这条 AI 学习路线适合谁
这条路线首先面向有计算机基础、但没有 AI 背景的工程师。你只需理解函数、HTTP、JSON、数据库和基本错误处理；第一阶段不要求 Python、线性代数、微积分或机器学习经验。
用请求链、外部依赖、Schema 和可观测性理解模型调用。
先建立能力边界，再把模型安全地接入真实产品。
理解为什么 AI 系统需要评测集、回归、Trace 和发布门禁。
能判断代码、Prompt、RAG、工具调用和微调各自解决什么问题。
学习边界：交互模拟可以帮助建立直觉，但不能替代真实代码、真实数据和真实评测。要形成可交付能力，后半程必须动手完成项目。
从软件到大模型工程的三层路径
课程 01—02
基础原理：传统软件、机器学习与深度学习
从软件的指令、算法、数据、状态和运行环境开始，先建立确定性系统的基准。随后引入样本、特征、标签、模型、Loss、梯度和优化器，再沿神经元、激活、张量、前向与反向传播进入深度学习。
- 关键概念：规则、样本、特征、参数、Loss、梯度、神经网络、表示学习
- 阶段产出：能解释模型怎样从误差中学习，并准确区分训练和推理
课程 03—06
大模型原理：结构、预训练、后训练与推理
先沿 Token、Embedding、位置、Q/K/V、因果 Attention、FFN 和 Decoder Block 走完 Transformer。再分别学习预训练如何产生 Base Model，SFT、LoRA、RLHF 与 DPO 如何塑造行为，以及 Prefill、Decode、KV Cache 和采样如何完成一次线上推理。
- 关键概念：Transformer、Next-token、Backprop、AdamW、SFT、DPO、Prefill、KV Cache
- 阶段产出：能画出训练 / 推理双泳道，并说明每个环节的输入、输出与参数是否改变
课程 07—08
使用与工程：Prompt、RAG、Agent 与可靠上线
理解内部原理后，再把 Prompt 写成任务契约，把模型 API 当不稳定外部依赖，用 RAG 提供可引用证据，用工具 Schema、最小权限、审批和停止条件约束 Agent。综合课把模型、Eval Harness、Trace、灰度和回滚串成同一证据链。
- 关键概念：Schema、RAG、引用、工具权限、有界 Agent、Eval、Trace、Canary
- 阶段产出：交付一个可评测、可追踪、可停止、可回滚的大模型应用
ict985 的八门课程知识地图
八门课固定按 2 + 4 + 2 分层。第一课公开且无需登录；课程 ID、页面路由和解锁关系保持稳定，但新版内容从基础原理重新起步。
指令、算法、数据、状态、样本、Loss、梯度与泛化
神经元、激活、张量、前向/反向传播与表示学习
Token、Embedding、Q/K/V、因果 Attention 与 Decoder Block
语料、Next-token、交叉熵、Backprop、AdamW 与 Base Model
SFT、LoRA/QLoRA、RLHF、DPO 与安全边界
Prefill、Decode、KV Cache、采样、量化与服务调度
任务契约、模型 API、证据链、工具权限和有界循环
透明小模型、Eval Harness、Trace、发布门禁与回滚
怎么练，才能从“看懂”走到“会做”
每学一个概念，至少完成一次“解释—操作—观察—验证”循环。先用自己的话写出机制，再改变一个变量观察结果，最后用测试或评测判断结论是否成立。
解释
不看资料，写出这个组件解决什么问题、输入输出是什么。
操作
修改数据、参数、提示词或检索配置，不只运行默认示例。
观察
记录质量、延迟、成本和失败样例，区分相关性与因果关系。
验证
建立小型评测集或自动化测试，确保改动没有只改善单个案例。
时间安排不必追求统一答案。可以把每周学习拆成“概念理解、互动实验、代码练习、项目复盘”四类任务；进度应由能否完成阶段产出来判断，而不是只按观看时长或课程完成数计算。
AI 初学者最常见的五个误区
模板离开具体任务和数据后很难复用。更重要的是理解任务、上下文、约束和评测标准。
框架更新很快，HTTP、数据结构、检索、状态和测试等基础能力更稳定。
单个成功案例不能证明稳定性，需要覆盖正常、边界和对抗样例。
问题可能发生在数据、检索、提示词、工具、权限、网络或输出解析层，应逐层定位。
没有回归评测、日志、预算和权限边界的 AI 功能很难可靠上线。
AI 入门学习常见问题
有编程基础但不懂 AI，应该先学什么？
先理解传统软件怎样根据指令和状态运行，再学习样本、特征、Loss、梯度与神经网络；然后进入 Transformer、预训练、后训练和推理，最后才学习 Prompt、RAG 与 Agent。
学习 AI 一定要先会 Python 吗？
理解大模型基本概念和使用提示词不要求先会 Python；但要把模型接入应用、处理数据、实现 RAG 或 Agent，建议掌握变量、函数、数据结构、HTTP 请求和异常处理。
学习大模型需要很强的数学基础吗？
入门阶段可以先用可视化和实验建立直觉。继续深入模型训练与算法时，再系统补充线性代数、概率统计、微积分和优化方法。
RAG 和 Agent 应该先学哪个？
通常先学 RAG。它能帮助你掌握检索、上下文构造、引用和评测。之后再学习需要工具调用、状态管理和多步骤决策的 Agent，工程边界会更清楚。
怎样判断自己真的学会了 AI？
不要只看是否完成课程。至少要能解释系统链路、独立实现一个小项目、用测试或评测发现问题，并说明质量、成本、安全与延迟之间的取舍。
延伸阅读与参考
本文的课程结构参考了大模型与检索增强生成的基础研究，并把安全和风险管理纳入工程阶段：
- Attention Is All You Need：Transformer 架构的基础论文。
- Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks：RAG 的代表性研究。
- NIST AI Risk Management Framework：AI 系统风险管理框架。