 同日清理 → 48 小时后回读账单确认没有残留费用。credit 不是消费上限，gross 预算门禁为不超过 8 美元等值。

每一次云端执行都必须留下一条可回读的证据链——缺少任何一环，云端训练完成状态均不成立：

这条链每一环在第21章会展开成逐阶段证据表；本章核心在于建立防御性认知：任何一环缺失（例如缺少 execution ID），就意味着该产物不能作为云端训练的有效证据，系统状态必须保持 cloud_training_passed=false。

阶段三：写下你的脱敏审计记录

核验完官方 UI 后，只记录下面这种结构。对照字段逐个理解：

capability: <capability-name>        # 能力名称，如 cloud-training
verified_at: <iso-date>              # 你核验的日期
status: eligible|unavailable|unverified  # 三态：能用 / 没有 / 未核验
scope: <sanitized-service-or-route>  # 脱敏后的服务或路线描述
expires_at: <iso-date-or-null>       # 资格失效日期，没有就 null
safe_course_use: yes|no|human-approval-required
evidence_local_only: true            # 原始截图只存本地，不进仓库

字段的机器合同在 configs/google-gates.template.json；当前仓库的记录是 configs/google-gates-local-v1.json。写完记录后运行校验：

pnpm google:gates
node scripts/validate_google_gates.mjs --file <你的脱敏记录.json>

校验器只接受 eligible|unavailable|unverified 三种状态，并且拒绝任何账号 ID、项目号、邮箱、凭据、绝对路径——写进去就会校验失败，这是故意的：脱敏是硬性要求，不是建议。校验通过只说明"记录格式和隐私边界有效"，不代表任何云操作已执行。

故障注入与预期信号

注入的坑	会出现的信号	正确处理
把会员名当 GPU 配额	计划直接提交云资源	资格保持 unverified，停在本地
只有 smoke 授权却启动 full run	授权 action 不匹配	审批账本拒绝，授权不能继承
预算、时长或 region 缺失	计划无法审计	不创建任务
本地 checkpoint 冒充云 checkpoint	证据链缺 execution ID	记 cloud_training_passed=false
发现异常资源或账单	继续操作会放大损失	立即停止，交由人类处理

常见问题

现象	处理
ModuleNotFoundError: llm_core	激活 venv 并设置 PYTHONPATH="$PWD/python"
pytest 找不到	检查是否在 Python 3.11 的 venv 里、requirements 是否装完
页面组件不更新	重新 pnpm docs:build 再重启 preview
云资格是 unverified	继续本地课程，不打开未授权的已登录控制台
看到密钥、个人资料或账单原文	不复制到任何地方；停止并只做脱敏记录

本章验收

不看资料，能回答这两题就算过：

1. 为什么 eligible、一次 smoke 授权、一次真实云执行是三件不同的事？每一步缺失时必须停在哪里？
2. 从本地训练输入画到私有 Service 的证据链，指出哪一个回读能阻止"本地成功"被误报成"云端成功"。

学习者提交模板（待填写，不是当前机器证据）

复制下面模板，填写你当天官方 UI 核验后的脱敏结果。所有 <...> 都是未填写状态，不能当作资格已确认；不要写入账号、项目号、余额截图、cookie、token 或账单原文。

capability: <capability-name>
verified_at: <iso-date>
status: eligible|unavailable|unverified
scope: <sanitized-service-or-route>
expires_at: <iso-date-or-null>
safe_course_use: yes|no|human-approval-required
evidence_local_only: true

模板未填写、资格为 unverified 或授权为 false 时，必须停在本地路径；这些记录不能推出云训练、部署或学习者掌握已经通过。

资源 / 成本 / 隐私

• 资源：本地 Node、Python 3.11、PyTorch、Chrome 与仓库内 fixture 即可完成本章；Google 官方页面只在你主动核验时使用。
• 成本：本地路径直接成本为 $0；Cloud dry-run 固定 network_calls=0 且不创建资源。真实云操作需要另行人工审批、预算和当天资格核验。
• 隐私：只保存脱敏的布尔/状态/范围字段，不保存账号、项目号、账单、cookie、token、邮箱或个人经历原文。

证据

仓库当前机器证据（只读快照）

evidence/module-manifest-v1.json 中 01.evidence 指向当前文件：evidence/cloud-dry-run-v1.json。这是当前 checkout 的脱敏 dry-run 记录，只证明本地计划的参数、边界和 network_calls=0；它不证明 Google 账号资格、付费云训练或学习者已经完成本章。

隐私历史与产物扫描的补充记录为 evidence/privacy-history-local-v1.json。它只保存类别、路径、计数和脱敏状态；当前树扫描为 0 hit，但历史中的命中与缺少 CI 日志仍保持阻塞。

Google 权益与授权合同的本地补充记录为 evidence/google-gates-local-v1.json；官方 UI 脱敏观察的原始范围索引为 evidence/google-one-ui-readonly-v1.json。这两份记录只证明 UI 观察、脱敏字段、独立 approval 绑定和 fail-closed 校验器范围；不证明 Cloud billing、quota、云 job 或部署。

下一步

默认进入 第2章 · 面向大模型的现代 Python 与张量工程底座：补齐面向对象运算符重载、闭包、venv/pytest 和 NumPy 广播直觉，接着进入 第3章 · 大模型核心数学桥接与符号解码速查 解锁 15 大数学符号。已经具备扎实工程与数学直觉的读者，可以直接进 第4章 · 从导数到自动微分。云资格未核验不挡本地主线。

边界说明：环境参考 · 隐私红线