一份从基础到部署的 AI 工程学习路线图
📁 AI 工程师学习路线图 ┃ ┣ 📂 1. 基础 ┃ ┣ 🐍 Python(高级 + 异步 + 测试) ┣ 🧮 线性代数 ┣ 📊 概率与统计 ┣ ➗ 微积分(基础) ┣ 📚 数据结构与算法 ┣ 🔧 Git + GitHub ┣ 🌐 API 与 REST ┣ 🗄️ SQL 基础 ┗ 🐳 Docker 基础 ┃ ┣ 📂 2. 机器学习与深度学习 ┃ ┣ 🤖 经典机器学习(Scikit-learn) ┣ 🧠 神经网络 ┣ 🔥 PyTorch ┣ ⚡ Transformer 与注意力机制 ┣ 📉 反向传播 ┣ 📈 模型评估与指标 ┣ 🎥 Karpathy《从零到英雄》系列 ┗ 🤗 Hugging Face Transformers ┃ ┣ 📂 3. LLM 应用工程 ┃ ┣ 💬 提示词工程 ┣ 🧠 上下文工程 ┣ 📋 结构化输出 ┣ 🔗 嵌入 ┣ 📚 RAG(检索增强生成) ┣ 🛠️ 工具调用 / 函数调用 ┣ 🤖 智能体 ┣ 🔍 向量数据库 ┃ ┃ ┣ 🟢 Qdrant ┃ ┣ 🟣 Chroma ┃ ┣ 🔷 Pinecone ┃ ┗ 🟡 Weaviate ┃ ┗ 📦 框架 ┃ ┣ 🦜 LangChain / LangGraph ┣ 🦙 LlamaIndex ┗ 🤗 Hugging Face Agents ┃ ┣ 📂 4. 生产环境与 LLMOps ┃ ┣ ✅ 评估(Evals) ┣ 📊 监控与可观测性 ┣ 💰 成本与延迟优化 ┣ 🚀 FastAPI + 部署 ┣ 🐳 Docker + 容器 ┣ ☁️ 云平台(AWS / GCP / Azure) ┣ 🔄 AI 领域的 CI/CD ┣ 🛡️ 护栏与安全 ┣ 📝 日志与追踪 ┗ 🔁 版本控制与实验跟踪 ┃ ┣ 📂 5. 进阶与专项方向 ┃ ┣ 🔧 微调(LoRA / QLoRA) ┣ 🏠 开源模型 ┣ ⚡ 推理优化(vLLM) ┣ 👁️ 多模态 AI ┣ 🧩 多智能体系统 ┣ 🏗️ AI 系统设计 ┣ 🔐 AI 安全 ┗ 📉 模型服务化 ┃ ┣ 📂 6. 核心工具与技术栈 ┃ ┣ 🐍 Python ┣ 🔥 PyTorch ┣ 🤗 Hugging Face ┣ ⚡ FastAPI ┣ 🐳 Docker ┣ 📊 LangSmith / Phoenix ┣ 🧪 MLflow / W&B ┗ ☁️ 云平台 ┃ ┗ 📂 7. 作品集项目 ┣ 📄 结构化输出解析器 ┣ 📚 生产级 RAG 应用(含评估) ┣ 🤖 可调用工具的智能体 ┣ 🚀 已部署的 AI 系统 ┗ 🎯 专项项目
本文由 AI 翻译自英文原帖,技术名词保留英文。
查看 X 原帖