Skip to content

AI 知识图谱与学习路线 ​

这套文档回答三个问题:AI 包括哪些知识、这些知识如何连接、如何用 GitHub 项目把知识变成能力。它面向有编程基础的工程师,重点是可解释、可运行和可评估。

1、总图 ​

text
数学与统计
  └─ 机器学习 → 深度学习 → Transformer
                    ├─ 语言模型 → LLM 应用 → RAG / Agent
                    ├─ 视觉模型 → 多模态 / 生成模型
                    └─ 语音模型 → ASR / TTS / 实时交互
数据工程 ───────────┘
训练与微调 → 推理部署 → 评估、安全、治理 → 产品工程

2、文档导航 ​

文档解决的问题
01 基础数学与机器学习模型到底在优化什么
02 深度学习与 Transformer神经网络和注意力如何工作
03 大语言模型预训练、对齐、上下文和推理
04 数据工程与 Embedding数据怎样变成训练和检索资产
05 RAG 与知识库如何让模型使用外部知识
06 Agent 与工具调用模型如何完成多步任务
07 多模态与生成模型文本、图像、音频、视频统一处理
08 训练微调与推理部署模型如何训练、压缩和上线
09 评估安全与治理如何知道系统可靠、合规和安全
10 GitHub 项目地图按学习目标选择真实项目
11 学习路线与实战任务从零到可交付项目
12 Agent 扩展生态知识图谱Skill、Rule、Plugin、MCP 的边界与组合方式
13 AI 大模型与 Agent 全栈学习专题从基础模型到生产级 Agent 的 12 阶段路线与项目验收
14 AI 大模型官方信息源导航国内外模型厂商的官方新闻、研究、开发文档与开源入口
Jev 与 System One面向软件的结构化决策模型、问题原语和 Agent 集成边界

3、最小主干 ​

先学 Python、线性代数、概率和数据处理,再用 PyTorch 完成一个分类器;随后理解 Transformer,调用开源模型完成结构化抽取;最后做一个带引用的 RAG 和一个受限 Agent。不要一开始同时学习所有模型、框架和云服务。

4、阅读规则 ​

每个主题都回答:输入是什么、输出是什么、训练或检索目标是什么、失败时如何观测、生产环境的边界是什么。GitHub 项目状态、stars 和许可证均为 2026-10-17 检索快照,使用前重新查看仓库主页和发布说明。

评论

正在加载评论…