温馨提示：若页面不能正常显示数学公式和代码，请阅读原文获得更好的阅读体验。

作者： 陈云菲（复旦大学）
邮箱： cyfreya17863928515@163.com

• Title: 新书推荐：《图解大模型》轻松上手 LLM！
• Keywords: 大型语言模型 (LLM), 文本分析, 聚类与主题建模, Python代码实战, Prompt Engineering

1. 简介

理解并灵活运用大型语言模型（LLMs），正逐渐成为经济学研究者的新型“基本功”。今天推荐的这本书——《Hands-On Large Language Models》，由 Jay Alammar 和 Maarten Grootendorst 联合撰写，O’Reilly Media 出版，用 LLM 做研究，这本书是最好的起点。

• Jay Alammar 是 NLP 界的“图解大师”，擅长将复杂的模型原理通过图解和类比方式讲得清清楚楚，被誉为“最懂普通人学习语言模型痛点的人”。
• Maarten Grootendorst 是知名的开源项目作者，开发了在经济学中极具实用价值的 BERTopic，被广泛用于文本挖掘、社交媒体等主题建模中。

该书的中文版也于今年上线，译名为《图解大模型：生成式AI原理与实战》，还特别增加了 DeepSeek-R1 模型的工作机制讲解，十分贴心。

2. 为什么经济学研究者值得读这本书？

《Hands-On Large Language Models》是一本有代码、能实战、跑得通的 LLM 入门与进阶指南，每个章节都有相应开源代码，代码全部托管于 GitHub 平台，方便读者随时获取，也支持在 Google Colab 平台上直接运行。

搭配 GitHub 源码：边学边练
Hands-On Large Language Models
https://github.com/HandsOnLLM/Hands-On-Large-Language-Models

本文将以经济学研究者的视角出发，系统梳理这本书中最不容错过的几个实用亮点：

3. Part 1：LLM的基础概念及底层逻辑

对于非计算机专业背景的学者来说，理解 LLM 的运作机制常常是一个认知门槛。这本书前三章通过类比图示+实用案例+代码的方式，讲透了以下几个关键概念：

• Token（词元）是如何被切分与处理的？
• Embedding（嵌入）：文本转向量的核心技术
  • 将新闻报道、社交评论等非结构化数据转化为向量，是后续聚类、回归、因果分析等任务的前提
  • 理解嵌入的演化过程（Bag-of-Words → Word2Vec → Transformer），解释为什么传统方法难以捕捉语义、而LLM 则可以
• LLM 模型梳理: Representation vs. Generative
  • Representation Models（编码器）: 如 BERT，擅长捕捉上下文语义，适用于文本分类、实体识别等任务
  • Generative Models（解码器）: 如GPT系列，擅长生成连贯文本，可用于模拟经济情景等

温馨提示：若页面不能正常显示数学公式和代码，请阅读原文获得更好的阅读体验。