项目任务清单

本文是 01-project-plan.md 的任务勾选区。高频改动集中在此，主文档保持稳定。

任务编号 T<里程碑>.<序号>，与计划书章节一一对应。

勾选规范：未做 - [ ]，已做 - [x]，进行中可在末尾追加 （in progress）。

M0 · 仓库基建

• T0.1 初始化 pyproject.toml，配置 optional-dependencies（模块分组 + 平台分组 train-cuda / train-mps）
• T0.2 .python-version 锁到 minor 3.12（patch 由本地 pyenv/uv 选）
• T0.3 配置 .gitignore（checkpoints/ data/ .venv/ pycache/ 等）
• T0.4 配置 .gitattributes：强制 LF、标注二进制类型
• T0.5 编写根 README.md：项目简介、快速开始（Win/Mac 两套命令）、目录导览
• T0.6 配置 ruff（pyproject.toml 内）
• T0.7 创建 Doc/Courseware/outline.md 骨架（章节列表先空着）
• T0.8 创建 Echo/echo-mini Echo/echo Echo/shared 目录与各自 README 占位
• T0.9 Echo/shared/device.py::get_device()：统一设备选择（cuda→mps→cpu），含 op fallback 工具
• T0.10 scripts/doctor.py：双平台自检脚本（见策划案 §7.5）
• T0.11 编写大文件同步 SOP 文档（Doc/DesignDoc/03-sync-strategy.md）：策略已在策划案 §7.4 确定，本文档只补操作层（HF Hub 仓库命名规则、huggingface-cli 上传/下载常用命令、断点续传、数据下载脚本骨架）
• T0.12 在 Win/Mac 各自 uv sync + python scripts/doctor.py 通过
• T0.13 ch00 导论课件（AI 全景与概念速查）

M1 · 前置知识

• T1.1 ch01 课件 + Playground/ch01 环境与工具
• T1.2 ch02 课件 + Playground/ch02 必要数学
• T1.3 ch03 课件 + Playground/ch03 PyTorch 入门
• T1.4 ch04 课件 + Playground/ch04 神经网络与训练要素

M2 · Transformer 精通

• T2.1 ch05 课件 + Playground/ch05 注意力机制
• T2.2 ch06 课件 + Playground/ch06 Decoder-only Transformer
• T2.3 ch07 课件 + Playground/ch07 生成策略与 KV cache

M3 · LLM 全链路入门（理论）

• T3.1 ch08 分词器
• T3.2 ch09 预训练
• T3.3 ch10 SFT
• T3.4 ch11 对齐
• T3.5 ch12 评测
• T3.6 ch13 部署

M4 · echo-mini 落地

• T4.1 数据：中英双语（或先英文）小规模语料采集与清洗脚本
• T4.2 训练 BPE 分词器，词表 ~16k
• T4.3 写 echo-mini 模型（参数 ~60M，Llama 风格 Decoder-only + RoPE + GQA + SwiGLU）
• T4.4 Pretrain 训练脚本（支持混合精度、checkpointing、断点续训）
• T4.5 产出 Pretrain config-full.yaml + config-tiny.yaml，Mac 跑 tiny 验证代码不崩
• T4.6 在 3060 12GB 上跑 Pretrain full 配置，记录 loss 曲线
• T4.7 构造小规模 SFT 对话数据（可借助公开数据集或 GPT 生成）
• T4.8 SFT 训练脚本 + full/tiny 两份配置
• T4.9 推理 CLI（带 KV cache，跨平台可用）
• T4.10 评测：PPL + 若干人工对话样例
• T4.11 Checkpoint 上传 HuggingFace Hub（可选，跳过）
• T4.12 写 Echo/echo-mini/README.md，记录训练配方

M5 · echo 落地

• T5.1 底座选型确认（Qwen2.5-0.5B / 1.5B / 其他）
• T5.2 下载底座、在 3060 12GB 和 Mac 上各跑通推理基线
• T5.3 整理 SFT 数据（中英对话，重点关注 Echo 人设一致性）
• T5.4 LoRA/QLoRA 微调脚本（QLoRA 走 CUDA-only 分支，Mac 用纯 LoRA）
• T5.5 产出 SFT config-full.yaml + config-tiny.yaml
• T5.6 SFT 训练并保存 adapter，（可选）上传 HF Hub
• T5.7 合并/加载 adapter，推理 CLI（Win/Mac 双端可用）
• T5.8 初步人工评测对话质量，迭代数据
• T5.9 写 Echo/echo/README.md 与训练配方

M6 · 对齐与优化

如想更早验证量化部署路径，获得最终对话的成就感，可先执行 T6.4, T6.5

注：DPO 所需的显存比较夸张

• T6.1 DPO 偏好数据构造（可从 SFT 样本手工挑选 chosen/rejected）
• T6.2 DPO 训练脚本
• T6.3 Echo v2（DPO 版）产出
• T6.4 int4 量化脚本（GGUF 或 bitsandbytes）
• T6.5 把量化后 GGUF 接入 Ollama，编写一条 ollama run echo 跑通的演示脚本
• T6.6 Echo final 版本发布
• T6.7 评估是否接入 llama-cpp-python 程序化调用 GGUF（uv sync --extra deploy-llamacpp）；Ollama 路径足够时可不做

M6.5 · 跨平台复现验收

• T6.5.1 在 Win 端用全新 venv（或 WSL/Docker 容器）从零 bootstrap，跑完 M1–M3 所有练习
• T6.5.2 在 Mac 端用全新 venv 同样跑通 M1–M3
• T6.5.3 Mac 端用 tiny 配置跑通 echo-mini Pretrain / SFT 脚本（不要求收敛）
• T6.5.4 Mac 端成功加载并推理 echo final（量化版）
• T6.5.5 记录"跨平台已知差异与陷阱"到 Doc/DesignDoc/cross-platform-notes.md

M7 · 开源就绪

• T7.1 LICENSE（推荐 MIT / Apache-2.0）
• [-] T7.2 CONTRIBUTING.md（学习项目暂不期待外部 PR，跳过）
• T7.3 根 README 完善：学习路径图、演示 GIF、FAQ
• T7.4 课程大纲定稿、章节间跳转
• T7.5 常见坑 & 故障排查文档
• T7.6（可选）发布到 GitHub，申请加入 awesome-llm 类 list