与应用站、评测站及 Agent 系统的生态边界

本页定义 llm.zenheart.site（Learn LLM）与同生态项目（evals.zenheart.site、自举 Agent zen、ai.zenheart.site）的定位、分工与验收边界。各站点独立闭环、各司其职，不以泛化调用替代底层理解，也不以页面 Demo 代替工程证据。

一、ZenHeart AI 体系四维矩阵

维度	Learn LLM（本站） llm.zenheart.site	大模型评估（Evals） evals.zenheart.site	自举编码 Agent（Zen） zen	应用工程（Learn AI） ai.zenheart.site
核心命题	模型内部在算什么？我能否从零手写、解释张量并排查故障？	主流厂商每次发布公布哪些评估？如何读懂报告与帕累托选型？	如何构建一个内核零依赖、最简原语、可自举进化的真实编码 Agent？	如何调用商用 API/SDK 做出可维护、带交互的产品功能？
学习路径	第1章环境准备 + 第2–22章：从标量 autograd 到 Transformer、KV Cache、后训练、DeepSeek 架构、可恢复 Agent 与 Capstone；第23章收在毕业后的结构取舍读法	4 大模块 32 章：建立框架认知 → 标准评测流水线 → 厂商评测全景 → 评估框架实战 + 65 个 Benchmark 字典	M0（最小循环 + 纯自建工具 + REPL）→ M1（内核自举）→ 交互式教学沙箱	Prompt 工程、函数调用、上下文组装、业务工作流与全栈交付
主要技术栈	Python、NumPy、必要时 PyTorch；前端 VitePress 交互式数学组件	Node.js、VitePress 静态站点、实体化 Benchmark JSON 数据库	TypeScript（内核严格零外部依赖）、纯 Node.js 原语	TypeScript / Node.js、主流前端框架、云服务 SDK
可验证证据	固定 seed、张量 shape 与 loss 对拍、故障注入断言、离线 Harness Replay	厂商报告一手证据链（A 级来源）、Benchmark 形式化参数、Scorecard 校准	CI 零依赖检测、Loop 不变量断言、状态事件流录制	功能端到端测试、集成测试、生产可观测性指标
成功标准	L3 从零手写/调试/解释，L2 测量/比较；通过 22 章严格质量与证据门禁	读懂技术报告与 Elo 榜单，独立设计领域评测集并计算多目标非支配前沿	内核代码完全可读、完全可改，最终实现 Agent 自开发 Agent	产品功能按时上线、业务安全兜底、用户交互流畅

二、本站覆盖与边界划分

1. 核心算法主线（第2–12章）：完整覆盖 decoder-only LLM 核心算法链路——Python 与数学直觉桥梁、标量 autograd、概率自回归、BPE 分词、训练稳定性与混合精度、Scaled Dot-Product Attention、TinyGPT 预训练、KV Cache/RoPE/量化、SFT/LoRA 与 DPO 对齐，以及 DeepSeek 核心架构剖析（MLA、DeepSeekMoE、GRPO）。
2. 生产 Agent 基础（第13–22章）：覆盖带引用与 ACL 的 RAG、生产级检索（KNN+RRF）、结构化工具调用与 MCP 协议、商用 LLM API（退避重试/流式）、Prompt 工程与多模式记忆、LangGraph 框架映射、流式交付 SSE、Multi-Agent 编排、评估安全与云端交付，以及 Capstone 综合实战。
3. 刻意划定的边界（L1 认知级）：
   • 工业级分布式集群（3D 并行、DeepSpeed、Megatron-LM）只讲原理与通信代价，不在此实现昂贵的分布式集群框架。
   • 教学 TinyGPT 只证明算法因果机制，不充当通用推理规划器；第 16 章后的真实任务通过 OpenAI 兼容端点接驳云端模型或离线录制 Fixture。
   • 外部框架（LangChain / LangGraph）仅作为第 15、18 章的可选抽象对照：学习者必须先手写显式 loop 与 policy，再理解框架封装的代价；框架不自动提供业务权限与安全保证。
   • Google Cloud 真实验证严格要求第 1 章资格审计、Job execution/checkpoint、image digest、私有 revision 与 48 小时账单回读；本地 dry-run 绝不冒充云通过。

三、跨项目迁移与协同顺序

• 从 Learn LLM 迁移到 Evals：保留指标定义（Accuracy、Citation、Refusal、Cost）、冻结分母与 Judge 校准思维；补齐对工业界标准化评测集（MMLU、SWE-bench、Chatbot Arena）的背景认知与帕累托前沿选型技能。
• 从 Learn LLM 迁移到 Zen：将手写的状态机提升为生产级自举架构；严格遵守 Loop 三条不变量（状态显式化、单步可观测、执行有边界），以零依赖原语抵抗软件腐化。
• 迁移到业务落地（Learn AI）：保留状态机防线、Schema 契约、重试退避与审计日志；补充业务数据权限、审批工作流与真实前端交互。