anuragdotdev发布23模块AI工程师全栈学习路线图

AI 工程师学习路线图
│
├── 1. 编程基础
│ ├── Python
│ │ ├── 变量与数据类型
│ │ ├── 函数与模块
│ │ ├── 面向对象编程与异常处理
│ │ ├── 列表与字典推导式
│ │ ├── 迭代器与生成器
│ │ ├── 装饰器与上下文管理器
│ │ ├── Asyncio 与并发
│ │ ├── 类型提示与 Pydantic
│ │ └── 虚拟环境与打包
│ ├── 数据结构与算法
│ ├── Git 与 GitHub
│ ├── Linux 与命令行
│ ├── HTTP 与网络基础
│ ├── REST API
│ └── JSON、YAML 与序列化
│
├── 2. 数学与机器学习基础
│ ├── 线性代数
│ │ ├── 向量与矩阵
│ │ ├── 点积
│ │ ├── 矩阵乘法
│ │ └── 特征值与特征向量
│ ├── 微积分
│ │ ├── 导数
│ │ ├── 偏导数
│ │ ├── 梯度
│ │ └── 链式法则
│ ├── 概率与统计
│ │ ├── 概率分布
│ │ ├── 贝叶斯定理
│ │ ├── 均值与方差
│ │ └── 统计推断
│ ├── 机器学习基础
│ │ ├── 监督学习与无监督学习
│ │ ├── 训练与测试
│ │ ├── 过拟合与欠拟合
│ │ ├── 损失函数
│ │ └── 模型评估
│ └── 深度学习基础
│ ├── 神经网络
│ ├── 反向传播
│ ├── 梯度下降
│ └── 激活函数
│
├── 3. 数据工程与处理
│ ├── NumPy
│ ├── Pandas
│ ├── 数据清洗
│ ├── 数据转换
│ ├── 探索性数据分析
│ ├── SQL 与 PostgreSQL
│ ├── JSON 与 JSONL
│ ├── CSV、XML 与 Parquet
│ ├── 数据管道
│ ├── 网页抓取
│ ├── 数据校验
│ └── 数据集准备
│
├── 4. 深度学习与神经网络
│ ├── 感知机
│ ├── 前馈神经网络
│ ├── 前向传播与反向传播
│ ├── 损失函数
│ ├── 优化器
│ ├── CNN 与 RNN
│ ├── LSTM 与 GRU
│ ├── 注意力机制
│ ├── Transformer 架构
│ ├── 嵌入
│ └── 迁移学习
│
├── 5. 深度学习框架
│ ├── PyTorch
│ │ ├── 张量
│ │ ├── 自动微分
│ │ ├── nn.Module
│ │ ├── DataLoader
│ │ ├── 自定义训练循环
│ │ ├── GPU 训练
│ │ └── 模型检查点
│ ├── TensorFlow 与 Keras 基础
│ ├── Hugging Face 生态
│ │ ├── Transformers
│ │ ├── Datasets
│ │ ├── Tokenizers
│ │ └── Accelerate
│ └── CUDA 基础
│
├── 6. 大语言模型基础
│ ├── 什么是大语言模型？
│ ├── Transformer 架构
│ ├── 编码器与解码器模型
│ ├── GPT 架构
│ ├── BERT 架构
│ ├── 分词
│ ├── 词表与 Token ID
│ ├── 上下文窗口
│ ├── 位置编码
│ ├── 自注意力与多头注意力
│ ├── 预训练与后训练
│ ├── 指令微调
│ ├── RLHF 与 DPO
│ ├── 模型参数
│ └── 开源模型与闭源模型
│
├── 7. 大语言模型 API 与模型集成
│ ├── OpenAI API
│ ├── Anthropic API
│ ├── Google Gemini API
│ ├── 开放权重模型
│ ├── API 认证
│ ├── 流式响应
│ ├── 结构化输出
│ ├── 函数与工具调用
│ ├── 多模态 API
│ ├── 错误处理与重试
│ ├── 速率限制
│ ├── Token 用量与成本追踪
│ └── 模型路由与降级
│
├── 8. 提示词与上下文工程
│ ├── 系统与用户指令
│ ├── 少样本提示
│ ├── 思维链概念
│ ├── 结构化提示
│ ├── 提示词模板
│ ├── 上下文窗口管理
│ ├── 上下文压缩
│ ├── 上下文选择与检索
│ ├── 提示词版本管理
│ ├── 提示词注入防御
│ ├── 上下文工程
│ └── 提示词评估
│
├── 9. 嵌入与向量数据库
│ ├── 什么是嵌入？
│ ├── 稠密与稀疏嵌入
│ ├── 嵌入模型
│ ├── 相似度度量
│ ├── 余弦相似度
│ ├── 语义搜索
│ ├── 向量索引
│ ├── 近似最近邻
│ ├── 向量数据库
│ │ ├── Pinecone
│ │ ├── Qdrant
│ │ ├── Weaviate
│ │ ├── Milvus
│ │ └── Chroma
│ ├── 元数据过滤
│ └── 混合搜索
│
├── 10. 检索增强生成（RAG）
│ ├── RAG 架构
│ ├── 文档接入
│ ├── 文档解析
│ ├── 文本分块策略
│ ├── 重叠分块
│ ├── 嵌入生成
│ ├── 向量存储
│ ├── 查询转换
│ ├── 检索策略
│ ├── 重排序
│ ├── 混合检索
│ ├── 上下文检索
│ ├── 父子检索
│ ├── 多查询检索
│ ├── 图 RAG
│ ├── 智能体 RAG
│ ├── RAG 评估
│ └── 高级 RAG 优化
│
├── 11. AI 智能体与智能体系统
│ ├── 什么是 AI 智能体？
│ ├── 智能体架构
│ ├── 推理与规划
│ ├── 工具调用
│ ├── 函数执行
│ ├── 短期与长期记忆
│ ├── 智能体状态管理
│ ├── 工作流编排
│ ├── 单智能体系统
│ ├── 多智能体系统
│ ├── 人在回路
│ ├── 反思与自我修正
│ ├── 规划与执行循环
│ ├── 智能体可靠性
│ ├── 智能体评估
│ └── 智能体安全
│
├── 12. AI 框架与编排
│ ├── LangChain
│ ├── LangGraph
│ ├── LlamaIndex
│ ├── Haystack
│ ├── Semantic Kernel
│ ├── Pydantic AI
│ ├── DSPy
│ ├── CrewAI
│ ├── AutoGen
│ ├── 工作流编排
│ └── 框架选择与权衡
│
├── 13. 模型微调与适配
│ ├── 预训练模型
│ ├── 监督微调（SFT）
│ ├── 参数高效微调
│ ├── LoRA
│ ├── QLoRA
│ ├── PEFT
│ ├── 数据集准备
│ ├── 合成数据生成
│ ├── 指令微调
│ ├── DPO
│ ├── 微调评估
│ └── 何时选择微调而非 RAG
│
├── 14. 多模态 AI 工程
│ ├── 视觉语言模型
│ ├── 图像理解
│ ├── OCR 与文档智能
│ ├── 语音转文本
│ ├── 文本转语音
│ ├── 音频理解
│ ├── 视频理解
│ ├── 多模态嵌入
│ ├── 图像生成模型
│ ├── 扩散模型
│ └── 多模态 RAG
│
├── 15. AI 评估与测试
│ ├── 为什么 AI 评估很重要
│ ├── 单元测试与集成测试
│ ├── 大语言模型作为评判
│ ├── 黄金数据集
│ ├── 评估数据集
│ ├── 模型准确率
│ ├── 忠实度与接地性
│ ├── 相关性与上下文精度
│ ├── 幻觉检测
│ ├── RAG 评估
│ ├── 智能体评估
│ ├── 人工评估
│ ├── 回归测试
│ ├── 在线与离线评估
│ └── 评估与可观测性
│
├── 16. AI 基础设施与推理工程
│ ├── 大语言模型推理基础
│ ├── 预填充与解码
│ ├── KV 缓存管理
│ ├── 连续批处理
│ ├── PagedAttention
│ ├── 投机解码
│ ├── 量化
│ ├── 模型剪枝
│ ├── 知识蒸馏
│ ├── 模型服务
│ ├── vLLM
│ ├── SGLang
│ ├── Ollama
│ ├── TensorRT-LLM
│ ├── GPU 内存管理
│ ├── 延迟与吞吐量优化
│ └── 分布式推理基础
│
├── 17. AI 后端工程
│ ├── FastAPI
│ ├── Flask
│ ├── REST API
│ ├── WebSocket 与流式传输
│ ├── 异步处理
│ ├── Redis 与缓存
│ ├── PostgreSQL
│ ├── 后台任务
│ ├── 消息队列
│ ├── 认证与授权
│ ├── 速率限制
│ ├── API 安全
│ ├── 微服务基础
│ └── AI 应用架构
│
├── 18. MLOps 与 LLMOps
│ ├── 机器学习与大语言模型生命周期管理
│ ├── 实验追踪
│ ├── MLflow
│ ├── Weights & Biases
│ ├── Langfuse
│ ├── LangSmith
│ ├── 提示词版本管理
│ ├── 模型版本管理
│ ├── 数据版本管理（DVC）
│ ├── 追踪与可观测性
│ ├── 成本监控
│ ├── 模型监控
│ ├── AI 应用的 CI/CD
│ └── 自动化评估流水线
│
├── 19. 云与 DevOps
│ ├── AWS
│ │ ├── S3
│ │ ├── EC2
│ │ ├── Lambda
│ │ ├── ECS 与 EKS
│ │ └── SageMaker 基础
│ ├── Google Cloud 与 Vertex AI
│ ├── Microsoft Azure AI
│ ├── Docker
│ ├── Kubernetes
│ ├── GitHub Actions
│ ├── CI/CD 流水线
│ ├── Terraform
│ ├── GPU 云基础设施
│ └── 部署与扩缩
│
├── 20. AI 安全与负责任 AI
│ ├── 提示词注入
│ ├── 越狱攻击
│ ├── 数据泄露
│ ├── 敏感数据保护
│ ├── PII 检测与脱敏
│ ├── 工具执行安全
│ ├── 沙箱执行
│ ├── 模型供应链安全
│ ├── 对抗攻击
│ ├── 偏见与公平性
│ ├── 可解释性
│ ├── AI 治理
│ └── 护栏与内容安全
│
├── 21. AI 系统设计与架构
│ ├── 设计可扩展的 AI 应用
│ ├── RAG 系统设计
│ ├── 智能体系统设计
│ ├── 模型路由架构
│ ├── 多租户 AI 系统
│ ├── 缓存策略
│ ├── 数据库与向量存储设计
│ ├── 分布式任务处理
│ ├── 容错与重试
│ ├── 成本优化
│ ├── 延迟优化
│ ├── 水平扩展
│ ├── 可靠性与可用性
│ └── AI 权衡分析
│
├── 22. 构建真实世界项目
│ ├── AI 驱动的研究助手
│ ├── 文档智能平台
│ ├── 生产级 RAG 系统
│ ├── 多智能体研究系统
│ ├── AI 客服智能体
│ ├── AI 编程助手
│ ├── 多模态 AI 助手
│ ├── AI 会议智能系统
│ ├── 企业知识助手
│ ├── AI 工作流自动化平台
│ ├── 自定义大语言模型微调流水线
│ ├── AI 模型评估平台
│ └── 端到端生产级 AI SaaS
│
└── 23. 职业准备
├── 打造出色的 GitHub 作品集
├── 撰写 AI 工程师简历
├── 掌握 Python 与 SQL 面试
├── 学习机器学习与大语言模型基础
├── 练习 AI 系统设计
├── 理解 RAG 与智能体架构
├── 学习推理优化
├── 研究生产级 AI 案例研究
├── 参与开源项目
├── 撰写技术文章
├── 公开构建
└── 申请 AI 工程师职位

最终目标：成为具备生产落地能力的 AI 工程师