最终学习建议与作品集路线
核对日期：2026-05-13。
1. 学习目标
这套课程的终点不是“知道很多 AI 名词”，而是形成一套能落地的判断力：
- 能判断一个需求适合规则、传统 ML、LLM、RAG、Workflow 还是 Agent。
- 能把模型能力接入真实系统，并处理上下文、评测、安全、成本和上线问题。
- 能用项目证明能力，而不是只用阅读记录证明努力。
2. 推荐学习节奏
默认按 12-18 个月学习。
| 节奏 | 每周投入 | 适合人群 | 建议策略 |
|---|---|---|---|
| 稳定推进 | 4-6 小时 | 工作较忙、长期补体系 | 每阶段先完成阅读和验收题，项目压缩到最小可运行 |
| 标准路线 | 8-12 小时 | 想系统转向 AI 工程 | 阅读、练习、项目同步推进，12 个月完成主线 |
| 强化路线 | 15 小时以上 | 准备作品集、转岗或创业验证 | 增加源码阅读、论文复现、线上部署和评测脚本 |
每个阶段都按同一闭环推进：
地图 -> 机制 -> 实现 -> 评测 -> 复盘 -> 下一阶段
如果一个阶段只读完文档但没有产出练习、项目或验收题答案，就不算真正完成。
3. 三条主线怎么选
3.1 工程落地主线
适合前端、后端、全栈和架构师。
01 -> 06 -> 07 -> 08 -> 09 -> 10 -> 11 -> 12 -> 14
策略：
- 先建立 AI 系统边界，再快速进入 Prompt、RAG 和应用工程。
02-05不跳过，但可先按“够用理解”学习，再在项目中补深。- 最终作品应强调系统设计、评测、安全和生产化，而不是算法推导。
3.2 模型理解主线
适合理解模型能力来源、参与模型选型或做算法协作。
01 -> 02 -> 03 -> 04 -> 05 -> 10 -> 14
策略：
- 重点吃透数据、训练、泛化、过拟合、评测和推理参数。
- 不追求成为研究员，但要能解释模型为什么会有效、为什么会失败。
- 最终作品应包含模型机制说明、对比实验和失败样例分析。
3.3 产品与业务落地主线
适合技术管理、产品负责人、解决方案和 AI 转型负责人。
01 -> 07 -> 08 -> 09 -> 10 -> 11 -> 12 -> 13 -> 14
策略：
- 重点关注场景筛选、ROI、组织流程、权限治理和采购边界。
- 不要求写复杂训练代码，但必须理解系统失败条件。
- 最终作品应包含立项方案、业务指标、试点计划和上线门禁。
4. 作品集路线
建议最终形成 6 个可展示产出。它们可以独立存在，也可以逐步合并为阶段 14 的综合项目。
| 顺序 | 作品 | 对应阶段 | 证明的能力 |
|---|---|---|---|
| 1 | AI 场景选型报告 | 01 | 能区分规则、ML、RAG、Workflow、Agent |
| 2 | 端到端 ML 小项目 | 02-03 | 能处理数据、训练模型、解释指标和错误 |
| 3 | LLM 机制与边界说明书 | 04-05 | 能解释 token、attention、推理参数、幻觉和上下文限制 |
| 4 | 可追溯 RAG 知识系统 | 06-07 | 能做检索、引用、拒答、权限和 RAG eval |
| 5 | AI 应用工程样板 | 08、10、12 | 能处理 streaming、队列、缓存、trace、成本和灰度 |
| 6 | 受控 Agent 综合项目 | 09-14 | 能设计工具、状态、HITL、轨迹评测、安全和上线方案 |
作品集最少应包含：
README.md：一句话目标、用户、功能、架构、运行方式。docs/architecture.md：系统架构、数据流、模型调用链路。docs/eval.md：评测集、指标、结果、失败样例。docs/security.md：权限、注入风险、数据边界、审计和回滚。docs/cost.md：token 预算、缓存策略、模型路由和成本估算。demo/或截图：展示关键流程，不只展示聊天窗口。
阶段 14 已提供 综合项目脚手架，可以直接复制后填写需求、架构、评测、安全、成本、Prompt 和演示材料。
如果第一次做综合项目，可以先对照 企业知识库问答示例项目。该示例已经包含零外部依赖的最小可运行 RAG demo，可用于学习如何把一个 RAG 项目写成可评审、可运行、可评测的作品集。
5. 阶段验收门槛
| 阶段组 | 最低验收 | 不合格信号 |
|---|---|---|
| 01-03 | 能解释基本概念并完成数据到模型闭环 | 只会列名词，无法说明指标和业务风险 |
| 04-05 | 能解释 LLM 能力来源和边界 | 把模型输出当作确定性答案 |
| 06-08 | 能构建可验证的 LLM/RAG 应用 | 只有 Prompt，没有 schema、引用和 eval |
| 09-12 | 能设计可控 Agent 和生产治理 | Agent 可任意调用工具，无 trace、预算和审批 |
| 13-14 | 能把项目包装成业务可落地方案 | 只展示 demo，没有 ROI、风险和上线门禁 |
6. 学习中的关键取舍
- 先做可评测的小系统，再做复杂架构。
- 先用 Workflow 承接稳定流程，再把不确定部分交给 Agent。
- 先建立 RAG baseline，再加入 rerank、多轮检索或 Agentic RAG。
- 先做任务级 eval，再讨论模型排行榜。
- 先把权限、日志、预算和回滚设计清楚，再扩大自动化范围。
7. 最终毕业标准
完成整套课程后，你应该能拿出一个综合项目，并能回答：
- 为什么这个场景值得用 AI？
- 为什么选择 RAG、Workflow 或 Agent，而不是更简单的方案？
- 数据从哪里来，权限如何控制？
- Prompt、上下文、工具和状态如何组织？
- 如何评测正确性、引用、拒答、安全和轨迹？
- 成本、延迟、限流、fallback 和灰度如何设计？
- 出错时如何审计、回滚和交接给人？
- 这个项目下一步如何从 demo 进入试点？
如果这些问题都能用自己的项目回答清楚，这套课程就完成了它真正的目标：让你从“会用 AI 工具”进入“会设计 AI 系统”。