面向新手的 LLM 强化学习动手路径。所有实验以单张 RTX 5090（32GB）为基准校准——终点是你自己手写一份 GRPO，在单卡上把 Qwen3-0.6B 的 GSM8K 正确率训上去，再换成 TRL 框架重跑一遍做对照。
rlforge.wutz.dev（与 storpath、netpath 同一系列）
与 storpath 一致：
- Bun + Vite 8 + TanStack Start / Router（文件路由，SSR）
- React 19 + Tailwind 4（
@theme里定义全部设计令牌，见下） - Geist / Geist Mono 走 Google Fonts，无自托管字体依赖
- MDX 写正文，
@shikijs/rehype做代码高亮，remark-gfm+rehype-slug - Cloudflare Workers 部署（wrangler，custom domain）
- 进度存
localStorage，无账号体系，无后端
视觉规范在 DESIGN.md（npx getdesign@latest add vercel 生成）。
token 落地与 storpath 保持一致 —— 命名、分档、
组件外壳都一样，两个站的样式代码可以直接互相搬。全部 token 在 src/styles.css
的 @theme 里，改设计只改那一处：
- 字体：Geist / Geist Mono（Google Fonts 的 latin 子集，中文落系统字面，不为此多下字形）
- 中性阶：正文三档
ink/body/mute，描边两档line/line-strong， 底色三档canvas/soft/soft-2—— 别再往里加灰 - 语义色：
info/warn/plum/danger，各带-soft与-deep； 只出现在徽标和状态上，不做大面积铺底 - 主题色：浅紫 302°，与 storpath(30°)、netpath(203°) 各差 88° / 99°。
brand-500是浅紫块面（按钮底色、进度条、marker、logo 方块），只配 ink 深字；brand-600是可读紫（链接 / 聚焦 / 勾选 / 选中竖条，白底 5.31:1，别再往上提亮）。 logo 底色 ==brand-500，改这一档必须同步改public/logo.svg - 半径：
xs4px /sm6px 控件 /md8px 卡片 /lg12px 大卡片，按钮统一走 6px - 层次：
shadow-hair/card/soft/float叠层阴影，内含 1px inset 描边 —— 所以卡片不写 border，避免和 inset 环重影 - 排版：
.display-2xl~.display-sm五档，字重封顶 600，字号越大字距收得越紧；.eyebrow是等宽小眉标，只用在栏目标题上 - 阶段色：没有。五个阶段共用中性的
LEVEL_CHIP角标，靠 L0–L4 的字面区分 —— 五种浅色堆一页像一叠便利贴，而且会和主题色（代表「可点」）撞车 - 共享原语：
src/components/ui.tsx里的Panel/Field/Stat/NoteList/inputCls， 三个计算器的外壳都从这里来
bun install
bun run dev # http://localhost:3002
bun run typecheck
bun run build
bun run deploy # build + wrangler deploysrc/
├── lib/
│ ├── curriculum.ts 全站唯一数据源：L0–L4 五个阶段、27 节课
│ ├── roles.ts 三条学习路线（对课程做裁剪与重排）
│ ├── content.ts MDX 正文加载（import.meta.glob，eager）
│ ├── progress.ts localStorage 进度，useSyncExternalStore
│ ├── vram.ts 显存账本计算
│ ├── grpo.ts GRPO 优势 / clip / KL 估计（与课程里手写的实现同构）
│ ├── throughput.ts 训练时长估算
│ └── units.ts 显示格式化
├── components/
│ ├── Callout.tsx 五种语气的提示框（含 5090 专用的 gpu 档）
│ ├── Quiz.tsx 随堂检查点，通过写进进度
│ ├── Terminal.tsx 命令行演练器（预置输出，练"看到什么该想什么"）
│ ├── VramBudget.tsx ← 显存账本计算器
│ ├── GrpoAdvantage.tsx ← GRPO 优势与 clip 交互演示
│ └── TimeBudget.tsx ← 一次实验要跑多久
├── routes/
│ ├── __root.tsx
│ ├── index.tsx 首页，按 ?role= 切路线
│ ├── tracks.$trackId.tsx 阶段页
│ ├── learn.$trackId.$lessonId.tsx 课程页（?role= 进入路线模式）
│ └── labs.tsx 实验 / 闯关 / 计算器索引
└── content/<trackId>/<lessonId>.mdx 正文
curriculum.ts 里每节课有 status：
'ready'—— 已有正文，路径src/content/<trackId>/<lessonId>.mdx'planned'—— 仅有大纲（outline字段），课程页渲染大纲占位
当前 27 节课，17 节已有正文。加正文时把对应 lesson 的 status 改成 'ready' 并新建 MDX 即可，其余全自动派生。
- 单卡 32GB 是硬约束。 任何写进来的命令、参数、显存数字都按这个前提校准。写不进 32GB 的东西不写。
- 不给"标准吞吐值"。 同一张卡不同配置能差三倍，一律要求读者自己实测（L0 有专门一节做这件事），后续所有时间估算都基于读者自己的数。
- 先手写后上框架。 目的是把框架参数从黑盒变成玻璃盒；每节框架课都带「你写的变量 ↔ 框架参数」对照表。
- slime / Miles 是架构教材，不是动手工具。 两者最小配置都是 8×H100，明确说清跑不了单卡，然后带着读者刚踩过的坑去读它们的设计。
- slime — THUDM 的 RL 后训练框架（GLM 系列背后）
- Miles — SGLang + Megatron，从 slime 分叉
- TRL GRPOTrainer / vLLM Integration — 单卡实跑用的框架
- HF Cookbook：单卡 GRPO + vLLM
- DeepSeekMath（GRPO 出处）、DeepSeek-R1
- Unsloth RL Guide、Spinning Up in Deep RL