4 周学习检查点
第 1 周
能解释 LLM、Token、上下文窗口和 Prompt 的基本结构。
第 2 周
能完成一次模型 API 调用，并处理流式输出、错误和成本。
第 3 周
能搭建一个最小 RAG 流程，理解切块、召回、重排和引用。
第 4 周
能设计一个小型 Agent 工作流，并给出工具调用与失败恢复方案。
零基础入门
先理解 LLM、Prompt、Token 和主流模型，再进入 API 调用。
理解 LLM
写好 Prompt
估算 Token
选择模型
应用开发路线
从一次 API 调用开始，逐步做出 RAG、Agent 和可部署项目。
API 调用
结构化输出
RAG 知识库
Agent 工作流
项目实战路线
把学习节点落到可复现案例中，形成作品和工程经验。
Hello LLM
个人知识库
Agent 样板
部署上线
学习地图连接这些栏目
阶段成果
能独立使用主流大模型完成问答、写作、资料整理和基础代码辅助。
01
阶段 01
路线节点
AI 大模型入门
先建立对 LLM 的整体认知，知道它能做什么、不能做什么，以及如何正确使用模型工具。
阶段成果
能独立使用主流大模型完成问答、写作、资料整理和基础代码辅助。
阶段成果
能写出一个最小可运行的 AI 应用脚本，并处理常见文本和数据输入。
02
阶段 02
路线节点
Python 与数据基础
补齐大模型应用开发所需的工程底座，能够读取数据、调用 API、处理文本并组织项目。
阶段成果
能写出一个最小可运行的 AI 应用脚本，并处理常见文本和数据输入。
阶段成果
能看懂模型训练、Embedding、相似度检索和常见评估指标的含义。
03
阶段 03
路线节点
机器学习与深度学习
理解模型训练和表示学习的基本思想，不追求从零造大模型，但要理解背后的关键概念。
机器学习核心
深度学习基础
Embedding 思维
阶段成果
能看懂模型训练、Embedding、相似度检索和常见评估指标的含义。
阶段成果
能解释 Attention、Transformer、BERT/GPT 差异，以及预训练和微调的边界。
04
阶段 04
路线节点
NLP 与 Transformer
从传统 NLP 过渡到 Transformer，理解现代大模型为何能处理语言、上下文和复杂任务。
NLP 基础
Transformer 原理
预训练与微调
阶段成果
能解释 Attention、Transformer、BERT/GPT 差异，以及预训练和微调的边界。
阶段成果
能构建可运行的大模型应用，并能解释 RAG 和 Agent 的核心链路。
05
阶段 05
路线节点
大模型应用核心
进入真正的应用开发：API、多轮对话、结构化输出、RAG、工具调用和 Agent 工作流。
LLM API 开发
RAG 知识库
Agent 与工具调用
阶段成果
能构建可运行的大模型应用，并能解释 RAG 和 Agent 的核心链路。
阶段成果
能把一个 AI 应用部署上线，并持续观察质量、成本和失败案例。
06
阶段 06
路线节点
评测、部署与产品化
让 Demo 变得可靠：建立评测、控制成本、处理异常、部署 API，并关注真实用户体验。
阶段成果
能把一个 AI 应用部署上线，并持续观察质量、成本和失败案例。
阶段成果
能设计跨文本、图片、语音和工具链的组合式 AI 工作流。
07
阶段 07
路线节点
多模态与进阶专题
把能力扩展到图片、语音、截图、图表和复杂工作流，探索更接近真实产品的 AI 系统。
阶段成果
能设计跨文本、图片、语音和工具链的组合式 AI 工作流。
节点会变成教程
每个知识点都按“概念解释、最小示例、常见错误、延伸阅读”的结构沉淀，逐步补齐成完整教程库。
教程会连接实验
理论节点会尽量连接到实验室工具，比如 Token 成本估算、Prompt 对比器、RAG 流程演示和 Agent 工作流。
先路线，后内容
当前先把路线和节点确定下来，后续再把已有文章、项目日志和新教程逐个挂到对应节点上。