📝 2.5 学习路径与测评

按目标选路线，用测验检验掌握度

不同背景的人不需要同一条路线：零基础先建立认知，开发者补齐工程能力，产品或业务人员聚焦场景与安全边界。 学完一段就做一次测验，再用项目评审标准检查自己的产出。

🧭 三条路线 📝 知识测验 🔍 项目评审 🗓️ 阶段计划
🧭 按目标选择学习路线
零基础

4-6 周 · AI 通识与上手

目标：看懂 AI 新闻与产品，能用工具解决日常问题，完成第一个小项目。

  1. 1.1 入门基础 全部必学条目
  2. 1.2 中的 Python 基础与 NumPy/Pandas（必学部分）
  3. 1.3 中的提示词设计
  4. 工具实操：Jupyter、Ollama、RAG 入门
  5. 完成 项目一：数据分析报告

考核：入门测验 ≥ 8/12 分 + 项目一评审通过

开发者

8-12 周 · 应用开发与落地

目标：独立完成 RAG 或 Agent 应用，具备模型选型、评测与部署能力。

  1. 快速过 1.1，重点补 1.2 的 Python、线代与概率直觉
  2. 1.3：机器学习 → 深度学习 → LLM → Agent 全部必学
  3. 工具实操：PyTorch、Hugging Face、LangChain、MCP
  4. 完成项目三（RAG）与项目五（Agent）
  5. 选修 NLP 或 CV 作为方向加分项

考核：进阶测验 ≥ 10/12 分 + 至少一个项目通过评审

产品 / 业务

2-3 周 · 场景判断与协作

目标：能判断哪些场景适合用 AI、如何评估效果与风险，并能与技术团队对话。

  1. 1.1 入门基础全部必学（重点：能力边界与术语）
  2. 1.3 提示词设计与 LLM 应用部分
  3. 行业应用场景：找到自己所在行业
  4. 伦理与安全：完成检查清单
  5. 完成项目四（提示词写作助手）与需求评审练习

考核：安全与场景测验 ≥ 8/12 分 + 一份 AI 应用方案

📝 知识测验（共 300 题）

覆盖概念、模型、应用、工程与安全。答案在服务端评分，提交后立即显示得分与逐题解析。

基础 1. 下列哪项最能准确描述人工智能、机器学习与深度学习的关系？
单元检查 2. 下列哪一项最准确地描述了 AI、机器学习、深度学习与生成式 AI 的关系？
单元检查 3. 根据历史成交数据预测房价，属于哪类任务？
单元检查 4. 神经网络中激活函数的主要作用是？
单元检查 5. 大语言模型最核心的训练目标是什么？
单元检查 6. 2012 年引爆深度学习热潮的标志性事件是？
单元检查 7. Token 在语言模型中指什么？
单元检查 8. 「模型没有实时记忆」意味着什么？
单元检查 9. [x*x for x in range(3)] 的结果是？
单元检查 10. NumPy 数组的 shape 为 (100, 5) 表示什么？
单元检查 11. 矩阵 A 形状为 2×3，矩阵 B 形状为 3×4，A×B 的结果形状是？
单元检查 12. 最大似然估计的目标是什么？
单元检查 13. 梯度方向指的是？
单元检查 14. 凸函数的一阶条件是什么？
单元检查 15. 哈希表查找的平均时间复杂度是？
单元检查 16. WHERE 与 HAVING 的区别是？
单元检查 17. 召回率高但精确率低通常意味着？
单元检查 18. CNN 中权重共享的主要好处是？
单元检查 19. 词向量的主要作用是？
单元检查 20. 迁移学习在计算机视觉中的主要优势是？
单元检查 21. 调高温度（temperature）通常会让生成结果？
单元检查 22. 结构化提示词的四个核心要素是？
单元检查 23. ReAct 循环的正确顺序是？
单元检查 24. LoRA 的核心思想是？
基础 25. 监督学习与无监督学习最核心的区别是什么？
单元检查 26. 判断一个系统是否属于「生成式 AI」，最关键的特征是什么？
单元检查 27. 在没有标签的情况下把客户分成若干群体，属于？
单元检查 28. 反向传播的本质是什么？
单元检查 29. 指令微调与对齐（如 RLHF）主要解决什么问题？
单元检查 30. Transformer 架构发表于哪一年？
单元检查 31. RAG（检索增强生成）的核心做法是？
单元检查 32. 高风险决策（如医疗、信贷）为什么必须保留人工复核？
单元检查 33. 读取文件时，推荐使用哪种写法确保文件最终被关闭？
单元检查 34. NumPy 广播的基本规则是？
单元检查 35. 全连接层 y=Wx+b 中，W 的形状通常是？
单元检查 36. 分类模型经 softmax 后的输出通常表示什么？
单元检查 37. 梯度下降的参数更新公式是？
单元检查 38. 拉格朗日乘子的主要作用是什么？
单元检查 39. 二叉树的中序遍历顺序是？
单元检查 40. 取每个用户最近一条订单，常用的窗口函数写法是？
单元检查 41. 类别极不平衡时，为什么不宜只看准确率？
单元检查 42. RNN 处理长序列时的主要问题是？
单元检查 43. BERT 的预训练任务包括？
单元检查 44. IoU 衡量的是什么？
单元检查 45. 相比微调，RAG 的主要优势是？
单元检查 46. 少样本示例（few-shot）的主要作用是？
单元检查 47. MCP 协议的主要作用是？
单元检查 48. 什么情况下应优先考虑微调而不是 RAG？
安全 49. 大模型的「幻觉」指的是什么？
单元检查 50. 「规则驱动」的系统与机器学习系统的主要区别是？
单元检查 51. 下棋程序通过胜负奖励不断改进策略，属于？
单元检查 52. GPU 能显著加速神经网络训练，主要原因是？
单元检查 53. 大模型会产生「幻觉」，根本原因是什么？
单元检查 54. 早期符号主义与专家系统的主要局限是？
单元检查 55. 微调与提示词设计的关键区别是？
单元检查 56. 下列哪类任务最适合直接交给 AI 处理？
单元检查 57. dict.get(key, default) 的作用是？
单元检查 58. Pandas 中 groupby().agg() 的作用是？
单元检查 59. 特征值与特征向量描述的是什么？
单元检查 60. 贝叶斯公式中的先验概率反映什么？
单元检查 61. 学习率过大时，训练过程常见表现是？
单元检查 62. 下列哪项是强对偶性成立的常见条件？
单元检查 63. 动态规划通常需要问题具备什么性质？
单元检查 64. LEFT JOIN 会保留哪一侧的全部行？
单元检查 65. 交叉验证的主要作用是？
单元检查 66. 相比 RNN，自注意力机制的主要优势是？
单元检查 67. 文本生成常用的评估指标是？
单元检查 68. 数据增强的主要作用是？
单元检查 69. 上下文窗口指的是？
单元检查 70. 思维链（Chain-of-Thought）更适合哪类任务？
单元检查 71. 下列哪种场景必须为 Agent 设置人工兜底？
单元检查 72. 模型量化的主要权衡是？
基础 73. 要理解神经网络的前向传播，下列哪项数学基础最直接必学？
模型 74. 大模型中的 token 指的是什么？
应用 75. RAG（检索增强生成）的主要价值是什么？
模型 76. 训练神经网络时，学习率设置过大会导致什么？
工程 77. MCP（Model Context Protocol）主要解决什么问题？
应用 78. 在提示词中加入少量示例（few-shot）的主要作用是什么？
安全 79. 以下哪项不是模型偏见的常见来源？
工程 80. 关于提示词工程与微调，下列说法正确的是？
安全 81. 在医疗、金融等高风险场景使用 AI，最合适的做法是？
基础 82. 关于大模型的 Scaling Law，下列哪项描述最准确？
基础 83. Transformer 必须引入位置编码，主要原因是？
基础 84. 与 BatchNorm 相比，LayerNorm 更适合 Transformer 的主要原因是？
基础 85. 训练损失持续下降、验证损失开始上升，最可能的情况是？
基础 86. 做特征标准化时，下列哪种做法会引入数据泄漏？
基础 87. 垃圾邮件过滤器的精确率很高、召回率较低，直接含义是？
基础 88. F1 分数与精确率、召回率的关系是？
基础 89. 训练深层网络或大模型时，梯度裁剪的主要作用是？
基础 90. L1 与 L2 正则化的典型区别是？
基础 91. 模型输出 logits 后接 softmax，主要目的是？
模型 92. 标准自注意力的计算复杂度随序列长度 n 如何变化？
模型 93. 推理时使用 KV Cache 的主要收益与代价分别是？
模型 94. MQA/GQA 主要通过什么方式降低大模型推理成本？
模型 95. FlashAttention 的核心思想是？
模型 96. QLoRA 相比标准 LoRA 的关键区别是？
模型 97. DPO（直接偏好优化）相比经典 RLHF 的典型区别是？
模型 98. 混合专家（MoE）模型的主要特点是？
模型 99. 知识蒸馏通常指什么？
模型 100. BPE 分词的主要特点是？
模型 101. 「Lost in the Middle」现象说明？
应用 102. RAG 中切分文档 chunk 时，最需要权衡的是？
应用 103. 为垂直领域 RAG 选择 Embedding 模型时，最可靠的做法是？
应用 104. 混合检索（向量检索 + BM25）主要弥补向量检索的什么短板？
应用 105. 在 RAG 中加入 Rerank 的典型做法与代价是？
应用 106. Query Rewrite 的主要目的是？
应用 107. 评估 RAG 系统时，为什么要分别评估检索与生成？
应用 108. 知识库中不同来源对同一事实说法不一致时，较合理的处理是？
应用 109. RAG 知识库需要持续更新，下列做法最合理的是？
应用 110. 为 Agent 设计工具（Function Calling）时，最重要的接口要素是？
应用 111. Agent 的长期记忆通常如何实现更合理？
工程 112. 向量数据库使用 HNSW 索引的主要权衡是？
工程 113. 调用大模型 API 收到 HTTP 429 时，工程上最合理的处理是？
工程 114. 流式输出（SSE）主要改善哪个指标？
工程 115. 连续批处理（Continuous Batching）的主要收益是？
工程 116. PagedAttention 主要解决什么问题？
工程 117. Agent 调用支付、下单等有副作用的工具时，必须优先保证？
工程 118. LLM 应用的可观测性建设，最重要的三类信号是？
工程 119. 模型路由（Model Routing）的主要目的是？
工程 120. 提示词缓存（Prompt Caching）最适合什么场景？
工程 121. 修改提示词或更换模型后，最稳妥的上线方式是？
安全 122. 间接提示注入（Indirect Prompt Injection）通常来自？
安全 123. 越狱（Jailbreak）与提示注入的主要区别是？
安全 124. OWASP 所说的「过度代理（Excessive Agency）」主要指？
安全 125. RAG 应用防止敏感信息泄露，最关键的防线是？
安全 126. 训练数据或知识库被投毒，最直接的后果是？
安全 127. 限制单次请求的输入长度与 token 预算，主要是为了防范？
安全 128. 引入第三方模型、插件或 MCP Server 时，供应链安全的关键措施是？
安全 129. 关于 AI 生成内容的版权，较稳妥的工程实践是？
安全 130. 评估模型偏见时，较合理的做法是？
安全 131. 上线前进行红队测试（Red Teaming）的主要目的是？
基础 132. 均方误差（MSE）与平均绝对误差（MAE）相比，最典型的特点是？
基础 133. 把原始数据划分为训练集、验证集与测试集，最符合各自职责的描述是？
基础 134. 模型参数（parameters）与超参数（hyperparameters）的区别是？
基础 135. 训练中的一个 epoch 指的是？
基础 136. 训练损失与验证损失都很高且数值接近，最可能的情况是？
基础 137. 对特征做 z-score 归一化，对梯度下降的主要帮助是？
基础 138. 数据中存在大量重复样本，且同一条重复样本同时落入训练集与测试集，会造成？
基础 139. 关于批量大小（batch size）与梯度估计的关系，下列说法正确的是？
基础 140. 为什么不能把训练集上的评估结果当作最终效果？
基础 141. 处理数值特征中的缺失值时，较稳妥的做法是？
模型 142. 逻辑回归输出经 sigmoid 变换后，最准确的解释是？
模型 143. 逻辑回归通常使用对数损失（log loss）而不是平方误差，主要原因是？
模型 144. 二分类中把判定阈值从 0.5 提高到 0.8，通常会带来什么变化？
模型 145. ROC 曲线的横轴与纵轴分别是？
模型 146. AUC 约为 0.5 通常说明？
模型 147. 多分类中的 one-vs-all（一对多）策略指的是？
模型 148. 逻辑回归中的「预测偏差（prediction bias）」指的是？
模型 149. 线性模型在什么情况下需要借助特征交叉或非线性变换？
模型 150. 使用特征交叉（feature cross）的主要代价是？
模型 151. 对类别特征做 one-hot 编码，下列说法正确的是？
应用 152. z-score 标准化的计算方式是？
应用 153. 对连续数值特征做分箱（binning）的主要收益是？
应用 154. 对特征做多项式变换（polynomial transforms）时，最需要警惕的风险是？
应用 155. 类别特征的词汇表（vocabulary）过大时，较合理的处理是？
应用 156. 面对类别不平衡数据，下列做法最合理的是？
应用 157. 混淆矩阵中的 FN（假负例）指的是？
应用 158. 结合业务选择分类阈值时，最合理的做法是？
应用 159. 特征向量（feature vector）在模型输入中的作用是？
应用 160. 对收入、点击量这类右偏的长尾正值特征，常用的预处理是？
应用 161. 对高基数类别特征使用嵌入（embedding）相比 one-hot 的主要优势是？
工程 162. 划分训练集与测试集时，最容易被忽视却会高估指标的问题是？
工程 163. 训练-服务偏斜（training-serving skew）最常见的成因是？
工程 164. 线上监控「预测偏差」（平均预测 vs 平均标签）难以实时计算的主要原因是？
工程 165. 早停（early stopping）的正确做法是？
工程 166. 即使已有验证集，为什么仍建议保留独立的测试集？
工程 167. 离线评估指标提升但线上业务指标没有改善，较合理的排查顺序是？
工程 168. 训练前做数据质量检查，最需要确认的是？
工程 169. 数据分布随时间变化（概念漂移）时，较合理的工程做法是？
工程 170. 训练管道中固定随机种子并记录数据版本，主要价值是？
工程 171. 新特征上线前做历史数据回填（backfill）验证，主要目的是？
安全 172. 采样偏差（sampling bias）对模型的典型影响是？
安全 173. 直接用历史人工决策结果作为训练标签，最可能引入什么问题？
安全 174. 推荐系统只用自己曝光内容的点击作为训练数据，可能产生？
安全 175. 特征中涉及身份证号、手机号等个人信息时，较合规的做法是？
安全 176. 模型没有直接使用性别、民族等字段，为什么仍可能出现歧视性结果？
基础 177. 决策树在分类任务中选择划分特征时，最常用的依据是？
基础 178. 不断增加决策树的深度，最可能出现的情况是？
基础 179. 在 scikit-learn 中，模型的 fit 与 predict 方法分别负责？
基础 180. 监督学习中的「标签（label）」指的是？
基础 181. 划分训练集与验证集之前先随机打乱数据，主要目的是？
基础 182. 建模时先建立一个简单基线（如用均值预测房价），主要作用是？
基础 183. 对偏态分布的特征用中位数而不是均值填充缺失值，主要原因是？
基础 184. KNN、K-means 这类基于距离的算法为什么需要先做特征缩放？
模型 185. 随机森林相比单棵决策树的主要优势是？
模型 186. 增大随机森林的 n_estimators（树的数量），通常会？
模型 187. 梯度提升（如 XGBoost）与随机森林的核心差异是？
模型 188. XGBoost 中设置 early_stopping_rounds 并传入 eval_set 的作用是？
模型 189. 用神经网络做回归预测（如预测房价），输出层通常怎样设计？
模型 190. 二分类神经网络输出层最常用的组合是？
模型 191. Dropout 在训练与推理阶段的行为差异是？
模型 192. 最大池化（max pooling）层的主要作用是？
模型 193. 对高基数类别特征直接使用目标编码（target encoding），最大的风险是？
模型 194. 特征工程中的互信息（mutual information）衡量的是？
模型 195. K-means 聚类的典型局限是？
模型 196. 强化学习中 epsilon-greedy 策略的作用是？
模型 197. 时间序列预测为什么不能像普通表格数据那样随机划分训练集与测试集？
应用 198. 排列重要性（permutation importance）的计算思路是？
应用 199. 排列重要性的主要局限是？
应用 200. SHAP 值的核心思想是？
应用 201. 部分依赖图（PDP）的用途是？
应用 202. 在 scikit-learn 中把预处理与模型封装成 Pipeline，主要价值是？
应用 203. XGBoost 等树模型处理缺失值时，相比简单均值填充的主要优势是？
应用 204. 对于「低/中/高」这类有序类别特征，较合适的编码方式是？
应用 205. 对日期字段做特征工程，较常见的做法是？
应用 206. 清洗文本类别字段（如城市名、商品名）时，最必要的步骤是？
应用 207. 时间序列预测中构造滞后特征（lag features）的目的是？
工程 208. 在 Kaggle 竞赛中反复根据公共排行榜（public LB）调参，主要风险是？
工程 209. 训练好的模型需要在其他环境复用，较规范的做法是？
工程 210. 把交叉验证的折数 k 从 5 增加到 20，通常会？
工程 211. 数据量大到内存放不下时，较合理的处理方式是？
工程 212. 用 joblib 保存的模型在另一台机器加载时报特征数量不匹配，最可能的原因是？
工程 213. 本地交叉验证得分与 Kaggle 排行榜差距很大，最可能的原因是？
安全 214. AI 伦理中的「透明度（transparency）」主要指？
安全 215. AI 伦理中的「问责（accountability）」强调？
安全 216. 成员推断攻击（membership inference）主要威胁的是？
安全 217. 公平性中的「均等机会（equal opportunity）」通常指？
安全 218. 在部署 AI 系统前进行影响评估（impact assessment）的主要目的是？
基础 219. 阿里云天池大赛的赛题类型通常包括哪些？
基础 220. 赛题页面中的「评测指标」直接决定了什么？
基础 221. 拿到赛题数据后做探索性分析（EDA），最应先确认的是？
基础 222. 「赛题理解」阶段最关键的一步是？
基础 223. 天池的「新人赛 / 学习赛」通常的定位是？
基础 224. 结果文件提交类赛题，最常见的格式要求是？
模型 225. 推荐系统「召回 → 排序 → 重排」中，召回阶段的主要目标是？
模型 226. CTR 预估中大幅提高负采样比例，最需要注意什么？
模型 227. 推荐场景中 GAUC（分组 AUC）相比全局 AUC 的主要优势是？
模型 228. 排序任务中 NDCG 相比 AUC 更能反映什么？
模型 229. 多模态图文检索常采用双塔（dual encoder）结构，主要原因是？
模型 230. CLIP 式图文对比学习的关键训练信号是？
模型 231. 目标检测中的 mAP 通常是怎样得到的？
模型 232. 语义分割常用的 mIoU 指的是？
模型 233. 通用 OCR 任务通常拆分为哪两个子任务？
模型 234. 命名实体识别等序列标注任务常用的标注体系是？
模型 235. NL2SQL（自然语言转 SQL）任务的核心挑战是？
模型 236. 知识图谱补全（链接预测）的典型做法是？
应用 237. 电商推荐中使用用户近期行为序列特征的主要价值是？
应用 238. 推荐系统面对新用户或新物品的冷启动，常见做法是？
应用 239. 训练推荐模型时对历史样本按时间衰减加权，主要目的是？
应用 240. 评论观点挖掘（ABSA）任务要求模型抽取的是？
应用 241. 气象/海洋类时序赛题（如海温、台风预测）通常需要重点处理？
应用 242. 遥感影像语义分割相比自然图像分割的特殊挑战是？
应用 243. 工业制造类赛题（如蒸汽量预测、质量预测）的关键通常在于？
应用 244. 医疗影像竞赛的常见难点是？
应用 245. 多模态图文检索常用 Recall@K 衡量什么？
应用 246. 多模态大模型数据合成赛（如 Better Synth）通常优化的目标是？
工程 247. 模型融合中的 stacking 与简单加权平均的主要区别是？
工程 248. 多模型融合在竞赛中通常能提分，主要原因是？
工程 249. 天池等平台的复现审核通常要求参赛者提交什么？
工程 250. 以 Docker 镜像方式提交模型，主要优势是？
工程 251. 赛题对推理时延和资源做出限制时，方案设计应优先考虑？
工程 252. 使用开源预训练模型参加竞赛时，合规方面应注意？
工程 253. 提交结果文件被判格式错误，最常见的原因是？
工程 254. 竞赛数据规模远超本地机器时，较常见的做法是？
安全 255. 对抗攻击（如 FGSM、PGD）的基本思路是？
安全 256. 对抗训练（adversarial training）的防御原理与代价是？
安全 257. 联邦学习在隐私保护上的核心特点是？
安全 258. 竞赛中使用未授权的测试集标签或外部数据，会带来什么后果？
基础 259. 当精确率与召回率同时重要时，确定「单一实数评估指标」的主要价值是？
基础 260. 开发集与测试集来自不同分布（例如不同医院、不同地区），最直接的风险是？
基础 261. 在结构化机器学习项目中，把「人类水平表现」作为基准的主要意义是？
基础 262. 训练误差很低、开发集误差明显更高，通常说明？
基础 263. 面对大量误分类样本，较高效的「误差分析」做法是？
基础 264. 端到端学习相比传统多模块流水线的主要取舍是？
基础 265. 用学习曲线判断「增加训练数据是否有帮助」时，主要看？
基础 266. 开发集（验证集）规模通常应如何确定？
模型 267. 深层网络使用 He/Xavier 初始化的主要目的是？
模型 268. 深层神经网络中梯度消失的根本原因是？
模型 269. Adam 优化器的主要特点是？
模型 270. 训练后期使用学习率衰减的主要目的是？
模型 271. 多分类神经网络通常使用 softmax 配合交叉熵，主要原因是？
模型 272. 序列生成任务中使用束搜索（beam search）的主要目的是？
模型 273. LSTM 中遗忘门、输入门与输出门的主要作用是？
模型 274. Word2Vec 中 skip-gram 模型的训练目标是？
模型 275. 人脸识别中使用孪生网络与三元组损失（triplet loss）的目标是？
模型 276. 神经风格迁移的损失通常由哪两部分构成？
模型 277. YOLO 系列把目标检测建模为？
模型 278. 多任务学习通常能带来收益的前提是？
模型 279. 目标检测中引入锚框（anchor）的主要作用是？
模型 280. 序列到序列（seq2seq）模型中编码器与解码器的分工是？
应用 281. 对话应用中 system message（系统消息）的主要作用是？
应用 282. 要求大模型输出 JSON 后，工程上仍需做的是？
应用 283. 迭代式提示词开发较合理的流程是？
应用 284. 用大模型做结构化信息抽取时，提高稳定性的常见做法是？
应用 285. LangGraph 中「状态图」的节点与边分别表示？
应用 286. crewAI 等多智能体框架中，一个智能体通常由哪些要素定义？
应用 287. 构造指令微调（instruction tuning）数据时，最关键的是？
应用 288. 微调后模型在通用任务上明显变差，这种现象称为？
应用 289. 向量检索前对 embedding 做 L2 归一化的主要目的是？
应用 290. 向量数据库的元数据过滤（metadata filtering）主要作用是？
工程 291. 批处理推理与实时推理的主要取舍是？
工程 292. 影子部署（shadow deployment）的做法与价值是？
工程 293. 金丝雀发布（canary release）的典型做法是？
工程 294. 用 A/B 测试判断新模型是否更好，最关键的前提是？
工程 295. 特征存储（feature store）主要解决什么问题？
工程 296. 生产模型触发再训练（continuous training）的合理信号是？
安全 297. 内容审核（moderation）在 LLM 应用中较合理的部署位置是？
安全 298. 用 LLM-as-judge 自动评估回答质量时，需要特别防范的偏差是？
安全 299. 发布 AI 模型时编写「模型卡（model card）」的主要价值是？
安全 300. 大模型可能复述训练数据中的敏感内容，较合理的应对是？
🔍 项目评审标准

每个项目完成后按以下维度自评或互评，总分 80 分以上视为通过。评审记录建议保留，作为阶段成果。

维度权重评审要点
问题定义20%目标清晰、用户与场景明确，有可衡量的成功标准
数据与方案25%数据来源合规、切分合理；方案选型有对比与理由
效果评估25%有独立测试集与指标；对幻觉、偏见等风险做了评估
工程质量15%代码可读、可复现；关键路径有日志与错误处理
文档与表达15%README 完整，能讲清取舍与局限，给出下一步计划
📋 评审流程 提交项目 → 按上表自评 → 同伴互评（至少 1 人）→ 根据反馈迭代一次 → 记录最终得分与改进点。
🗓️ 阶段性学习计划

4 周冲刺（零基础）

  • 第 1 周：1.1 概念、术语与发展脉络
  • 第 2 周：Python 基础 + NumPy/Pandas
  • 第 3 周：提示词设计 + 工具实操（Jupyter/Ollama）
  • 第 4 周：完成项目一，做入门测验

8 周应用开发

  • 第 1-2 周：数学直觉 + Python 数据处理
  • 第 3-4 周：机器学习与深度学习基础
  • 第 5 周：LLM 原理 + RAG 实操
  • 第 6 周：Agent 与 MCP 工具调用
  • 第 7-8 周：项目三/五 + 评测与部署

12 周系统进阶

  • 第 1-3 周：1.1 + 1.2 全部必学
  • 第 4-6 周：机器学习、深度学习完整课程
  • 第 7-8 周：NLP 或 CV 方向选修
  • 第 9-10 周：LLM、Agent、RAG 工程化
  • 第 11-12 周：LoRA 微调 + 项目六 + 作品集整理