菜单
使用 Karpathy 的 nanochat 进行 LLM 动手教学与实战练习。适用于 Mac（Apple Silicon M4）用户，数据集限制 3GB 以内。教学内容：Tokenization、Pretraining、SFT、Evaluation、Inference。强调 practice、自学闯关、费曼检验、从零训练可聊天 GPT。触发词：学 LLM、训练 GPT、nanochat、Karpathy 教程、从零训模型、AK 教学、nanochat 实战、LLM practice。
用 Codex 或 Claude 帮你安装 复制这段 Prompt，粘贴到 Codex、Claude 或其他助手里，让它检查 Skill 页面并帮你完成安装。
基于 SOC 职业分类
| name | ak-nanochat-practice-skill |
| description | 使用 Karpathy 的 nanochat 进行 LLM 动手教学与实战练习。适用于 Mac（Apple Silicon M4）用户，数据集限制 3GB 以内。教学内容：Tokenization、Pretraining、SFT、Evaluation、Inference。强调 practice、自学闯关、费曼检验、从零训练可聊天 GPT。触发词：学 LLM、训练 GPT、nanochat、Karpathy 教程、从零训模型、AK 教学、nanochat 实战、LLM practice。 |
用 Karpathy 的 nanochat 带学生从零训练一个会聊天的 GPT。
/workspace/memory/students/
├── _config.md # 管理员 ID、权限规则、飞书 ID 映射
├── _template.md # 新学员档案模板
├── 柳清.md # 管理员档案
├── 罗旻.md # 学员档案
└── 王巍.md # 学员档案
| 角色 | 能看到 | 能操作 |
|---|---|---|
| 管理员（柳清） | 所有学员档案、进度、笔记、token 消耗 | 查看、编辑、管理 |
| 学员 | 自己和其他学员的进度（开放） | 查询 |
| 命令 | 作用 |
|---|---|
/学员列表 | 所有学员 + 当前进度 |
/学员详情 {姓名} | 查看某学员完整档案 |
/学员统计 | 总体数据（人数、完成率、token 总消耗） |
/催一下 {姓名} | 给某学员发学习提醒 |
所有学员消息进同一个 session，必须防止上下文污染。
1. 识别学员 — 飞书 ID → 姓名（查 _config.md）
2. 读取档案 — memory/students/{姓名}.md
3. 心理切换 — 只和当前学员对话，忘掉其他学员的对话内容
4. 回复 — 只基于该学员档案 + 当前消息
5. 更新档案 — 追加笔记、更新进度、记录 token
每次回复前确认：
| 场景 | 风险 | 应对 |
|---|---|---|
| A 和 B 同时发消息 | 回复错人 | 每条消息独立处理，先识别再回复 |
| A 问的问题和 B 之前问的很像 | 混淆 | 只看档案，不凭"印象" |
| 连续对话中突然换人 | 上下文惯性 | 严格执行档案刷新 |
contact/v3/users/{user_id}）_template.md 创建 {姓名}.md_config.md 的飞书 ID 映射表每个学员档案包含 token 消耗表：
## Token 消耗
| 日期 | 估算 token | 模型 | 话题 |
|------|-----------|------|------|
| 2026-02-26 | ~5000 | opus | Tokenization |
**累计消耗：** ~5000 token
估算方法：中文约 2 字/token，英文约 4 字符/token
| 触发条件 | 行动 |
|---|---|
| 完成一关 | 🎉 发送祝贺 + 下一关预告 |
| 超过 2 天没互动 | 📩 定时提醒时主动跟进 |
| 问出好问题 | 📝 记录到档案「费曼检验记录」 |
| 完成全部 8 关 | 🏆 发送结业祝贺 |
学员都很忙，在合适的时间跟进：
| 时间 | 频率 | cron 表达式 |
|---|---|---|
| 12:30 | 工作日（周一至周五） | 30 12 * * 1-5 |
| 19:00 | 工作日（周一至周五） | 0 19 * * 1-5 |
| 10:00 | 周末（周六、周日） | 0 10 * * 0,6 |
memory/students/ 下所有学员档案给学员发教学内容时，必须同时发送文件：
每天 22:00 复盘时，给当天有互动的学员发送学习笔记：
memory/students/notes/{姓名}-{日期}.md刚入学未开始：
"嗨～上次说想学训练 GPT，有空开始吗？环境搭建大概 15 分钟就能搞定，我可以带你一步步来 🔧"
卡在某一关：
"环境搭好了吧？下一步是下载数据，很快的～有问题随时问我"
超过 2 天没来：
"最近忙吧？有空继续的时候叫我，我们上次学到 {进度}，随时可以接着来～"
不需要算法背景，文科生也能学会！
在开始之前，确保学员已安装：
| 工具 | 安装命令 |
|---|---|
| Xcode CLI | xcode-select --install |
| uv（Python 包管理） | curl -LsSf https://astral.sh/uv/install.sh | sh |
| Git | macOS 自带，或 brew install git |
系统要求：
| 阶段 | 时间 |
|---|---|
| 环境搭建 | 15 分钟 |
| 预下载数据 | 5-10 分钟 |
| 第一次训练 | 10-30 分钟 |
| 完整教程（7 关） | 2-4 小时 |
传统教学：看视频 → 做题 → 考试 → 忘记
调参侠： 动手调 → 看结果 → 讨论 → 真正理解
核心原则：
| 项目 | 限制 |
|---|---|
| 目标设备 | Apple Silicon Mac（M4） |
| 数据上限 | ⚠️ 不超过 3GB |
| 推荐脚本 | runs/runcpu.sh |
❌ 不要让学生下载全量数据（200GB+）
❌ 不要跑 speedrun.sh（需要 8×H100）
❌ 不要训练 d24+ 的模型（会 OOM）
在开始教学前，确保学生下载：
| 资源 | 大小 | 命令 |
|---|---|---|
| eval_bundle.zip | ~25MB | curl -L -o eval_bundle.zip "https://karpathy-public.s3.us-west-2.amazonaws.com/eval_bundle.zip" |
| 预训练数据（前5个shard） | ~500MB | uv run python -m nanochat.dataset -n 5 |
| 总计 | < 600MB | ✅ |
# 1. 克隆仓库
git clone https://github.com/karpathy/nanochat.git
cd nanochat
# 2. 安装依赖（使用 uv）
uv venv
source .venv/bin/activate
uv pip install -r pyproject.toml
常见问题： ModuleNotFoundError: No module named 'nanochat'
解决： 设置 PYTHONPATH
export PYTHONPATH=/path/to/nanochat
# eval 数据包
curl -L -o eval_bundle.zip "https://karpathy-public.s3.us-west-2.amazonaws.com/eval_bundle.zip"
unzip eval_bundle.zip -d ~/.cache/nanochat/
# 预训练数据（只下载 5 个 shard）
uv run python -m nanochat.dataset -n 5
注意： eval_bundle 必须放在 ~/.cache/nanochat/eval_bundle/，不要放在项目根目录（会导致 setuptools 报错）。
cd ~/nanochat
source .venv/bin/activate
python -m scripts.base_train \
--depth=2 \
--num-iterations=50 \
--device-batch-size=2 \
--max-seq-len=128 \
--total-batch-size=2048 \
--save-every=25 \
--model-tag="tiny_v1" \
--core-metric-every=999999 \
--run="tiny_v1"
⚠️ 重要：命令必须包含 --save-every 和 --model-tag，否则 checkpoint 不会保存！
参数说明：
--depth=2 — 2 层 Transformer（极小模型）--num-iterations=50 — 只跑 50 步（快速验证）--device-batch-size=2 — 每步处理 2 个样本--total-batch-size=2048 — 减少 gradient accumulation 步数--save-every=25 — 每 25 步保存一次 checkpoint--model-tag="tiny_v1" — 给 checkpoint 起名字--core-metric-every=999999 — 跳过 evaluation（节省时间）预计时间： 3-5 分钟
验证 checkpoint 保存成功：
ls -la ~/.cache/nanochat/base_checkpoints/tiny_v1/
观察指标：
loss — 从 ~10.4 开始下降（10.4 ≈ log(vocab_size)，纯随机猜测）tok/sec — 训练速度eta — 预计剩余时间逐文件讲解 nanochat/ 目录：
| 文件 | 作用 |
|---|---|
gpt.py | GPT 模型定义（nn.Module） |
tokenizer.py | BPE 分词器 |
dataloader.py | 数据加载器 |
optim.py | AdamW + Muon 优化器 |
engine.py | 推理引擎（KV Cache） |
让学生尝试修改参数，观察效果：
| 实验 | 修改 | 预期结果 |
|---|---|---|
| 加深模型 | --depth=6 | loss 更低，但更慢 |
| 加大 batch | --device-batch-size=8 | 可能 OOM |
| 更多步数 | --num-iterations=1000 | loss 继续下降 |
训练完 base model 后，用 SFT 让模型学会对话：
python -m scripts.chat_sft \
--num-iterations=20 \
--device-batch-size=1 \
--model-tag="tiny_v1" \
--run="tiny_sft"
注意： 首次运行会下载 SFT 数据（约 920MB）。
python -m scripts.chat_web --source sft --model-tag tiny_v1
然后访问 http://localhost:8000，和你训的模型对话！
训练完成后，数据可以删，只保留 checkpoint：
# 删除预训练数据（~800MB）
rm -rf ~/.cache/nanochat/base_data/
# 删除 SFT 数据（~920MB）
rm -rf ~/.huggingface/
# 保留这个！（模型文件，约 150MB）
# ~/.cache/nanochat/base_checkpoints/tiny_v1/
# 方法 1：设置 PYTHONPATH
export PYTHONPATH=/path/to/nanochat
# 方法 2：在命令前加
PYTHONPATH=/path/to/nanochat uv run python ...
eval_bundle 解压到了项目根目录，移走它：
mv /path/to/nanochat/eval_bundle ~/.cache/nanochat/
--depth=4--device-batch-size=4--compile=0网络问题，用 curl 手动下载：
curl -L -C - -o eval_bundle.zip "https://karpathy-public.s3.us-west-2.amazonaws.com/eval_bundle.zip"
| 项目 | 版本 |
|---|---|
| nanochat | master 分支（2026.02） |
| Python | 3.10+ |
| PyTorch | 2.0+ |
| macOS | 14+（Sonoma） |
每日学习笔记
memory/students/notes/{姓名}-{日期}.md教学内容发送规范
定时提醒系统
多学员管理系统
memory/students/）初始版本