AI 知识地图：八个模块与学习顺序

从这里开始

先区分 AI 的层次：机器学习从数据学习规律，深度学习用多层网络，生成式模型生成内容；RAG、agent 和 MCP 属于应用方法或接口体系，不能与模型权重混为一谈。

首轮根据 14 个 GitHub 教材与维护者仓库整理；第二轮加入 9 张 GitHub/开放学习平台资料卡，补齐传统算法、训练实践、统计和工程闭环；第三轮补开发项目、架构与面试；第四轮对照 ai-agent-book 深化 Agent。当前共 61 篇笔记、33 张资料卡、10 条路径。八个模块保留为导航；全部篇目、阶段、选修和综合任务见 AI 系统大纲。

八个模块的知识点

模块	学习目标	按顺序阅读
基础与机器学习	理解数学、数据划分、训练闭环与奖励学习	AI 数学基础：张量、梯度与概率、机器学习工作流：任务、数据与泛化、深度学习训练：计算图、损失与优化、强化学习：奖励、价值与策略
语言模型	理解 token、注意力、模型类型、训练与适配	Token 与上下文、Transformer：注意力、位置与生成、AI 模型选型：先看任务，再比较模型、LLM 训练与适配：预训练、SFT、LoRA 与对齐
提示与工具接口	写任务契约，验证格式、业务和执行边界	提示设计：任务、上下文、示例与输出约束、结构化输出与工具调用：格式正确之后还要验证
检索增强	把入库、向量、召回、排序和证据核验分开	Embedding 与向量检索：表示、相似度和索引、RAG 文档管线：解析、清洗、切片与版本、RAG 检索：召回、混合搜索与重排、让答案回到证据、关键词检索实验
智能体	设计执行循环、状态、记忆、协作与协议	智能体执行循环：模型、工具、状态与停止、上下文与记忆：选择、压缩、隔离与遗忘、工作流与多智能体：拆解、路由、协作和交接、MCP：协议、工具发现、版本与授权边界
评估	用固定样本区分格式、事实、忠实度与任务成功	评估基线、LLM 评估：样本、评分、评判模型与回归、RAG 评估：召回、排序、忠实度与正确性
工程与安全	测量延迟吞吐，保证权限、数据与外部执行边界	AI 推理工程：延迟、缓存、吞吐与复现、AI 应用安全：数据、权限、注入与执行
视觉、生成与语音	理解图像、扩散、VLM、ASR、TTS 的输入输出与评价	视觉与视觉语言模型：像素、任务与坐标、扩散与图像生成：噪声、条件、调度器与复现、语音 AI：音频数据、ASR、TTS 与评估

每篇笔记都有知识点、设计或手算示例、失败边界、练习、复习问题和固定版本来源。页头列出前置笔记，页底提供继续探索与路径导航。

第二轮补齐的知识点

对照发现的缺口	新增专题
传统算法与特征讲得较浅	特征管线、监督算法、无监督/PCA
训练缺操作层检查	优化与正则化、PyTorch、迁移与增强、NLP 任务
缺少系统的指标与统计	ML 指标与验证、概率校准、公平与解释、实验统计
没有时序/推荐独立专题	时序预测、推荐系统
缺生产生命周期与反馈	MLOps、漂移监控

对应平台、访问条件、年份和来源比较见 系统大纲 及其资料卡。这些缺口是对照本项目后的编辑判断。

Agent 进阶补充

对照 ai-agent-book 十章，新增 Harness/Coding Agent、Skills 与缓存、结构化记忆、事件交互、评估与协作 和 轨迹学习。这组专题衔接已有执行循环、RAG、记忆和工具基础；来源、版本和实验条件见 教材资料卡。

选一条学习路径

路径	适合什么目标	完成后留下什么
系统学习主线	从基础到完整 AI 应用概念	数学手算、数据划分、模型选型、接口和评估设计
原有应用入门	想先完成一个不依赖模型 API 的实验	真实关键词检索结果与失败分析
RAG 与智能体工程	已有模型基础，想拆解应用系统	文档管线、检索、状态、权限和回归方案
模型训练与对齐	想深入参数学习和微调	数据/模板/训练/评估的可执行计划
多模态支线	想理解图像与语音任务	坐标、生成配置、音频与评估记录表
传统 ML 支线	想补齐算法、概率、统计、时序和推荐	管线、指标、配对比较和任务边界
MLOps 支线	想形成可复现交付与监控闭环	版本、测试、发布/回滚、漂移调查
应用开发实战	已有全栈基础，想完成可复核 AI 应用	服务契约、RAG/agent 项目、权限实验与评估报告
架构与面试	已有项目，想解释容量、故障和设计选择	容量成本、SLO、架构决策与案例复盘
Agent 工程进阶	已有应用基础，想深化运行与改进机制	运行契约、事件状态、行为评估及更新记录

主线按前置关系安排。支线先检查篇目前置知识，缺哪部分就补哪部分；不要求第一次阅读就完成 GPU 训练或所有 API 实验。

第三轮按“应用工程 → 完整项目 → 架构与面试”衔接，具体顺序与独立完成检查见 应用实战路线。学习任务有完成标准，模型项目的真实结果仍需自己执行。

各类 AI 应该怎样理解

文本/代码生成、embedding、reranker、视觉、图像生成、语音和强化学习具有不同输入输出与学习目标；比较时先确定任务，再核对精确模型版本、权重许可、部署方式和评估条件。详细分类与选型表见 模型选型。

框架、低代码工具和聊天产品可以帮助使用模型，但不能替代数据、证据、评估和权限设计。学习某个厂商时，应将它的当前官方文档填入选型表；本站不把旧课程示例里的产品版本或价格当作现状。

怎样复习与记录进度

每篇按四个动作学习：先复述核心概念，再手算或画数据流，完成练习设计，最后检查原始章节。可以在自己的笔记副本记录“已阅读、能复述、已完成练习、已复核结果”与日期；本站没有在线进度同步功能。

检查自己是否能回答：这个模块接收什么、输出什么、依赖什么、怎样失败、怎样验证？如果只能记住缩写，就回到示例与反例。

来源与复用原则

底部资料卡记录仓库、访问时间、固定 commit 与许可，笔记底部链接具体章节。本次没有复制课程原文、图表或代码，练习是本站设计；新笔记中的手算与假设不能称为模型运行结果。实际执行的实验包括原有关键词检索和 权限/缓存实验，后者只覆盖自制数据的明确场景。

维护时核对章节变动、依赖和许可，再更新真实核验日期。特别留意：旧 MCP docs 仓库已归档；Ragas 已迁移；Hello Agents 的根许可含非商用与相同方式共享条件；LLM Universe 未发现根许可；MCP 正在迁移许可，不能仅相信旧 README 或 GitHub 标签。依据见各资料卡的固定版本链接。

核验记录

2026-10-07：两轮 AI 助手协助搜索与原创整理；第二轮对照 GitHub 及开放课程，查阅章节、快照、许可与访问条件，更新系统大纲及路径。未下载模型权重、运行训练或调用收费模型服务。

2026-10-08：补充四组工程资料、10 篇笔记和两条实践路径，实际复现权限/缓存问题与版本漏更新边界；没有调用模型 API 或发布线上服务。

2026-10-10：对照 ai-agent-book 2.0，新增六篇专题、一篇对照和一条进阶路径。设计案例与上游实验结果分别标注，未执行上游模型或硬件项目。