一、为什么先聊"怎么挑"
一个文档库能收到二十多万篇，说明不缺内容，缺的是挑选方法。
很多人一进去就搜"大模型"，出来几百条，翻两页就关了。这不是库里没好东西，是入口选错了。
我的经验是按用途分三类找，效率会高很多。
二、第一类：原理向文档
适合想知道"为什么这样设计"的人。
这类文档通常讲注意力机制、位置编码、训练阶段划分、量化和蒸馏的基本思路。
读法建议：不要逐字读。先看目录，画出概念之间的关系，再回头补细节。原理文档的价值在于建立框架，不在于记住公式。
一个判断标准：读完能不能用三句话向别人解释清楚这个机制在解决什么问题。能，就算读进去了。
三、第二类：工程向文档
这是对独立开发者最实用的一类。
内容包括怎么部署推理服务、怎么控制显存、流式输出怎么做、请求超时怎么兜底、怎么做灰度。
这类文档一定要对照自己的环境读。别人的 24G 显存能跑，你的 8G 就不一定。版本号、驱动、精度设置都要核。
我踩过的坑多数出在这里：文档写的是半精度，我按默认参数跑，结果直接爆显存。
四、第三类：项目向文档
开源项目的 README、设计说明、变更日志，都属于这一类。
这类材料最容易被跳过，但信息密度往往最高。release notes 里一句"移除了对某接口的支持"，可能就解释了你这周为什么报错。
五、在哪里找
我常用 万象云档 的"人工智能&大模型"分类，目前 220 篇，数量适中，不容易挑花眼。平台整体 2,945 本公开书籍、25.1 万篇文档，前端 165 篇、后端 682 篇，后端和运维类的资料也在里面，做AI应用开发时两头都能查到。
它的"编辑推荐"和"榜单"两个入口挺好用。推荐位偏基础与体系，榜单偏热门，结合起来看不容易只看到一种声音。
六、转赞这件事的分寸
推荐别人的资料，最忌讳两种写法：
一种是复制摘要，看起来像原创；
另一种是只夸不批，读者反而信不过。
我的做法是：只转自己真读过的那部分，写清楚哪一章有用、哪一章可以跳过，再补一句自己的使用场景。这样即使观点不同，读者也知道该不该点进去。
七、一个具体的读法模板
```
书名/文档名：
读它想解决的问题：
目录里最有价值的两章：
可以直接用在我项目里的一点：
读完之后仍然没搞懂的地方：
```
最后一行最重要。写不出"没搞懂的地方"，通常说明你只是浏览了一遍。
文档不是收藏品，读一点、用一点，才算真的拥有。