数据截至 (上游 commit eb980a5c9eea)
Happy-LLM:从零造一个大语言模型(就是今天这些会说话的机器)— 全书拆解
30 秒导读: 这是 Datawhale 的一本开源(内容和代码全部公开、免费可用)中文教程, 回答一个问题——今天这些会说话的机器,到底是怎么造出来的。 书名里的 LLM 是 Large Language Model 的缩写,中文叫大语言模型——就是这类机器的正式名字。
它最独特的地方不是讲得多深,而是**「为什么这么设计」和「亲手做一遍」是同一条线**: 前半本把每一步的来龙去脉推一遍,后半本让你在自己的显卡上真的训出一个能对话的模型。
本组文档是我们重写的完整拆解,九章。读完不必看原书。
1. 先交代清楚:这是谁在什么时候写的
| 作者 | Datawhale 开源社区,核心贡献者宋志学、邹雨衡,指导专家朱信忠1 |
| 性质 | 免费开源的社区教程,不是出版社的教科书,没有经过同行评议 |
| 写作时间 | 内容主体覆盖到 2024 年年中;前言里提到了 2025 年才出现的模型,说明定稿时已进入 2025 年2 |
| 面向谁 | 书里自己说了:要有 Python 基础,最好懂一点深度学习(深度学习——用多层结构的网络从大量数据里自己找规律的那套方法)3 |
| 篇幅 | 七章:前四章讲道理,后三章动手 |
三件事必须先说,否则会误读这本书:
第一,它是「教程」不是「综述」。 目标是让你能动手,不是把研究前沿讲全。 所以它对每个做法都给了「怎么做」,但大量地方没给「谁最早这么做的、当时的对手是谁」。 我们的拆解在这些地方补上了核对过的一手出处。
第二,它自带一个真的能跑通的项目。 书里训出来的模型有 2.15 亿个可调的数,作者在八张显卡上跑了 46 小时4。 这是这本书最值钱的部分——大部分讲道理的书,到「你可以自己试试」就停了。
第三,书里的代码是讲解片段,不是能直接运行的工程。 我们在拆解里点出了几处明显对不上的地方。 这不影响它讲道理的价值,但别指望复制粘贴就能跑——真正能跑的在它的配套仓库里。
2. 一句话先给出全书的结论
这些机器不是被「设计」出来的,是被一连串死路「逼」出来的。 每一代做法都在解决上一代绕不过去的毛病; 而最后赢的那条路,恰恰不是当年最被看好的那条—— 它赢在「出的练习题最省事」,省事到可以把互联网上所有文字都吃进去。
3. 全书一条主线(读完这一节,你就懂了这本书)
不看任何后续章节,只读这一节,你也能把这本书讲给别人听。 细节全部留给对应的章节,这里只讲「发生了什么、为什么只能这样」。
① 起点:机器不认字,只认数
这门学科要解决的第一件事,不是「理解」,而是把文字变成数。 理由很物理:机器内部只有加法和乘法,你得先给它数。
难点在于:给每个词编个号是不行的。 「猫」是 7 号、「狗」是 8 号、「西瓜」是 3000 号,机器就会当真地算出 「猫和狗差 1,猫和西瓜差 2993」。编号是随便定的,而这些距离是假的。
所以真 正的要求是:变成一组数,并且让这组数之间的关系,反映词与词之间真实的关系。 接下来四十年,整个领域都在回答这一句话。
② 四代做法,每一代都死在一个具体的地方
第一代:一个词占一张表里的一格
└ 死在:任意两个词之间毫无关系。「猫」和「狗」的距离,等于「猫」和「西瓜」的距离
第二代:去数「哪个词后面爱跟哪个词」
└ 死在一个自相矛盾:想看得远就得多数几个词,多数几个词就没有足够的样本
第三代:不由人来定,让机器自己学出这组数
└ 靠一个朴素的观察:出现环境相似的词,意思就相近
└ 死在:一个词只有一组固定的数,「苹果」在水果和公司里长得一模一样
第四代:别给固定的数,给一台现算的机器 —— 整句话喂进去,现取这个词此刻的表示
└ 思路对了,但它用的那个零件不行
图说:每一代都不是「更先进」,而是「上一代那个毛病绕不过去了」。
第四代顺带带来了一个更大的东西,后来十年整个领域都按它组织: 先在海量文本上练一个通用底子。 关键在于这些文本没有经过人工标注—— 标注就是人给每条数据写上正确答案,又贵又慢;不用标注,互联网上的文字就要多少有多少。
练完底子,再在具体任务上用少量数据调一下。这后一步的正式名字叫微调。 贵的那一步只做一次,后面每个任务都便宜。
③ 那个零件为什么必须换掉
第四代用的零件是一个词一个词往下递:算完第一个才能算第二个。
两个毛病,而且都是结构决定的——不是调一调就能改好的:
- 必须排队。 显卡的全部本事就是同时算几万件事,而这个结构强制它一件一件来;
- 远处会模糊。 信息一站一站往后传,隔得越远丢得越多。
要解决,只能换结构。
④ 换成什么:让任意两个位置一步之内直接相连
新的做法可以用查字典讲完: 你手上有一个要查的东西,库里有一堆键和键对应的内容。 普通字典要求键完全匹配;新做法不要求—— 它给每个键算一个「有多像」的分数,然后按分数把所有内容混起来。
这个动作叫注意力。收益是结构性的: 任意两个位置的距离,从「隔多远就传多少步」变成了恒定一步。 排队没了,远处模糊也没了。
代价也是结构性的:这个动作眼里没有先后顺序。 「我喜欢你」和「你喜欢我」在它看来完全一样,所以顺序必须另外补回去。 (怎么补,以及一台完整的机器还差哪几个零件,第 03 章讲。)
⑤ 一台机器切三刀,三伙人各押一注
这台机器天生有两半:一半负责读懂,一半负责往下写。 于是有三种拆法,而真正拉开距离的不是结构,是每条路给自己出的练习题:
一段现成的文字:「我 喜欢 你 因为 你 很 好」
完形填空: 「我 ▢ 你 因为 你 很 ▢」→ 猜两个 ▢
└ 前后都能看,理解得最准
└ 但真用的时候句子里没有 ▢ —— 练的和用的不是一回事
接龙: 「我 喜欢」→ 猜「你」;「我 喜欢 你」→ 猜「因为」……
└ 只能往前看,理解得糙一点
└ 但练的和用的完全一样,而且任何一段文字把结尾遮住就是一道题
图说:这两道题决定了两种命运。结构上的差别只是为了配合这道题。
当年是完形填空那条路大获全胜,一出手就在十一项任务上刷新纪录,统治了三年。 接龙那条路的第一代,输给了它。
⑥ 三年后反过来了,原因不在结构在练习题
接龙赢在四点,每一点都是「更能吃下资源」:
| 赢在哪 | 具体是什么 |
|---|---|
| 练的和用的一样 | 没有那个真实场景里不存在的人造记号 |
| 题目无限供给 | 任何一段文字都是一道题,互联网上所有文本都能直接用 |
| 它就是下游任务本身 | 写作、问答、翻译本来就是「往下写」 |
| 没有硬上限 | 完形填空那条路当年被卡死在「最多只能读 512 个片段」 |
一句话:赢的不是更聪明的结构,是更省事、更能规模化的练习题。 判断一条技术路线有没有未来,先问:给它十倍资源,它接得住吗。
⑦ 放大之后,冒出了三样以前没有的东 西
先说这一步具体放大了什么。模型内部有一大堆可以调的数,调对了它就「会」了,这些数叫参数; 它们一共有多少个,就叫参数量。 这个数从一亿堆到了一千七百五十亿。
同时被放大的还有喂给它读的文本——这一行管它叫语料——从几十 GB 堆到几百 GB。
两样一起放大之后,小模型身上看不到的能力出现了。三样真正改变了游戏规则:
| 新能力 | 你会看到什么 | 为什么改变游戏 |
|---|---|---|
| 在提问里塞几个例子它就会照做 | 参数一个都不改 | 做一个新任务的成本从「标一千条数据 + 训一次」降到「写一段话」 |
| 没见过的要求它也能照办 | 你怎么说它怎么做 | 模型第一次能直接服务普通人,而不只是研究者 |
| 让它把中间步骤写出来,难题正确率大涨 | 一步步算给你看 | 把「一步答不出来」的题,换成很多步「一眼能答」的题 |
书里还归纳了第四样,叫涌现——「某些能力小模型没有、大模型突然就有了」。 它比书里写得更有争议:反对的一方认为那可能只是评分尺子不连续造成的错觉。 (第 05 章把双方的证据都摆出来了。)
⑧ 只练接龙不够:完整的训练分三段
一个只练过接龙的模型,书里的比喻很准: 博览群书但不求甚解——你问什么它都能接着往下写,就是不知道你在问什么。
① 海量无标注文本上练接龙 → 拿到知识和语感
│ 最贵的一步:上千张卡跑一个多月
▼
② 拿成对的「要求 → 回复」去教它 → 学会听懂人话、照着做
│
▼
③ 人给回复排名次,照着名次去调它 → 学会答得让人满意
图说:三步各管一件事 —— ① 懂多少,② 听不听得懂,③ 答得合不合人意。
缺哪一步就缺哪一样, 顺序不能换。
第 ③ 步有一个很妙的设计:不让人打分,而让人排名次。 因为不同的人给分尺度不一样,直接打分会把这种差异放大;排名次要稳定得多。 (为什么这一步贵到大多数团队做不起,第 05 章讲。)
⑨ 亲手做一遍:今天的机器和课本上那台已经不一样了
这本书的后半段是它区别于其他材料的地方——它让你把上面全部走一遍。
第一件事是发现:今天真正在跑的模型,和课本上那台差了四个零件。 每一处替换的性质完全不同,这个区分本身比零件更值得记住:
| 换了什么 | 性质 |
|---|---|
| 把每层数值拉回统一尺度的那道手续,换成了更省事的一种 | 删掉了其实没起作用的那一半 |
| 位置信息从「加上去」改成「转个角度」 | 换了一个更对的数学结构 |
| 让多组查询共用一份中间结果 | 明码标价的交易:用一点质量换速度 |
| 给每个位置的内容做加工的那道工序,多开了一条「阀门」通道 | 纯经验:试出来更好,谁也说不清为什么 |
一个模型架构里同时存在这四类零件,是这一行的常态。 (逐个讲透在第 06 章。)
⑩ 训练里最容易做错、后果最隐蔽的一步
第 ② 步(教它听懂人话)的数据里,必须标清楚哪些位置算分、哪些不算: 只对「模型该说的话」算分,对「用户说的话」不算。
这件事做错了不会报错。 训练照跑、各项数字照降、看起来一切正常, 只是训出来的模型会去模仿提问,而不是回答问题。
在这一行,「静默失败」比「崩溃」危险得多——崩溃至少告诉你哪里错了。
⑪ 显卡不够怎么办:业界最后选定的那种妥协
调整一个模型的全部参数太贵。前后有三种省钱办法,前两种各死在一处:
- 一种是在模型里插一小块新零件只训它——死在从此推理(也就是每次拿模型算结果)永久变慢;
- 一种是在输入前面挂一段可训练的前缀——死在它占掉了本来能放内容的位置;
- 最后赢的那种,是在原来的地方并联一小块,训完可以合并回去——推理一点不慢。
它的依据是一个反直觉的发现:要把一个模型调到会做某件新事, 真正需要动的数远远少于它的参数总量。
它省下来的主要是显卡自己的内存。(为什么省得掉,第 08 章讲。)
但它有一条明确的禁区:改「怎么说」可以,灌「新知识」不行。 (这条禁区是很多人「微调完模型还是不懂我们业务」的直接答案。)
⑫ 最后一步:模型不等于产品
模型训完还差三件事,而它们的共同点是:一个参数都不改,只改模型周围的东西。
| 事情 | 解决什么 | 代价 |
|---|---|---|
| 量一量 | 你怎么知道它好?靠公开题库和榜单,而不是感觉 | 题库全都公开在网上,而模型的训练语料是从网上爬的——分数可能是背出来的 |
| 给它查资料 | 先去文档库里捞出相关段落,塞进提问里再让它答 | 整套系统的上限是「捞得准不准」,捞错了它照着错的编 |
| 给它接手脚 | 给它一组现成的函数,让它自己判断该调哪个 | 每多一步就多一次出错机会,十步任务的成功率是各步连乘 |
全书到此收尾。一句话总结它的立场:
这些机器不是魔法,是一条能一步步走完的工程链条; 链条上每一环都是被上一环的死穴逼出来的,而每一环你都可以亲手做一遍。
4. 九章地图
这张表不用记任何术语——每一章的名字后面,写的是「读完你能回答什么问题」。
| 章 | 读完你就能回答 |
|---|---|
| 01 文字怎么变成数 | 所谓「神经网络」到底是台什么机器?机器不认字,那它凭什么处理语言?为什么给每个词编个号行不通? |
| 02 注意力机制 | 「它被打翻了」——模型凭什么知道「它」指的是水不是书?全书枢纽,别跳 |
| 03 一台完整的机器 | 你打的字进去之后,一共经过了哪几道工序?为什么每道工序都得有? |
| 04 三条路线的分岔 | 为什么今天所有的模型都长一个样? 当年赢的那个后来怎么输了? |
| 05 「变大」带来了什么 | 为什么在提问里塞几个例子它就会了?一个能对话的模型是分几步造出来的? |
| 06 换掉的四个零件 | 课本上那台机器和今天真正在跑的,差在哪?每一处为什么要换? |
| 07 真的训一个出来 | 一个人训一个能对话的模型,要几张显卡、几个小时? 最容易做错的是哪一步? |
| 08 换上业界的工具 | 自己写的那套为什么撑不到实际项目?显卡不够时大家怎么办? |
| 09 模型之外 | 怎么判断一个模型到底行不行?它不知道的事、做不了的事怎么办? |
推荐顺序: 01 → 09 顺着读,这也是原书的论证顺序。
- 只想拿结论: 读本页第 3 节,加第 04、05 两章;
- 只想动手: 从第 06 章开始,遇到不懂的名词回头查第 02、03 章;
- 想判断该不该用某个技术: 第 06 章末尾那张「四类零件」表,和第 08 章末尾那段。
5. 这本书覆盖什么、不覆盖什么
覆盖(而且讲得比多数中文材料清楚):
- 文字表示四十年的完整演进链,以及每一代死在哪;
- 注意力那条公式怎么一步步被逼出来——用查字典的类比讲,这是全书最好的一段;
- 一台完整机器的全部零件,含代码级细节;
- 三条技术路线的对比,以及每个代表模型的练习题是怎么设计的;
- 变大之后的四种能力、四个特点,以及三段训练的完整流程;
- 一个真的能跑通的完整项目,含真实耗时和单卡最低配置,以及怎么训练那个「把文字切成模型认识的最小片段」的零件——它叫分词器;
- 显卡不够时那套省钱办法的原理和用法。
书里还各给了一个能跑的最小实现,做的是两件「模型之外」的事。 一件是检索:先去文档库里捞出相关段落,再让模型照着这几段回答。
另一件是工具调用:给模型一组现成的函数,让它自己决定该调哪一个。
不覆盖(别指望在这本里找):
| 缺什么 | 说明 |
|---|---|
| 会「想一想再答」的那类新模型 | 前言里提了名字,正文一个字没讲。这是本书之后最大的变化 |
| 三段训练里的第三段实操 | 第四章讲了原理,后面的实操只做到第二段。书里自己也承认没做 |
| 让模型也能看图、听声音 | 只在「特点」里给了一段概述,没有原理也没有实现 |
| 推理部署与加速 | 一个字没讲 |
| 一种把模型拆成多个「专家」的结构 | 完全没提,而今天主流开源模型大量采用 |
| 评测的方法论 | 列了榜单和题库清单,但没讲怎么设计一次评测、怎么防题目泄漏 |
| 安全与对齐(就是让模型的行为和人希望的一致)这一整块研究 | 只在讲第三段训练时点了「安全、有用、无害」六个字 |
6. 今天读,要补的五处
这本书的正文主体覆盖到 2024 年年中。 下面五处不是它写错了,而是它没交代来源、或者认错了功劳。
| 书里的说法 | 该怎么补 | 依据 |
|---|---|---|
| 「训练文本量应该是模型参数量的 1.7 倍」(第 05 章) | 1.7 倍不是一条法则,只是当年那个模型的实际配比。真正的结论来自 2022 年的一项研究:模型每翻一倍,训练数据也该翻一倍,大致落在 20 倍;而书里把这个功劳记给了晚一年发布的另一个模型 | 《Training Compute-Optimal Large Language Models》https://arxiv.org/abs/2203.15556(查阅于 2026-08-25) |
| 把「涌现」当成既定事实(第 05 章) | 它是一个有名字、有出处、也有反对意见的主张:2022 年正式提出,2023 年被反驳——所谓突变可能只是评分尺子不连续造成的错觉 | 《Emergent Abilities of Large Language Models》https://arxiv.org/abs/2206.07682 与《Are Emergent Abilities of Large Language Models a Mirage?》https://arxiv.org/abs/2304.15004(均查阅于 2026-08-25) |
| 四个被换掉的零件(第 06 章) | 书把它们当「人家就是这么写的」直接实现,四篇原始论文一篇都没引。这四样各有明确的取舍理由,而且性质完全不同 | 见第 06 章各节脚注 |
| 一句解释「它为什么省」的话译反了(第 08 章) | 原文说的是:当你用的正好是那种要给每个参数额外记一笔账的训练办法时,这个方法才省得特别多——因为被固定住、不参与训练的那些参数不必记账。中译读起来却像是「这个方法自己会去用那种办法」,方向反了。第 08 章原样纠正 | 《LoRA: Low-Rank Adaptation of Large Language Models》https://arxiv.org/abs/2106.09685(查阅于 2026-08-25) |
| 「先思考再行动」一笔带过(第 09 章) | 这个框架有正式出处和实证结果:它靠去一个真实的百科网站上查资料,压住了纯靠自己想的那种做法里的编造和错误传播 | 《ReAct: Synergizing Reasoning and Acting in Language Models》https://arxiv.org/abs/2210.03629(查阅于 2026-08-25) |
判断(我们的,不是书里的): 上面五条有一个共同点—— 绝大多数不是知识错误,是「省略了出处」。 这正好是「教程」和「教材」的差别: 教程为了让你尽快能动手,会把「谁最早提的、当时的对手是谁、代价是什么」全部略掉。 好处是快,坏处是你学到的是结论而不是判断力—— 下次遇到一个新零件,你没有工具去判断它值不值得用。 如果错,会错在: 如果读者本来就只想跑通流程、不打算做技术选型, 那这些省略就是正确的取舍,我们补的东西对他是负担。
7. 我们的判断
判断(我们的,不是书里的): 这本书今天的价值排序是—— ① 第 02、03 章那两段讲解(中文材料里第一梯队) > ② 第 06、07 章的动手全流程(独一份) > ③ 第 04 章的模型综述(好,但同类材料很多) > ④ 第 09 章的应用(已经落后于现在的工具链)。 引用它的时候引 ① 和 ②,别引第 09 章的具体做法。 如果错,会错在: 如果读者的目标是做应用而不是理解内部,这个排序正好要倒过来—— 对他来说第 09 章那点最小实现反而是最快的入口。
判断(我们的,不是书里的): 这本书最值得带走的思维方式,是它讲每一代做法时的那条隐线—— 每一次技术跃迁,都是有人指着上一代的死穴说「这个绕不过去,得换个东西」。 新做法取代旧做法,不是因为它「更先进」,而是因为旧做法那几个毛病是结构性的、修补不掉的。 遇到一个新方法时,值得先问的不是「它有多强」,而是**「它替掉的那个东西,死在哪」**。 答不上来,说明这个新方法可能只是换了个写法。 如果错,会错在: 有些进步确实只是量变(数据更多、显卡更多),没有前一代的「死穴」可指。 硬要给这类进步找一个被解决的结构性缺陷,就会编出一个不存在的故事。
判断(我们的,不是书里的): 读这本书要注意区分三个声音—— 作者的转述(占绝大部分,措辞肯定,很少标注不确定性)、 作者明确标注的推测(全书只有寥寥几处,比如「据推测,这种能力可能来自对代码的训练」)、 以及没有标注、但其实是一个主张的地方(比如把「涌现」当成既定事实)。 我们的拆解里凡是第三类都单独点了出来。 如果错,会错在: 如果把我们标出的「其实是主张」当成「书写错了」, 就会低估这本书——它在教程这个体裁里已经算相当克制的了。
8. 兑现表
全书每一处「第 N 章讲」「后面会看到」都记在这里,并且逐行核过: 那一章真的讲了吗?讲的是不是许诺的那件事?
这张表故意不用术语——它是给还没读正文的人看的账本, 每一行只写「许了什么、去哪儿还」,具体的名字留在那一章里。
| 许诺在哪 | 许了什么 | 应兑现在哪 |
|---|---|---|
| 本页 §主线 ④ | 语序怎么补回去、整机还差哪几个零件 | 03 §8,以及 §4–8 那五个零件 |
| 本页 §主线 ⑦ | 「突然冒出新能力」这件事双方的证据 | 05 §3 |
| 本页 §主线 ⑧ | 第三段训练为什么贵到大多数团队做不起 | 05 §11.5「代价极高」那一段 |
| 本页 §主线 ⑨ | 四个被换掉的零件逐个讲透 | 06 §3–6,外加 §8 那张总账表 |
| 本页 §主线 ⑪ | 省钱的那个办法为什么省得掉 | 08 §7.3–7.4 那四级台阶,以及 §7.8 |
01 §1 | 三种切法各给一个例子说清差别 | 07 §3.2 三行对照表,以及 §3.2.1 那份五个词的迷你语料 |
01 §2 | 「掰弯」那一步叫什么、为什么非它不可 | 03 §4 那一行:「没有它,堆多少层都等价于一层」 |
01 §8 | 讲那个「只读不写、专门负责读懂一句话」的模型 | 04 §3 整节 |
01 §10 | 那个动作具体怎么算、公式怎么推出来 | 02 全章,尤其 §4–7 |
02 §10 | 那块遮布决定两条路线的全部差别 | 04 §6.2 那张对照图 |
02 §13 ① | 两笔账拆开算 | 06 §5 那张 512 / 4096 对照表 |
02 §13 ② | 语序信息怎么补回去 | 03 §8 整节 |
03 §3 | 「所有任务都能写成文字进、文字出」会变成一个模型的核心主张 | 04 §5.3 |
03 §7 | 具体怎么切、怎么训出那张表 | 07 §3 整节 |
03 §8 | 这个零件在第 06 章会被换掉,以及为什么换 | 06 §4 |
03 §12 ① | 让好几个查询共用一份中间结果,省的是另一笔账 | 06 §5(同上) |
04 §3 开头 | 大模型和上一代的差别在体量和新能力 | 05 §2,以及 §3–7 那四种新能力 |
04 §3.5 | 为什么只把语料过一遍、一次喂进去的条数还那么多 | 05 §9.2.1(本轮新补,原先是欠债) |
04 §5.1 | 为什么省掉「减平均值」这一步是安全的 | 06 §3,含论文出处 |
04 §5.3 | 从「固定前缀」到「读懂自然语言要求」中间发生了什么 | 05 §5 |
05 §2 | 「突然冒出新能力」是什么,下一节讲 | 05 §3 |
05 §5 | 那种能自己拆解目标、调工具办事的程序是什么 | 09 §5 整节 |
05 §7 | 语序信息改成「转个角度」那一处具体怎么做 | 06 §4 |
05 §10.5 | 「哪些位置算分」这件事,第 07 章会实际写 | 07 §4.3–4.4,含逐位 0/1 |
07 §1 | 书里那个程序靠调外部函数解决「数字母」 | 09 §5.5 第一段真实对话 |
07 §3.5 | 那套排版格式会在第 08 章再出现,并决定微调成败 | 08 §5.3 |
07 §8 ③ | 「怎么量它行不行」是第 09 章的内容 | 09 §3 |
逐行核下来,有两处核不过。本轮都处理了:
| 原先的许诺 | 核出来的问题 | 怎么处理的 |
|---|---|---|
02 / 03 原写「后面第 05、06 章背后都是这条平方关系」 | 说反了。 第 06 章讲的那笔账是按长度成正比地涨,不是平方;而第 05 章讲上千张卡算的是另一回事,和句子多长无关 | 把话改准成「两笔账拆开算」,并且在 06 §5 真的补上了那张对照表 |
01 / 03 原写「第 07 章会讲透」「是第 07 章整章的内容」 | 支票开大了。 那件事在第 07 章只占一节,而且原先只有一张三行表、没有任何实走 | 一边把话改准(改成「第 3 节」),一边在 07 §3.2.1 真的补了一份五个词的迷你语料走一遍 |
拆解写于 2026-08-25,依据 Datawhale 开源的 Happy-LLM PDF 版(七章正文)。
原始书籍文件不入库,本组文档是我们自己的重写;
每条引用都可用 node scripts/book-verify.mjs happy-llm 回核。