学习路线总表
核对日期：2026-05-13。
1. 总体节奏
默认长期深入学习周期为 12-18 个月。如果每周投入 8-12 小时，12 个月可完成主线；如果每周投入 4-6 小时，建议按 18 个月安排。
这套课程按“基础认知 -> 机制理解 -> 应用工程 -> 生产治理 -> 产品落地 -> 综合项目”推进。不要把它当成资料列表，应该把它当成一个逐步形成作品集的训练计划。
| 阶段 | 建议周期 | 目标 | 必须产出 |
|---|---|---|---|
| 01 AI 全景认知 | 1-2 周 | 建立 AI 体系地图和选型判断力 | AI 技术地图 + 场景判断表 |
| 02 数学与编程基础 | 4-6 周 | 补齐数据、概率、优化和 Python 工程基础 | 3 个数据 notebook |
| 03 机器学习基础 | 5-6 周 | 掌握经典 ML 训练、验证、评测流程 | 端到端 ML 小项目 |
| 04 深度学习基础 | 5-6 周 | 理解神经网络、训练和 PyTorch 实践 | PyTorch 训练实验 |
| 05 Transformer 与大模型原理 | 5-6 周 | 理解 LLM 能力来源、边界和推理机制 | LLM 机制说明书 |
| 06 Prompt 与上下文工程 | 3-4 周 | 能稳定组织上下文和结构化输出 | Prompt 模板 + Eval 样例 |
| 07 RAG 与知识系统 | 4-5 周 | 能构建可追溯知识库问答 | RAG Demo + 评测报告 |
| 08 AI 应用工程 | 5-6 周 | 能把模型能力接进真实应用 | AI Web 应用 |
| 09 Agent 系统设计 | 6-8 周 | 能设计工具、状态、记忆和人类在环 | 只读 Agent + 受控写入 Agent + 5 个专题拆分 |
| 10 评测体系 | 4-6 周 | 能评估 LLM、RAG、Agent 的真实效果 | 评测集 + 报告 + 5 个专题拆分 |
| 11 安全与治理 | 4-6 周 | 能识别注入、越权、泄漏和合规风险 | 安全测试集 + 治理清单 + 5 个专题拆分 |
| 12 LLMOps 与生产化 | 4-5 周 | 能设计网关、路由、监控、灰度和回滚 | 生产化架构方案 + 5 个专题拆分 |
| 13 AI 产品与业务落地 | 3-4 周 | 能判断业务价值、ROI 和组织实施路径 | 产品立项方案 |
| 14 综合实战项目 | 8-12 周 | 综合完成一个可展示、可评测、可复盘的 AI 系统 | 作品集 + 项目脚手架 + 可运行示例 + 架构 + 评测 + 答辩 |
2. 三条学习路径
2.1 工程落地主线
适合前端、后端、全栈、架构师：
01 -> 06 -> 07 -> 08 -> 09 -> 10 -> 11 -> 12 -> 14
数学、ML 和 DL 阶段不跳过，但可以先读核心概念，再在项目中补深。最终目标是能交付可观测、可评测、可降级、可审计的 AI 系统。
2.2 算法理解主线
适合希望理解模型能力来源的人：
01 -> 02 -> 03 -> 04 -> 05 -> 10 -> 14
重点不是追论文数量，而是能解释训练、泛化、评测和失败模式。最终目标是能和算法、平台、业务团队讨论模型边界，而不是只会调 API。
2.3 产品与管理主线
适合技术管理、产品负责人、AI 转型负责人：
01 -> 07 -> 08 -> 09 -> 10 -> 11 -> 12 -> 13 -> 14
重点是场景选择、风险控制、组织流程和投入产出。最终目标是能判断一个 AI 项目值不值得做、如何试点、何时停止、如何上线。
3. 每阶段学习闭环
每个阶段都按同一闭环推进：
最低要求：
- 每阶段至少回答全部验收题。
- 每阶段至少留下 1 份复盘。
- 每个工程阶段必须有可运行或可审查的产出。
- 每个 LLM、RAG、Agent 项目必须有失败样例。
4. 作品集路线
作品集不是最后才开始做，而是从阶段 01 起逐步积累。
| 作品 | 起始阶段 | 最终形态 |
|---|---|---|
| AI 场景选型报告 | 01 | 能解释为什么选规则、ML、RAG、Workflow 或 Agent |
| ML 小项目 | 02-03 | 有数据处理、训练、指标、错误分析和业务解释 |
| LLM 机制说明书 | 04-05 | 能解释 token、attention、上下文、推理参数和幻觉 |
| RAG 知识系统 | 06-07 | 有检索、引用、拒答、权限和 RAG eval |
| AI 应用工程样板 | 08、10、12 | 有 streaming、异步、缓存、trace、预算和灰度方案 |
| 受控 Agent 项目 | 09-14 | 有工具 schema、状态、HITL、轨迹评测、安全和答辩材料 |
阶段 14 已提供可复制的 综合项目脚手架，建议作为最终作品集目录的起点；也可以先阅读 企业知识库问答示例项目，观察一份完整交付包应该长什么样。
更完整的作品集规划见 最终学习建议与作品集路线.md。
5. 关键质量门槛
| 门槛 | 必须回答的问题 |
|---|---|
| 机制 | 这个系统为什么可能有效？失败条件是什么？ |
| 数据 | 数据从哪里来，是否可信，权限如何控制？ |
| 上下文 | 模型看到了什么，没有看到什么，哪些内容不可信？ |
| 评测 | 如何证明它比 baseline 好？如何回归？ |
| 安全 | 注入、越权、泄漏和误操作如何防？ |
| 成本 | token、缓存、模型路由、限流和预算如何设计？ |
| 生产 | 如何观测、灰度、降级、回滚和审计？ |
| 产品 | 用户工作流是否真的变好？ROI 是否成立？ |
6. 毕业标准
完成课程不以“读完文档”为标准，而以能力产出为标准：
- 能解释 AI、ML、DL、LLM、RAG、Workflow、Agent 的关系。
- 能从需求判断该用规则、ML、RAG、Workflow 还是 Agent。
- 能构建至少 1 个 RAG 系统、1 个 AI 应用、1 个 Agent 系统。
- 能为 AI 系统设计评测集、Trace、成本预算和安全边界。
- 能写出生产上线方案，包括降级、监控、审计和回滚。
- 能把综合项目讲成一份业务可理解、工程可执行、风险可控制的作品集。