这不是一张静态课程表，而是一条会持续生长的学习路线。每个节点未来都可以扩展成教程、实验、文章或项目日志。
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。
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。
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。
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。
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。
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。
能看懂模型训练、Embedding、相似度检索和常见评估指标的含义。
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。
能看懂模型训练、Embedding、相似度检索和常见评估指标的含义。
能解释 Attention、Transformer、BERT/GPT 差异，以及预训练和微调的边界。
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。
能解释 Attention、Transformer、BERT/GPT 差异，以及预训练和微调的边界。
能构建可运行的大模型应用，并能解释 RAG 和 Agent 的核心链路。
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。
能构建可运行的大模型应用，并能解释 RAG 和 Agent 的核心链路。
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。
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。
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。
能设计跨文本、图片、语音和工具链的组合式 AI 工作流。
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。
能设计跨文本、图片、语音和工具链的组合式 AI 工作流。
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。
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。
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。