chewingdocs

外观

AI 学习路线总览 ​

这是一份从"神经元怎么算"到"怎么搭一个能干活的 Agent"的完整路线图。目标读者:有编程基础、想系统补齐 AI 知识的工程师。

一句话先记住:今天的"AI 应用",底下是 LLM,LLM 底下是 Transformer,Transformer 底下是神经网络,神经网络底下是矩阵乘法 + 求导。

一、整套教程的结构 ​

按"从底到顶"分六部分,前三部分讲原理(60%)、后三部分讲应用(40%):

部分主题你能搞清楚什么
一、神经网络基础数学、感知机、反向传播一个神经网络是怎么"学会"东西的
二、经典架构CNN、RNN、Embedding为什么图像用 CNN、序列用 RNN,以及它们的局限
三、Transformer 与 LLMAttention、GPT、训练范式ChatGPT 的"脑子"长什么样
四、LLM 应用基本盘Prompt、RAG、Tool Use怎么让 LLM 干有用的活
五、Agent 与工作流ReAct、多 Agent、编排怎么让 LLM 自己规划+执行任务
六、工程实战框架选型、评测、部署真上线时要踩的坑

二、完整目录(35 篇) ​

第一部分:神经网络基础(原理打底) ​

  • 02-数学预备-向量矩阵概率求导.md —— 看懂论文需要的最低数学
  • 03-从感知机到多层神经网络.md —— 为什么"叠层"能解决异或
  • 04-激活函数-为什么需要非线性.md —— Sigmoid / ReLU / GELU 怎么选
  • 05-损失函数-网络怎么知道自己错了.md —— MSE、CrossEntropy、KL 散度
  • 06-反向传播与梯度下降.md —— 整个深度学习的引擎
  • 07-训练技巧-过拟合归一化与初始化.md —— Dropout、BatchNorm、Adam
  • 08-PyTorch实操-手写一个分类器.md —— 第一次跑通训练循环

第二部分:经典神经网络架构 ​

  • 09-CNN卷积神经网络.md —— 图像怎么"看"
  • 10-RNN与LSTM循环神经网络.md —— 序列建模的老办法
  • 11-WordEmbedding词向量.md —— 文字怎么变成数

第三部分:Transformer 与大语言模型 ​

  • 12-Attention注意力机制.md —— Transformer 的灵魂
  • 13-Transformer架构详解.md —— Encoder / Decoder / 多头注意力
  • 14-从GPT到LLM-自回归生成.md —— 为什么"下一个词预测"能搞出智能
  • 15-Tokenizer与BPE.md —— 文字到 token 的桥
  • 16-推理与采样-temperature-top-p-top-k.md —— 模型"创造力"怎么调
  • 17-预训练SFT与RLHF.md —— 一个 LLM 是如何被"调教"出来的
  • 18-LoRA与高效微调.md —— 没有 8 张 A100 也能微调
  • 19-ScalingLaw与涌现能力.md —— 大力为什么能出奇迹

第四部分:LLM 应用基本盘 ​

  • 20-PromptEngineering.md —— Few-shot、CoT、Self-Consistency
  • 21-FunctionCalling与ToolUse.md —— 让模型会调 API
  • 22-RAG检索增强生成.md —— 给模型外挂"知识库"
  • 23-Embedding与向量数据库.md —— 语义检索的底层
  • 24-ContextEngineering上下文工程.md —— 比 Prompt Engineering 更上一层
  • 25-Memory记忆系统.md —— 短期/长期记忆怎么设计

第五部分:Agent 与工作流 ​

  • 26-Agent入门-从ReAct说起.md —— 第一个能"自己想办法"的 LLM
  • 27-Agent架构模式.md —— Plan-Execute、Reflection、Tree of Thoughts
  • 28-多Agent协作.md —— 角色分工、辩论、群聊模式
  • 29-工作流编排-LangGraph与状态机.md —— 把 Agent 装进可控流程
  • 30-MCP协议.md —— Anthropic 推的"AI 应用插件标准"

第六部分:工程实战 ​

  • 31-框架选型对比.md —— LangChain、LlamaIndex、Claude Agent SDK、AutoGen
  • 32-Evaluation评测.md —— 没有 eval 的 AI 项目都是耍流氓
  • 33-部署与推理优化.md —— 量化、KV Cache、vLLM、TensorRT
  • 34-AI安全与对齐.md —— Prompt Injection、Jailbreak、护栏
  • 35-多模态简介.md —— 视觉、语音、视频怎么接进来
  • 36-实战-从零搭一个实用Agent.md —— 把前面学的全用上

进阶补充(读完 36 之后的扩展线) ​

  • 37-视觉模型-CLIP-Diffusion-SAM.md —— VLM 之外另一条视觉主线
  • 38-CodingAgent与ComputerUse.md —— Cursor / Claude Code / Devin 怎么工作
  • 39-LLMReasoning-o1与DeepSeekR1.md —— "推理模型"范式与 GRPO
  • 40-微调实战-QLoRA与Unsloth.md —— 18 篇的实操配套,带你跑通
  • 41-推理引擎深入-vLLM-SGLang-TensorRTLLM.md —— 自部署的工程深水区

三、不同背景的学习路径 ​

路径 A:工程师转 AI(最常见) ​

你已经会写代码,目标是搞清楚 LLM/Agent 怎么工作,后续做 AI 产品。

02 → 03 → 06 → 08    (原理打底,大概一周)
       ↓
12 → 13 → 14         (直奔 Transformer)
       ↓
20 → 21 → 22 → 26    (进入应用)
       ↓
27 → 29 → 31 → 36    (Agent + 工程化)

跳过 09-11(CNN/RNN)是可以的,但读 13(Transformer)前必看 12(Attention)。

路径 B:想完整啃下来 ​

按顺序 02 → 36。预计 6-8 周(每天 1-2 小时)。

路径 C:已经在用 LLM,只想补原理 ​

02 → 06        (数学+反向传播,知道梯度下降在干嘛)
12 → 13 → 14   (Attention + Transformer + 自回归)
17 → 18        (训练范式 + LoRA)

预计 1-2 周,够你看懂大部分论文和技术博客。

路径 D:只想当应用层调包侠(不推荐但可以) ​

直接 20 → 36。但强烈建议至少读完 12-14,否则你永远不知道为什么 LLM 会幻觉、为什么 context 会爆。

四、需要的前置知识 ​

项程度不会怎么办
Python能写函数、用 class、装包先学 Python 基础再回来
微积分知道导数是斜率即可02 篇会带你过一遍
线性代数矩阵乘法、向量点积02 篇会带你过一遍
概率期望、条件概率02 篇会带你过一遍
机器学习经典算法不需要直接深度学习,经典 ML 用到再补

不需要本科数学水平。你需要的是"能看懂公式在表达什么",不是"能徒手推导反向传播"。

五、推荐的工具链 ​

用途工具备注
写代码VSCode / CursorCursor 写 AI 代码尤其顺
跑训练Google Colab(免费 T4)入门够用,本地有显卡更好
框架PyTorch + HuggingFace整个教程的主线
LLM APIAnthropic Claude / OpenAI应用层都需要,Claude 推荐
向量库Chroma(本地) / Pinecone(云)22-23 篇会用
Agent 框架Claude Agent SDK / LangGraph26 篇之后会用

六、给新手的几个忠告 ​

  1. 不要从看论文开始。论文是给已经懂的人写的"压缩包",新手看会怀疑人生。先把这 35 篇过一遍,再回头读论文。
  2. 必须动手跑代码。AI 不是看会的,是跑会的。每篇能跑的代码都 copy 下来跑一遍,改改超参数。
  3. 先有"全景图",再补细节。先快速过一遍路径 C,知道 Transformer 大概长什么样,再回来啃 06(反向传播)这种硬骨头会容易很多。
  4. "原理"和"应用"要交替学。只学原理会枯燥放弃,只学应用会浮在表面遇到问题不会解。
  5. 对"框架"祛魅。LangChain、LlamaIndex 这些库本质都是 prompt + HTTP 请求 + 一点点状态管理。理解原理后,任何框架你都能 1 天上手。
  6. 不要纠结"哪个模型最好"。GPT-5、Claude Opus 5、Gemini Ultra 几个月就换一茬,你要学的是能力,不是某个 API 的写法。

七、本教程的风格约定 ​

  • 代码用 Python(应用层会出现少量 TypeScript,因为前端集成时常用)
  • 每篇控制在 30 分钟读完,但需要你动手跑 30 分钟消化
  • 公式不躲也不堆:必要的写出来并用大白话解释,不必要的省掉
  • 优先讲"为什么"。光知道"Transformer 用 Attention"没用,要知道"为什么 RNN 不够用、为什么 Attention 解决了它"
  • 每篇末尾都有"踩坑提醒"或"选型建议",帮你避免常见误区

八、预计学习节奏 ​

阶段篇数预计时间(每天 1-2 小时)
神经网络基础(02-08)77-10 天
经典架构(09-11)33-5 天
Transformer 与 LLM(12-19)810-14 天
LLM 应用(20-25)67-10 天
Agent 与工作流(26-30)57-10 天
工程实战(31-36)610-14 天
合计356-9 周

不要赶进度。第一遍 60% 理解就够了,做完一两个项目后回头再读一次,会发现理解深了一个量级。

下一篇:02-数学预备:向量矩阵概率求导.md,先把数学的最低门槛过了。

最后更新: