这两年AI 的发展速度确实超出了很多人的预期。打开社交媒体各种“AI 焦虑”的内容随处可见。今天我想和大家分享一份非常实用的学习路线图希望能帮你理清思路看清方向。这份指南不是一份简单的课程清单而是一套经过实践验证的学习框架。它分为几个清晰的阶段从最基础的核心编程一直延伸到当前大热的 AI Agent人工智能代理和 MCP模型上下文协议。无论你是刚入门的新手还是有一定经验的开发者都可以把它当作一份参考找到自己当前的位置以及下一步该往哪里走。在正式进入路线图之前先说几句心里话。现在市面上流传的很多 AI 学习路线图其实更像是 2019 年的机器学习大纲只是在最后硬加了一个关于大语言模型的章节。但到了 2026 年企业对 AI 工程师的要求已经完全不同了。一个合格的 AI 工程师需要懂上下文工程需要会做RAG检索增强生成需要理解MCP模型上下文协议需要能构建和管理AI Agent还需要关注评估体系和生产级部署。AI 在变我们学习它的方式也必须跟着变。写在最前面别跳过软件工程基础在开始学习 AI 之前我想先分享一个可能不那么讨喜但很重要的观点。不要指望看一个周末的 Transformer 教学视频就能直接去“微调大模型”或者“构建复杂的 AI Agent”。一个优秀的 AI 工程师首先应该是一个合格的软件工程师。这意味着你需要具备一些基本但至关重要的能力比如能看懂堆栈报错信息并且知道如何修复它。能写出结构清晰、别人能看懂、几个月后的自己也能看懂的代码。能熟练使用git进行版本控制。能大致推理出当 1 万个请求同时访问你的服务端点时会发生什么。AI 工程师首先是软件工程师。这个基础打得越牢后面的路才能走得越稳。01 Python、Git 与编程基础如果你已经对 Python 很熟悉了可以快速跳过这部分。但如果还在入门阶段建议踏踏实实地过一遍。我自己的体会是花几个月时间看教程远不如亲手写几天代码带来的提升大。当你开始动手解决实际问题思维才会真正活跃起来。建议你至少在以下方面达到“熟练”的程度1.核心 Python 语法数据结构列表、字典、集合函数、类、列表/字典推导式生成器、装饰器这在 AI 框架里非常常见推荐学习资源选一个就好CS50’s Introduction to Programming with Python哈佛大学的经典入门课品质有保障。The Complete Python Bootcamp From Zero to Hero in PythonUdemy上的一门很全面的课程。建议不要在“选哪个课”上花太多时间随便选一个开始看就行。有了一些基础概念后立刻去 LeetCode 这类刷题网站上用 Python 做一些简单的算法题在实践中巩固。2.虚拟环境与包管理必须学会venv、pip现在也推荐了解一下uv。这一步如果偷懒将来你可能会在“依赖包冲突”上浪费大量时间相信我那种体验非常痛苦。3.Git 与 GitHub不需要成为专家但必须会用。知道如何创建分支、提交代码、发起 Pull Request以及如何解决合并冲突。4.文件与数据处理学会用 Python 读写 JSON、CSV 和普通的文本文件。因为在真实世界里80% 的数据最初都是以这种“朴素”的形式存在的。5.终端与调试掌握一些基本的 Bash 命令浏览目录、管道命令等。最重要的是学会阅读错误信息而不是一看到报错就想复制粘贴到对话框里。试着用 IDE集成开发环境自带的调试工具或者学会用print()来定位问题。真正的成长来自解决报错的过程。第一个实打实的小项目这个阶段你的目标不是做出一个惊天动地的产品而是体验一遍完整的“脏活累活”。可以试着做一个命令行工具从一个公开 API 抓取数据清洗后保存到文件或者写个小脚本解析自己的银行账单或消费记录。这个过程会让你遇到各种意想不到的问题格式错误的数据、编码问题、API 突然改变了返回结构……所有这些都是非常宝贵的经验。02 真正用得上的数学很多人一听到“AI 数学”就头大。其实你并不需要成为数学家才能入门只需要掌握几个关键领域的核心概念就可以了。1.线性代数核心概念向量、矩阵、张量。理解矩阵乘法在几何上意味着什么。为什么重要点积、矩阵乘法、特征值这些在后面的注意力机制和词嵌入中你会反复遇到。推荐资源3Blue1Brown非常棒的数学可视化讲解可以帮助你建立直观的几何理解。Introduction to Linear Algebra for Applied Machine Learning with Python一本将线性代数和 Python 代码结合的教程非常实用。2.微积分核心概念导数特别是梯度这个概念。为什么重要它是模型训练过程的数学基础。推荐资源Dive into Deep Learning的 Calculus 章节。The Matrix Calculus You Need For Deep Learning一篇专门讲清楚深度学习所需矩阵微积分的文章。3.概率与统计核心概念分布、均值/方差、条件概率。为什么重要这是理解模型输出的不确定性和各种评估指标的语言。推荐资源Dive into Deep Learning的 Probability and Statistics 章节。Coursera 上的 Probability Statistics for Machine Learning Data Science。4.优化理论核心概念梯度下降、学习率、损失函数。为什么重要这是理解模型如何从“错误”一步步变“正确”的核心机制。推荐资源Dive into Deep Learning的 Optimization Algorithms 章节。不要在这个阶段陷入数学的汪洋大海觉得太难就跳过去先抓住主干。工具库实操学完上面这些数学概念你可以立刻上手两个最核心的数据处理库NumPy用于高效的数值计算。Pandas用于数据操作和分析。Matplotlib Seaborn用于数据可视化。第二个关键练习从零实现线性回归这是一个非常有价值的练习虽然很多人觉得“太基础”而跳过它。拿出代码用 NumPy 从头写一个线性回归算法包括初始化参数、计算损失、用梯度下降更新参数。当你的代码跑通并且结果和scikit-learn库中的标准算法相差无几时你会获得一种“开悟”般的信心。因为你证明了自己真的理解了这一切背后的运作原理。03 经典机器学习在触碰神经网络之前先花些时间熟悉经典机器学习算法。因为在很多现实问题中这些方法仍然比复杂的深度学习模型更高效、更经济。核心学习内容监督学习线性回归、逻辑回归、决策树、随机森林、梯度提升树如 XGBoost, LightGBM。无监督学习聚类如 K-Means、降维如 PCA。模型评估训练集/测试集划分、交叉验证、精确率/召回率/F1分数、ROC-AUC。重点是要理解对于特定的业务问题到底哪个指标最重要。特征工程这是区分一个模型是“普通”还是“优秀”的关键技能。scikit-learn库熟练使用它提供的 Pipeline、预处理、模型选择功能。推荐资源Machine Learning Crash Course by Google for DevelopersGoogle 出品的免费课程简洁、互动性强非常适合入门。Machine Learning A-ZUdemy 上的一门经典课程覆盖很全面。推荐项目 1客户流失预测这是一个非常经典的入门项目因为它涵盖了真实项目的完整流程处理杂乱的表格数据、应对类别不平衡问题、进行特征工程、比较不同模型最后还要根据业务场景选择评估指标在这里漏掉一个可能流失的客户成本远高于误判一个不会流失的客户。如果能做到以下几点你的项目会更有深度清晰解释为什么选择某个评估指标通常准确率不是最佳选择。至少比较两种以上的模型而不是跟风使用 XGBoost。利用 SHAP 值或特征重要性等手段来解释模型的判断依据。推荐项目 2推荐系统这个项目能让你学会用“相似性”来思考问题这个思维在你接触到 Embedding 和 RAG 时会非常有用。可以尝试构建一个基于内容或协同过滤的简易推荐系统比如电影、书籍推荐。核心在于理解“将物品表示为向量并计算向量间距离”这一思想因为它会在你学到后面阶段时反复出现。04 深度学习这个阶段很多人会开始感受到真正的乐趣也可能有人会知难而退。无论如何建议你真正投入地去学一遍再决定是否继续深入。核心学习内容神经网络基础层、激活函数、前向传播、反向传播。训练技巧过拟合、正则化、Dropout、批归一化。优化器SGD、Adam以及为什么选择它们会影响实际效果。GPU 基础不需要学得太深但至少要明白为什么你的电脑在跑大模型时会“冒烟”。推荐资源Practical Deep Learning for Codersfast.ai的免费课程专为有编程基础的人设计注重实践。Deep Learning A-ZUdemy 上的另一门实践导向课程。Deep Learning with Python, Third Edition非常经典的一本书适合系统学习。PyTorch vs TensorFlow这是个很常见的问题。在 2026 年如果你只能二选一那么答案很明确PyTorch。它已经成为了学术界和工业界的主流选择Hugging Face 上的模型、各种 Agent 框架绝大多数都是基于 PyTorch 构建的。NLP、计算机视觉与 Transformer你需要对这些领域有足够的工作认知NLP 基础分词、词嵌入、序列模型。计算机视觉基础CNN卷积神经网络、图像预处理、迁移学习。Transformer 架构这是核心中的核心。注意力机制是驱动当今所有大语言模型的关键。推荐项目 3情感分析微调一个预训练的 Transformer 模型可以从一个轻量级的 DistilBERT 开始来完成情感分类任务。这个项目能让你走一遍现代 NLP 的完整工作流加载预训练模型、正确处理数据分词、进行微调、评估效果。这套流程和你在生产环境中使用的几乎一样。推荐项目 4会议记录生成器这是一个端到端的 AI 应用而不仅仅是一个模型。你可以使用 Whisper 将音频转为文字再用一个 LLM 来生成会议摘要。这个项目的最大价值在于它能让你看到各个组件如何拼装成一个完整的、有用的工具。05 AI 工程师的核心领域这个阶段才是 2026 年一名 AI 工程师真正的战场。上下文工程上下文工程是 2026 年“提示工程”的真正继任者。提示工程师思考的是“我该用哪些词来写提示词”而上下文工程师思考的是“模型为了出色地完成这个任务它的上下文窗口里需要包含哪些信息从检索到的文档、工具的输出、对话历史、系统指令到长期记忆我该如何构建并优先排序这些信息”核心关注点信息筛选哪些信息是必要的哪些是干扰模型的噪音结构设计如何组织、格式化、压缩这些信息才能让模型更好地利用它上下文窗口预算你并没有无限的 Token无脑地塞入所有信息反而可能让模型输出质量下降。结构化输出学习如何让 LLM 生成符合特定 Schema 的 JSON 或 Pydantic 对象而非自由格式的文本。这能让 AI 应用更可靠也更易于与其他系统集成。RAG检索增强生成RAG 是一种让 LLM 能够利用它从未被训练过的私域知识来回答问题的技术。核心学习内容分块策略从简单的固定大小分块到语义分块这个选择会直接影响你检索质量的天花板。词嵌入与向量数据库文本如何变成向量以及如何使用 Pinecone、Weaviate、Chroma 等工具来存储和检索它们。检索方法相似性搜索、混合搜索结合关键词和语义、以及重排序。进阶 RAG 技术查询重写、Agentic RAG让 Agent 进行计划并迭代检索、Graph RAG利用知识图谱。评估衡量检索质量使用上下文精确率和召回率等指标而不仅仅是看最终答案是否“看起来正确”。MCP模型上下文协议MCP 是一个标准化的协议它允许 LLM 应用以一种统一的方式连接外部的工具和数据源而不用每个团队都去为每个工具写定制的集成代码。核心学习内容理解 MCP 的客户端/服务器模型。将已有的 MCP 服务器连接到你自己构建的 Agent 上。为一个没有现成集成的工具构建一个最简单的自定义 MCP 服务器。AI Agent人工智能代理AI Agent 是一个系统它能让 LLM 围绕一个目标进行推理决定使用什么工具采取行动观察结果并不断循环直到完成任务。它不再像一个普通聊天机器人那样只生成一次性的静态文本回复。核心学习内容推理循环计划 → 行动 → 观察 → 重复即 ReAct 模式。工具调用/函数调用模型如何决定何时调用以及调用什么工具。记忆机制短期记忆会话内与长期记忆跨会话。安全护栏如何防止 Agent 做出破坏性、高成本或错误的操作。建议在接触 LangChain 或 LangGraph 这类框架之前至少尝试从最底层的 API 调用开始亲手构建一个简单的 Agent。这会让你深刻理解这些框架到底在帮你做什么而不只是学会它的 API 接口。多 Agent 系统当一个复杂任务交给单个 Agent 处理时它经常会遇到瓶颈如上下文过载、能力不足。多 Agent 系统则将复杂任务拆分交给多个各有所长的 Agent 去协作完成。每个 Agent 专注于自己的小任务往往能取得比一个“万能”Agent 更好的效果。值得了解的模式编排器-工作者模式一个 Agent 负责任务分解和分发。顺序流水线模式一个 Agent 的输出成为另一个 Agent 的输入。辩论/批评模式一个 Agent 的方案会被另一个 Agent 审查和挑战然后优化。AI 评估这是区分“演示项目”和“生产系统”的关键。核心学习内容在发布前构建一个能代表真实场景的测试集。为你的特定任务定义“好的标准”准确性忠实度语气延迟。LLM-as-a-Judge在人工评估难以规模化时使用但需理解其中存在的偏见。熟悉评估框架如 DeepEval、Promptfoo、LangSmith、Ragas 等。持续追踪确保每次改动提示词、模型或检索逻辑时性能不会倒退。LLMOps随着 AI 系统逐渐成为生产级应用LLMOps 变得越来越重要。它关注的是提示词版本管理模型路由链路追踪与可观测性成本监控缓存策略实验追踪部署 AI 应用掌握一些基本的部署技能API用 FastAPI 等框架包装你的模型或 Agent。容器化了解 Docker 的基本使用。模型服务工具了解 vLLM高性能 LLM 服务和 LiteLLM统一模型接口。基础云部署能选择一个熟悉的云厂商完成端到端的部署。监控与成本追踪每次 API 调用都意味着真金白银必须有监控手段。想对刚开始的你说几句我知道面对这么多内容难免会有些迷茫。我见过很多初学者容易犯的一些“坑”在这里也分享给你希望能帮你避开还没学会走就想跑直接跳过基础阶段去研究最前沿的 Agent 和 LLM。地基不稳上层建筑必然摇摇欲坠。本末倒置把学习 LangChain 等框架当成目标而不是理解其背后的核心概念。框架只是工具不是目的。只看不练搜集了无数教程却没有真正动手写过多少代码。“看”和“做”之间的鸿沟是大多数人停滞不前的地方。忽视评估把评估当作最后一步而不是构建过程的一部分。最后说一句技术成长不只是写代码职业规划和自我包装同样重要。我整理了一份简历、面试和职业规划的学习资料适合想在职场上走得更远的朋友看看。资料展示下面是我整理的AI大模型学习资料和工具包预览适合收藏后按主题逐步学习。如果你想看完整资料目录可以在评论区留言「资料」也欢迎告诉我你更关注AI大模型里的哪类内容。 如何从零开始成为AI工程师，掌握大模型技巧
这两年AI 的发展速度确实超出了很多人的预期。打开社交媒体各种“AI 焦虑”的内容随处可见。今天我想和大家分享一份非常实用的学习路线图希望能帮你理清思路看清方向。这份指南不是一份简单的课程清单而是一套经过实践验证的学习框架。它分为几个清晰的阶段从最基础的核心编程一直延伸到当前大热的 AI Agent人工智能代理和 MCP模型上下文协议。无论你是刚入门的新手还是有一定经验的开发者都可以把它当作一份参考找到自己当前的位置以及下一步该往哪里走。在正式进入路线图之前先说几句心里话。现在市面上流传的很多 AI 学习路线图其实更像是 2019 年的机器学习大纲只是在最后硬加了一个关于大语言模型的章节。但到了 2026 年企业对 AI 工程师的要求已经完全不同了。一个合格的 AI 工程师需要懂上下文工程需要会做RAG检索增强生成需要理解MCP模型上下文协议需要能构建和管理AI Agent还需要关注评估体系和生产级部署。AI 在变我们学习它的方式也必须跟着变。写在最前面别跳过软件工程基础在开始学习 AI 之前我想先分享一个可能不那么讨喜但很重要的观点。不要指望看一个周末的 Transformer 教学视频就能直接去“微调大模型”或者“构建复杂的 AI Agent”。一个优秀的 AI 工程师首先应该是一个合格的软件工程师。这意味着你需要具备一些基本但至关重要的能力比如能看懂堆栈报错信息并且知道如何修复它。能写出结构清晰、别人能看懂、几个月后的自己也能看懂的代码。能熟练使用git进行版本控制。能大致推理出当 1 万个请求同时访问你的服务端点时会发生什么。AI 工程师首先是软件工程师。这个基础打得越牢后面的路才能走得越稳。01 Python、Git 与编程基础如果你已经对 Python 很熟悉了可以快速跳过这部分。但如果还在入门阶段建议踏踏实实地过一遍。我自己的体会是花几个月时间看教程远不如亲手写几天代码带来的提升大。当你开始动手解决实际问题思维才会真正活跃起来。建议你至少在以下方面达到“熟练”的程度1.核心 Python 语法数据结构列表、字典、集合函数、类、列表/字典推导式生成器、装饰器这在 AI 框架里非常常见推荐学习资源选一个就好CS50’s Introduction to Programming with Python哈佛大学的经典入门课品质有保障。The Complete Python Bootcamp From Zero to Hero in PythonUdemy上的一门很全面的课程。建议不要在“选哪个课”上花太多时间随便选一个开始看就行。有了一些基础概念后立刻去 LeetCode 这类刷题网站上用 Python 做一些简单的算法题在实践中巩固。2.虚拟环境与包管理必须学会venv、pip现在也推荐了解一下uv。这一步如果偷懒将来你可能会在“依赖包冲突”上浪费大量时间相信我那种体验非常痛苦。3.Git 与 GitHub不需要成为专家但必须会用。知道如何创建分支、提交代码、发起 Pull Request以及如何解决合并冲突。4.文件与数据处理学会用 Python 读写 JSON、CSV 和普通的文本文件。因为在真实世界里80% 的数据最初都是以这种“朴素”的形式存在的。5.终端与调试掌握一些基本的 Bash 命令浏览目录、管道命令等。最重要的是学会阅读错误信息而不是一看到报错就想复制粘贴到对话框里。试着用 IDE集成开发环境自带的调试工具或者学会用print()来定位问题。真正的成长来自解决报错的过程。第一个实打实的小项目这个阶段你的目标不是做出一个惊天动地的产品而是体验一遍完整的“脏活累活”。可以试着做一个命令行工具从一个公开 API 抓取数据清洗后保存到文件或者写个小脚本解析自己的银行账单或消费记录。这个过程会让你遇到各种意想不到的问题格式错误的数据、编码问题、API 突然改变了返回结构……所有这些都是非常宝贵的经验。02 真正用得上的数学很多人一听到“AI 数学”就头大。其实你并不需要成为数学家才能入门只需要掌握几个关键领域的核心概念就可以了。1.线性代数核心概念向量、矩阵、张量。理解矩阵乘法在几何上意味着什么。为什么重要点积、矩阵乘法、特征值这些在后面的注意力机制和词嵌入中你会反复遇到。推荐资源3Blue1Brown非常棒的数学可视化讲解可以帮助你建立直观的几何理解。Introduction to Linear Algebra for Applied Machine Learning with Python一本将线性代数和 Python 代码结合的教程非常实用。2.微积分核心概念导数特别是梯度这个概念。为什么重要它是模型训练过程的数学基础。推荐资源Dive into Deep Learning的 Calculus 章节。The Matrix Calculus You Need For Deep Learning一篇专门讲清楚深度学习所需矩阵微积分的文章。3.概率与统计核心概念分布、均值/方差、条件概率。为什么重要这是理解模型输出的不确定性和各种评估指标的语言。推荐资源Dive into Deep Learning的 Probability and Statistics 章节。Coursera 上的 Probability Statistics for Machine Learning Data Science。4.优化理论核心概念梯度下降、学习率、损失函数。为什么重要这是理解模型如何从“错误”一步步变“正确”的核心机制。推荐资源Dive into Deep Learning的 Optimization Algorithms 章节。不要在这个阶段陷入数学的汪洋大海觉得太难就跳过去先抓住主干。工具库实操学完上面这些数学概念你可以立刻上手两个最核心的数据处理库NumPy用于高效的数值计算。Pandas用于数据操作和分析。Matplotlib Seaborn用于数据可视化。第二个关键练习从零实现线性回归这是一个非常有价值的练习虽然很多人觉得“太基础”而跳过它。拿出代码用 NumPy 从头写一个线性回归算法包括初始化参数、计算损失、用梯度下降更新参数。当你的代码跑通并且结果和scikit-learn库中的标准算法相差无几时你会获得一种“开悟”般的信心。因为你证明了自己真的理解了这一切背后的运作原理。03 经典机器学习在触碰神经网络之前先花些时间熟悉经典机器学习算法。因为在很多现实问题中这些方法仍然比复杂的深度学习模型更高效、更经济。核心学习内容监督学习线性回归、逻辑回归、决策树、随机森林、梯度提升树如 XGBoost, LightGBM。无监督学习聚类如 K-Means、降维如 PCA。模型评估训练集/测试集划分、交叉验证、精确率/召回率/F1分数、ROC-AUC。重点是要理解对于特定的业务问题到底哪个指标最重要。特征工程这是区分一个模型是“普通”还是“优秀”的关键技能。scikit-learn库熟练使用它提供的 Pipeline、预处理、模型选择功能。推荐资源Machine Learning Crash Course by Google for DevelopersGoogle 出品的免费课程简洁、互动性强非常适合入门。Machine Learning A-ZUdemy 上的一门经典课程覆盖很全面。推荐项目 1客户流失预测这是一个非常经典的入门项目因为它涵盖了真实项目的完整流程处理杂乱的表格数据、应对类别不平衡问题、进行特征工程、比较不同模型最后还要根据业务场景选择评估指标在这里漏掉一个可能流失的客户成本远高于误判一个不会流失的客户。如果能做到以下几点你的项目会更有深度清晰解释为什么选择某个评估指标通常准确率不是最佳选择。至少比较两种以上的模型而不是跟风使用 XGBoost。利用 SHAP 值或特征重要性等手段来解释模型的判断依据。推荐项目 2推荐系统这个项目能让你学会用“相似性”来思考问题这个思维在你接触到 Embedding 和 RAG 时会非常有用。可以尝试构建一个基于内容或协同过滤的简易推荐系统比如电影、书籍推荐。核心在于理解“将物品表示为向量并计算向量间距离”这一思想因为它会在你学到后面阶段时反复出现。04 深度学习这个阶段很多人会开始感受到真正的乐趣也可能有人会知难而退。无论如何建议你真正投入地去学一遍再决定是否继续深入。核心学习内容神经网络基础层、激活函数、前向传播、反向传播。训练技巧过拟合、正则化、Dropout、批归一化。优化器SGD、Adam以及为什么选择它们会影响实际效果。GPU 基础不需要学得太深但至少要明白为什么你的电脑在跑大模型时会“冒烟”。推荐资源Practical Deep Learning for Codersfast.ai的免费课程专为有编程基础的人设计注重实践。Deep Learning A-ZUdemy 上的另一门实践导向课程。Deep Learning with Python, Third Edition非常经典的一本书适合系统学习。PyTorch vs TensorFlow这是个很常见的问题。在 2026 年如果你只能二选一那么答案很明确PyTorch。它已经成为了学术界和工业界的主流选择Hugging Face 上的模型、各种 Agent 框架绝大多数都是基于 PyTorch 构建的。NLP、计算机视觉与 Transformer你需要对这些领域有足够的工作认知NLP 基础分词、词嵌入、序列模型。计算机视觉基础CNN卷积神经网络、图像预处理、迁移学习。Transformer 架构这是核心中的核心。注意力机制是驱动当今所有大语言模型的关键。推荐项目 3情感分析微调一个预训练的 Transformer 模型可以从一个轻量级的 DistilBERT 开始来完成情感分类任务。这个项目能让你走一遍现代 NLP 的完整工作流加载预训练模型、正确处理数据分词、进行微调、评估效果。这套流程和你在生产环境中使用的几乎一样。推荐项目 4会议记录生成器这是一个端到端的 AI 应用而不仅仅是一个模型。你可以使用 Whisper 将音频转为文字再用一个 LLM 来生成会议摘要。这个项目的最大价值在于它能让你看到各个组件如何拼装成一个完整的、有用的工具。05 AI 工程师的核心领域这个阶段才是 2026 年一名 AI 工程师真正的战场。上下文工程上下文工程是 2026 年“提示工程”的真正继任者。提示工程师思考的是“我该用哪些词来写提示词”而上下文工程师思考的是“模型为了出色地完成这个任务它的上下文窗口里需要包含哪些信息从检索到的文档、工具的输出、对话历史、系统指令到长期记忆我该如何构建并优先排序这些信息”核心关注点信息筛选哪些信息是必要的哪些是干扰模型的噪音结构设计如何组织、格式化、压缩这些信息才能让模型更好地利用它上下文窗口预算你并没有无限的 Token无脑地塞入所有信息反而可能让模型输出质量下降。结构化输出学习如何让 LLM 生成符合特定 Schema 的 JSON 或 Pydantic 对象而非自由格式的文本。这能让 AI 应用更可靠也更易于与其他系统集成。RAG检索增强生成RAG 是一种让 LLM 能够利用它从未被训练过的私域知识来回答问题的技术。核心学习内容分块策略从简单的固定大小分块到语义分块这个选择会直接影响你检索质量的天花板。词嵌入与向量数据库文本如何变成向量以及如何使用 Pinecone、Weaviate、Chroma 等工具来存储和检索它们。检索方法相似性搜索、混合搜索结合关键词和语义、以及重排序。进阶 RAG 技术查询重写、Agentic RAG让 Agent 进行计划并迭代检索、Graph RAG利用知识图谱。评估衡量检索质量使用上下文精确率和召回率等指标而不仅仅是看最终答案是否“看起来正确”。MCP模型上下文协议MCP 是一个标准化的协议它允许 LLM 应用以一种统一的方式连接外部的工具和数据源而不用每个团队都去为每个工具写定制的集成代码。核心学习内容理解 MCP 的客户端/服务器模型。将已有的 MCP 服务器连接到你自己构建的 Agent 上。为一个没有现成集成的工具构建一个最简单的自定义 MCP 服务器。AI Agent人工智能代理AI Agent 是一个系统它能让 LLM 围绕一个目标进行推理决定使用什么工具采取行动观察结果并不断循环直到完成任务。它不再像一个普通聊天机器人那样只生成一次性的静态文本回复。核心学习内容推理循环计划 → 行动 → 观察 → 重复即 ReAct 模式。工具调用/函数调用模型如何决定何时调用以及调用什么工具。记忆机制短期记忆会话内与长期记忆跨会话。安全护栏如何防止 Agent 做出破坏性、高成本或错误的操作。建议在接触 LangChain 或 LangGraph 这类框架之前至少尝试从最底层的 API 调用开始亲手构建一个简单的 Agent。这会让你深刻理解这些框架到底在帮你做什么而不只是学会它的 API 接口。多 Agent 系统当一个复杂任务交给单个 Agent 处理时它经常会遇到瓶颈如上下文过载、能力不足。多 Agent 系统则将复杂任务拆分交给多个各有所长的 Agent 去协作完成。每个 Agent 专注于自己的小任务往往能取得比一个“万能”Agent 更好的效果。值得了解的模式编排器-工作者模式一个 Agent 负责任务分解和分发。顺序流水线模式一个 Agent 的输出成为另一个 Agent 的输入。辩论/批评模式一个 Agent 的方案会被另一个 Agent 审查和挑战然后优化。AI 评估这是区分“演示项目”和“生产系统”的关键。核心学习内容在发布前构建一个能代表真实场景的测试集。为你的特定任务定义“好的标准”准确性忠实度语气延迟。LLM-as-a-Judge在人工评估难以规模化时使用但需理解其中存在的偏见。熟悉评估框架如 DeepEval、Promptfoo、LangSmith、Ragas 等。持续追踪确保每次改动提示词、模型或检索逻辑时性能不会倒退。LLMOps随着 AI 系统逐渐成为生产级应用LLMOps 变得越来越重要。它关注的是提示词版本管理模型路由链路追踪与可观测性成本监控缓存策略实验追踪部署 AI 应用掌握一些基本的部署技能API用 FastAPI 等框架包装你的模型或 Agent。容器化了解 Docker 的基本使用。模型服务工具了解 vLLM高性能 LLM 服务和 LiteLLM统一模型接口。基础云部署能选择一个熟悉的云厂商完成端到端的部署。监控与成本追踪每次 API 调用都意味着真金白银必须有监控手段。想对刚开始的你说几句我知道面对这么多内容难免会有些迷茫。我见过很多初学者容易犯的一些“坑”在这里也分享给你希望能帮你避开还没学会走就想跑直接跳过基础阶段去研究最前沿的 Agent 和 LLM。地基不稳上层建筑必然摇摇欲坠。本末倒置把学习 LangChain 等框架当成目标而不是理解其背后的核心概念。框架只是工具不是目的。只看不练搜集了无数教程却没有真正动手写过多少代码。“看”和“做”之间的鸿沟是大多数人停滞不前的地方。忽视评估把评估当作最后一步而不是构建过程的一部分。最后说一句技术成长不只是写代码职业规划和自我包装同样重要。我整理了一份简历、面试和职业规划的学习资料适合想在职场上走得更远的朋友看看。资料展示下面是我整理的AI大模型学习资料和工具包预览适合收藏后按主题逐步学习。如果你想看完整资料目录可以在评论区留言「资料」也欢迎告诉我你更关注AI大模型里的哪类内容。