Sunqy 文档库

主题

10 学习路径与资源索引 ​

速览卡 ​

项内容
一句话定位从"想学 AI"到"知道先学什么"的路线图
核心内容三类角色的分层路线、资源类型与获取方式、实践项目梯度
现状判断资源过剩而非稀缺，真正的难点是选择与实践，而非寻找资料
读完能回答我该从哪开始？要不要学数学？怎么避免收藏了等于学了？
相关板块全部。这篇是把其他篇串起来的索引

一、先确定方向 ​

学 AI 的最大误区是"从头学起"。不同目标需要完全不同的知识结构：

目标需要什么不需要什么
用好 AI 工具（使用者）提示词技巧、工具使用、能力边界认知数学、训练原理
做 AI 应用（应用开发者）API 调用、RAG、Agent、工程化、评测深入的模型训练、底层算法推导
做模型研发（算法工程师）数学基础、深度学习、训练技术、分布式—

先把目标定清楚，能节省 80% 的无效学习。

二、路线 A：使用者（1～4 周） ​

目标 ​

在日常工作与生活中高效使用 AI 工具，理解能力边界。

学习内容 ​

周次内容实践
第 1 周概念与工具上手（00 篇）用 AI 完成日常写作、整理、搜索任务
第 2 周提示词技巧（02 篇）把自己常做的任务改造成可复用的提示词
第 3 周多模态工具（06 篇）试用图像、视频、音频生成工具
第 4 周能力边界与风险（00、09）刻意找出 AI 的错误，建立怀疑习惯

关键认知 ​

  • AI 会自信地犯错，重要内容必须核实
  • 提示词要具体：说清背景、目标、格式、约束
  • 不要什么都问 AI：判断力与品味是你的价值

三、路线 B：应用开发者（3～6 个月） ​

目标 ​

能独立设计、实现并上线一个 AI 应用。

阶段划分 ​

阶段一：基础（2～4 周） ​

内容资源类型
Python 基础（若已有其他语言基础，主要熟悉生态）官方文档、交互式教程
LLM API 调用各厂商官方 Quickstart
核心概念（Token、上下文、温度）00 篇、官方 Cookbook

实践：写一个命令行问答工具，能流式输出、能控制温度、能统计 Token。

阶段二：提示词与 RAG（4～6 周） ​

内容资源类型
提示词工程与上下文工程官方 Prompt 指南（各厂商都有，质量高于二手教程）
Embedding 与向量检索原理向量库官方文档、动手实验
RAG 完整链路02 篇、开源 RAG 项目源码

实践：基于自己的文档（笔记、公司文档）搭一个能溯源引用的问答系统。这是最有价值的一个练手项目——用真实数据才能遇到真实问题。

阶段三：Agent 与工具调用（4～6 周） ​

内容资源类型
Function Calling / Tool Use官方文档
Agent 循环与框架03 篇、主流框架官方教程
MCP 等协议协议官方规范与示例 Server

实践：做一个能调用 2～3 个真实工具的 Agent（如查天气 + 查数据库 + 发通知），重点体会错误处理与循环控制。

阶段四：工程化（4～8 周） ​

内容资源类型
评测体系05 篇
可观测性各类 LLM 观测工具的文档与开源实现
成本与性能优化官方文档的优化指南
安全与护栏09 篇

实践：给前面的项目加评测、加日志、加成本控制、加输入过滤。这一步是区分"能跑"和"能上线"的分水岭。

关键提醒 ​

提醒说明
不要只看教程教程里的案例都是理想化的，真实问题只在你的数据上出现
用自己的数据做项目用公开示例数据集学不到真正的东西
尽早做评测没有评测就无法判断改进是否有效
读源码优秀的开源 AI 应用是最好的教材

四、路线 C：算法工程师（6～12 个月+） ​

前置基础 ​

领域内容重要度
数学线性代数、概率统计、微积分、最优化必需（理解原理与读论文）
编程Python、PyTorch必需
机器学习基础监督/无监督学习、过拟合、评估方法必需
深度学习神经网络、反向传播、CNN/RNN、优化器必需
Transformer注意力机制、位置编码、各变体核心

进阶内容 ​

方向内容
预训练数据处理、分布式训练、混合精度
后训练SFT、RLHF、DPO、奖励建模
高效训练LoRA、QLoRA、蒸馏、量化
推理优化KV Cache、投机解码、算子优化
架构MoE、注意力变体、长上下文方案
多模态视觉语言模型、跨模态对齐
评测Benchmark 设计、能力分析

学习建议 ​

建议说明
读经典论文从 Transformer、BERT、GPT 系列开始，按引用链追溯
复现优先从零实现一个小型 Transformer，比读十篇综述有用
跟进前沿arXiv、各大厂研究博客、会议（NeurIPS/ICML/ICLR/ACL）
动手训练用小数据集训练一个小模型，走完完整流程
贡献开源参与开源项目是最快的成长路径

关于"要不要学数学"：

  • 应用开发者：需要理解概念，不需要推导
  • 算法工程师：数学是硬门槛，无法绕过

五、资源类型与获取方式 ​

官方资源（优先） ​

类型说明
各厂商官方文档与 Cookbook质量最高、最及时，应作为第一手资料
官方 Prompt 工程指南比二手教程可靠
模型卡片与技术报告了解模型能力与局限的权威来源
开源项目仓库一手实现

原则：AI 领域变化太快，二手资料的滞后与失真比传统技术领域严重得多。优先看官方，二手资料用于补充视角。

论文 ​

平台说明
arXiv预印本，前沿成果首发地（cs.CL / cs.AI / cs.LG）
会议论文集NeurIPS、ICML、ICLR、ACL、EMNLP、CVPR 等
Papers with Code论文与代码对应，便于复现

读论文的方法：

  1. 先看摘要与图表，判断是否相关
  2. 再看方法部分
  3. 最后看实验与分析
  4. 关注它不解决什么问题（往往比它解决了什么更重要）

课程 ​

层次类型
零基础各大平台的 AI 通识课、LLM 应用开发课
系统学习深度学习专项课程（如 DeepLearning.AI、李沐、吴恩达等系列）
进阶各高校的机器学习/自然语言处理研究生课程（很多有公开视频）

[易变] 具体课程更新快，选择时看：更新日期（优先近一两年）、是否有实践环节、是否覆盖工程化内容。

社区与信息源 ​

类型说明
开源社区GitHub、Hugging Face（模型与数据集的集散地）
技术社区国内外技术论坛与社区
厂商研究博客了解技术方向的一手信息
资讯与 Newsletter跟进快速变化
评测榜单了解模型相对能力（注意榜单与具体场景的相关性）

如何筛选信息 ​

AI 领域信息噪音极大，建议：

原则说明
区分事实与观点尤其是"某某模型超越某某"类内容
警惕标题党"颠覆""终结""彻底改变"通常是营销
看一手来源论文原文、官方公告 > 媒体报道 > 自媒体解读
交叉验证重要信息至少两个来源
关注反对意见只听一边会形成偏差
留意时间AI 领域三个月前的内容可能已过时

六、实践项目梯度 ​

按难度递增，每个都能学到不同的东西：

难度项目核心收获
★命令行问答工具API 调用、流式输出、参数控制
★★文档问答（RAG）解析、分块、检索、重排、溯源
★★结构化信息抽取输出格式约束、Schema 校验
★★★带评测的问答系统评测集构建、回归测试、迭代方法
★★★多工具 Agent工具设计、循环控制、错误处理
★★★代码助手（基于自己的仓库）上下文工程、仓库理解
★★★★多 Agent 协作系统编排、状态管理、成本控制
★★★★完整的生产级 RAG 服务权限、监控、成本、缓存、容灾
★★★★★领域模型微调数据构建、训练、评估、部署
★★★★★端侧小模型部署量化、蒸馏、端侧优化

建议：从 ★★ 的"文档问答"开始。它覆盖了 RAG 全链路，是投入产出比最高的练手项目，且能直接用到工作中。

七、学习中的常见陷阱 ​

陷阱表现对策
收藏家陷阱收藏大量教程，从不实践强制规定：每看一小时，动手两小时
教程循环不停地看入门教程，从不开始项目设定项目截止日期
追新焦虑每天追新模型新工具，无法深入选定一套工具用三个月，追新的收益远低于深耕
只看不练读了很多原理，没写过代码从第一个项目开始，边做边查
忽视工程只学模型与算法，不懂评测与部署应用方向必须学 05 篇
过度深挖应用开发者去啃数学推导按目标裁剪知识范围
孤军奋战遇到问题死磕善用社区、读源码、看 issue

八、能力自测 ​

使用者 ​

  • [ ] 能写出结构清晰、约束明确的提示词
  • [ ] 知道 AI 在哪些任务上不可靠
  • [ ] 会核实 AI 给出的关键事实
  • [ ] 能判断是否该用 AI 完成某项工作

应用开发者 ​

  • [ ] 能独立完成 RAG 系统的设计与实现
  • [ ] 能为应用建立评测集并做回归
  • [ ] 能设计 Agent 并处理失败与成本
  • [ ] 知道如何控制成本与延迟
  • [ ] 能识别并处理基本的安全风险
  • [ ] 了解所在辖区的基本合规要求

算法工程师 ​

  • [ ] 能从零实现 Transformer
  • [ ] 能读懂并复现顶会论文
  • [ ] 能独立完成模型训练与微调全流程
  • [ ] 理解分布式训练与推理优化
  • [ ] 能设计实验并分析结果

九、延伸方向 ​