11. AI 学习路线与实战任务

目标

8 周后能独立完成一个带引用的知识库问答系统、一个受限工具 Agent，并能解释模型、数据、评估和安全取舍。每天至少留下代码、笔记、评测结果或复述中的一种证据。

8 周计划

周	主题	交付物
1	数学、概率、机器学习	分类器、混淆矩阵、错误分析
2	PyTorch 与深度学习	训练循环和验证报告
3	Transformer 与 tokenizer	attention 可视化、token 成本表
4	LLM 使用与结构化输出	抽取 API、schema 校验
5	数据工程、Embedding、RAG	本地 RAG 和 20 条题集
6	Agent、工具、状态	只读 Agent、最大步数和审计
7	多模态、部署、成本	一个图片/PDF 处理实验和压测
8	评估、安全、演示	回归报告、风险清单、最终演示

最小项目

项目：企业制度助手。 输入脱敏 Markdown、PDF 或图片制度；输出带引用的答案、无证据拒答和版本提示。加入一个只读查询工具，禁止写数据库。记录 query、候选、引用、模型版本、索引版本、耗时和 token。

验收问题：

• 正确证据排在 top-k 之外时，你如何定位？
• 用户无权访问某文档时，过滤发生在哪一步？
• 制度更新后，旧引用和缓存如何失效？
• 文档内容包含“忽略系统提示”时，Agent 如何处理？

学习方法

每周做一次费曼复述：不用术语解释本周主题；再做一次反例练习：说明它什么时候不适用。读 GitHub 源码时先找入口、数据流、配置和测试，再深入优化实现。

交付模板

问题与边界：
数据和许可证：
模型/索引版本：
基线与指标：
失败样本：
安全风险：
成本与延迟：
下一步只改一件事：

起步顺序

先读 01 基础、02 Transformer，随后运行已有的 RAG 培训实战。项目选型参考 10 GitHub 项目地图。