从原理到 AI 工程学习路线

这条路线适合不满足于“会调用 API”，希望真正理解模型为何有效、系统为何失效，并能独立完成 AI 应用设计与交付的学习者。建议投入 16～24 周，每周学习 8～12 小时。

路线不是把所有文章从头读一遍，而是围绕“理解—实现—验证—复盘”建立能力。每个阶段都应留下可运行的代码、设计文档或实验报告。

完成路线后应具备的能力

• 能解释机器学习、神经网络、注意力机制和 Transformer 的核心原理。
• 能判断 Prompt、RAG、微调与 Agent 分别适合解决什么问题。
• 能搭建包含文档解析、检索、生成、评估和监控的 RAG 系统。
• 能设计工具调用、记忆、规划、错误恢复与人工介入机制。
• 能从准确率、延迟、成本、安全和可维护性角度评审 AI 系统。

阶段一：机器学习与深度学习基础（第 1～4 周）

先建立训练、泛化和评估的共同语言。这里不追求推导所有公式，而是理解每个概念会怎样影响模型行为。

核心内容

• 机器学习基础：监督学习、无监督学习、损失函数、过拟合与正则化。
• 深度学习基础：神经网络、反向传播、优化器、CNN 与 RNN。
• 评估指标：分类、生成和检索任务的指标选择。
• 训练与微调：训练流程、参数更新与微调方式。

阶段实践

用 PyTorch 完成一个小型分类任务，记录训练集与验证集曲线，主动制造一次过拟合，再通过正则化、数据增强或早停修正。最终写一页实验结论：问题是什么、证据是什么、修改为何有效。

阶段二：Transformer 与大模型原理（第 5～8 周）

这一阶段要从“模型能生成文本”深入到“输入如何变成 Token、信息如何在层间传播、输出为何具有随机性”。

核心内容

• Transformer 架构：自注意力、多头注意力、位置编码、残差连接与归一化。
• Token 与分词：BPE、词表和上下文长度。
• Embedding：语义表示、相似度与向量空间。
• 大模型基础：预训练、指令微调、对齐与涌现能力。
• 推理与生成：Temperature、Top-P、KV Cache 与生成策略。
• 大模型 100 讲·基础篇 与 训练原理篇。

阶段实践

加载一个开源小模型，对同一输入调整 Temperature、Top-P、最大长度和系统提示词，记录输出差异。再实现一个简化版 Attention，验证张量形状、Mask 和 Softmax 的作用。

阶段三：Prompt 与可靠输出（第 9～10 周）

Prompt 不是修辞技巧，而是对任务、上下文、约束和输出协议的工程化描述。

核心内容

• 提示词工程：角色、任务、示例、约束与结构化输出。
• Prompt 面试题：Few-shot、思维链、注入攻击与失败处理。
• 多轮对话中的上下文裁剪、摘要和状态管理。

阶段实践

实现一个结构化信息抽取服务：输入非结构化文本，输出经过 Schema 校验的 JSON；为格式错误、字段缺失、拒答和恶意输入设计重试与降级策略。

阶段四：RAG 系统（第 11～14 周）

RAG 的核心不只是“向量库 + 大模型”，而是让外部知识经过解析、切分、索引、召回、重排和引用后可靠进入生成过程。

核心内容

• RAG 检索增强篇：完整链路与模块边界。
• RAG 面试题：Chunk、Embedding、混合检索、Rerank、Query Rewrite 与评估。
• 文档解析：PDF、表格、图片和复杂版面。
• Agentic RAG 与 GraphRAG：复杂检索策略。

阶段实践

完成一个带来源引用的知识库问答系统，至少包含：多格式解析、可配置切分、向量检索、关键词检索、Rerank、无答案判断和离线评估集。记录命中率、答案正确率、P95 延迟与单次成本。

阶段五：Agent 与工具系统（第 15～18 周）

Agent 的价值来自对任务循环和工具系统的控制，而不是无限增加自主性。

核心内容

• Agent 基础篇：ReAct、规划、行动与观察。
• Agent 工程篇：工具协议、状态、错误恢复和可观测性。
• Agent 面试题：Tool Calling、记忆、多 Agent 与安全。
• MCP 协议、Agent Skills 和 Agent 记忆系统。

阶段实践

构建一个能读取资料、调用搜索或数据库、生成结果并自检的任务 Agent。限制最大循环次数，为每个工具定义超时、重试、权限和审计日志，并加入人工确认节点。

阶段六：AI 应用系统工程（第 19～24 周）

最后把模型能力放进真实软件系统。重点从“效果演示”转向可靠性、成本、性能和迭代效率。

核心内容

• 大模型应用系统篇：模型网关、会话、任务队列与数据闭环。
• 部署与推理优化篇：吞吐、延迟、量化、批处理与缓存。
• 评估、安全与面试综合篇：离线评估、在线反馈与安全治理。
• AI 系统设计面试题 与 模型部署面试题。

毕业项目

选择知识助手、智能客服、研究 Agent 或代码助手中的一个，交付以下材料：

1. 可运行的前后端或 API 服务。
2. 系统架构图、数据流和关键技术决策。
3. 至少 30 条评估样本及结果报告。
4. 延迟、成本、错误率和降级策略。
5. README、演示视频和一次完整复盘。

学习节奏建议

• 每周 40% 时间阅读原理，40% 编码实验，20% 整理输出。
• 每完成一个阶段，用自己的话回答“它解决什么问题、为什么有效、什么时候会失败”。
• 不同时学习多个框架；先用一个技术栈跑通，再比较替代方案。
• 每两周复盘一次，把失败案例加入测试集，而不是只保留成功演示。

真正完成这条路线的标志，不是阅读进度达到 100%，而是你能解释关键原理、独立定位失败原因，并把一个 AI 原型变成可评估、可维护的工程系统。