Agent 工程进阶 从执行到持续改进
对照 ai-agent-book，用八步深化运行环境、上下文、记忆、工具、异步交互、评估和轨迹学习。
LEARN IN SEQUENCE
学习路径
按前置知识组织笔记。每一步都有一个具体任务，完成后用自己的话解释，再向前走。
AI 应用开发实战：服务、项目与验收
以可复现交付为目标，完成后端契约、RAG/agent 任务、权限缓存实验和评估报告。
AI 架构与面试：容量、可靠性与项目证据
以已完成的应用为背景，练容量成本、系统边界、SLO、评估解释和六类面试案例。
RAG 与智能体工程：从资料到可验证执行
拆解切片、召回、证据、工具、记忆、协作、MCP、评估与安全，形成一套可测试的应用方案。
模型训练与对齐：从梯度到微调评估
理解训练、注意力、强化学习、SFT、LoRA 和偏好对齐，先建立数据和评估方案再考虑运行。
多模态支线：视觉、图像生成与语音
按输入输出分别学习 CV/VLM、扩散生成与 ASR/TTS，为每类任务定义预处理、配置和评估。
AI 系统学习主线：从基础到应用
按前置关系走过数学、模型、提示、RAG、智能体、评估、工程与视觉，再选择深入支线。
传统机器学习支线：从特征到可信评估
系统学习特征、监督/无监督算法、指标、校准、公平、统计、时序和推荐，形成无泄漏比较方案。
MLOps 支线：从可复现运行到监控反馈
串联数据、指标、统计、版本、性能、安全和漂移，定义模型发布与回滚的验证闭环。
AI 应用入门：从概念到一个小实验
先理解 token 与证据，再建立评估意识，最后用不依赖模型 API 的关键词实验验证检索边界。