这条 AI 学习路线适合谁
这条路线面向想系统理解生成式 AI 和大模型的初学者，也适合已经会使用聊天模型、但对 Token、上下文、RAG、Agent 等概念缺少完整认识的人。它不要求你一开始就训练真正的大模型，也不把“会调用一次 API”当成终点。
先通过交互实验理解概念和边界，再决定是否进入代码实践。
建立从原理到项目的顺序，减少在海量教程之间反复跳转。
理解模型能做什么、为什么会出错，以及如何设计可验证的 AI 功能。
补齐评测、检索、工具调用、可观测性和安全等工程环节。
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。
零基础学习 AI 的四个阶段
先看懂大模型训练与推理
从训练数据开始，依次理解 Token 与编码、上下文样本、Transformer 结构、参数初始化、前向传播、损失函数、反向传播、验证集和生成策略。目标不是背公式，而是能解释一段文本如何变成模型输入、模型如何学习，以及推理为什么会受 Temperature 和 Top-K 影响。
- 关键概念：数据质量、Token、Embedding、Attention、Loss、梯度、过拟合、推理
- 阶段产出：画出训练到推理的完整链路，并能说明每一步的输入和输出
掌握提示词、结构化输出与模型 API
提示词学习的重点不是收集“万能模板”，而是明确任务、上下文、约束、输出格式和失败条件。随后用 Python 或其他语言调用模型 API，学会处理鉴权、超时、重试、流式响应、上下文长度和结构化数据。
- 关键概念：System 指令、Few-shot、JSON Schema、HTTP、Token 用量、错误处理
- 阶段产出：做一个能稳定返回结构化结果的小工具，并为异常输入写测试
再学习 RAG 与 AI Agent
RAG 用检索到的外部资料补充模型上下文，关键在切分、召回、排序、引用与评测；Agent 则让模型在多步骤任务中选择和调用工具，需要处理状态、权限、失败恢复与停止条件。建议先把单次检索链路做可靠，再增加自主决策。
- 关键概念：Embedding、向量检索、Chunk、召回率、工具调用、状态机、Guardrail
- 阶段产出：做一个答案可追溯的知识库问答，再扩展为受约束的工具型 Agent
用 AI 工程闭环完成项目
真实系统必须面对质量波动、延迟、成本、隐私、安全和版本变化。最后阶段要为提示词、检索和工具链建立离线评测与线上监控，记录输入输出、定位失败层，并在发布前设置权限和人工兜底。
- 关键概念：评测集、回归测试、Tracing、缓存、预算、内容安全、提示词注入防护
- 阶段产出：交付一个可复现、可评测、可监控的小型 AI 应用
ict985 的八门课程知识地图
站内课程按“先原理、再应用、最后工程”的顺序组织。第一课公开且无需登录；后续课程用于继续完成提示词、API、RAG、Agent 和综合工程练习。
数据、Token、Transformer、训练、验证与生成
任务描述、上下文、约束与可靠输出
请求、响应、结构化数据和错误处理
文档切分、检索、引用和回答评测
规划、工具调用、状态与失败恢复
进一步理解模型结构、训练与能力边界
规则、知识、模型和人工判断如何协同
测试、评测、监控、安全和端到端交付
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
零基础学习 AI 应该先学什么？
先建立数据、Token、训练、验证和推理的整体认识，再学习提示词和模型 API。理解模型边界后，学习 RAG 与 Agent 会更容易判断系统为什么成功或失败。
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。