面向中文学习者的 AI 学习路线图：从机器学习、深度学习基础，到大语言模型、RAG、Agent 和多模态工程实践。
本仓库的定位不是资料堆砌，而是帮你回答三个问题：
- 现在应该先学什么。
- 每个主题学到什么程度算够用。
- 如何从概念走到可运行的 AI 应用。
AI 工具普及后，学习方式应该从“先补完所有理论”变成“先跑通最小闭环，再按问题补理论”。
本仓库采用四个原则：
- 先实践后理论：先让模型、数据和代码跑起来。
- 只深挖关键概念：向量化、梯度、过拟合、Transformer、检索、工具调用、评估。
- 按需回溯：遇到诊断、调优、评估问题时再回到数学和经典算法。
- 关注工程闭环：能部署、能评估、能定位错误，比只看懂概念更重要。
| 目标 | 推荐入口 | 结果 |
|---|---|---|
| 零基础进入 AI | 30 天新人路线 | 会用 Python、sklearn、PyTorch 和 LLM API 完成基础任务 |
| 转向 LLM 工程 | LLM 工程师路线 | 能构建 Prompt、Embedding、RAG、评估和微调流程 |
| 学 Agent | Agent 工程路线 | 理解工具调用、工作流、记忆、guardrails 和上线风险 |
| 补经典深度学习 | 经典深度学习补课路线 | 补齐 CNN、RNN、优化、正则化和训练策略 |
| 跟进近期技术文章 | 热门 AI 技术文章阅读 | 把近期好文章接到本仓库学习路径上 |
适合：从零开始，希望快速进入 AI/ML 领域。
| 周期 | 内容 | 学到什么程度 |
|---|---|---|
| 第 1 周 | Python、NumPy、Pandas、Matplotlib | 能读写数据、做基础清洗和可视化 |
| 第 2 周 | 线性回归、逻辑回归、聚类、模型评估 | 能用 sklearn 完成一个小型监督学习任务 |
| 第 3 周 | 神经网络、PyTorch、CNN/RNN 基础 | 能训练和调试一个小型深度学习模型 |
| 第 4 周 | LLM API、Prompt、Embedding、RAG 入门 | 能调用模型并做一个最小知识库问答 |
建议顺序：
适合：已有 Python/深度学习基础，希望构建 RAG、微调和大模型应用。
| 阶段 | 主题 | 内容 |
|---|---|---|
| 1 | 模型调用 | LLM 入门、API 与模型选型 |
| 2 | 控制输出 | Prompt 与上下文工程、结构化输出、few-shot |
| 3 | 理解架构 | Transformer、GPT 系列、BERT 系列 |
| 4 | 检索增强 | Embedding 与向量检索、RAG、从零实现 RAG |
| 5 | 评估优化 | RAG 评估、成本、延迟、召回率、答案可信度 |
| 6 | 定制模型 | 微调方法、LoRA、QLoRA、数据集质量 |
学习完成标志：
- 能解释 Prompt、RAG、微调三者的适用边界。
- 能为一个业务问题选择“只提示词 / RAG / 微调 / Agent”。
- 能用评估集证明改动是否真的变好。
适合：希望从 Chatbot 升级到能调用工具、处理多步骤任务的智能体系统。
| 阶段 | 主题 | 内容 |
|---|---|---|
| 1 | 基本概念 | AI Agent 总览 |
| 2 | 工具调用 | 工具调用与结构化输出 |
| 3 | 工作流 | Agent 工作流模式 |
| 4 | 编程智能体 | AI 编程智能体、Codex、Claude Code |
| 5 | 上下文和工具生态 | Agent 记忆与上下文、MCP |
| 6 | Harness 和 Loop | Harness Engineering、Loop Engineering |
| 7 | 生产化 | Agent 生产化、guardrails、tracing、eval、权限 |
Agent 学习的重点不是“让模型自己想办法”，而是把任务边界、工具契约、状态转移、失败处理和评估设计清楚。
适合：已经在用 LLM，但希望补齐深度学习底层能力。
| 阶段 | 内容 |
|---|---|
| 神经网络基础 | 深度学习基础、神经网络 |
| 优化与调参 | 实践层面、优化算法、超参数调试 |
| CNN | CNN 基础、经典网络、目标检测 |
| 序列模型 | RNN、词嵌入、注意力机制 |
每个主题建议按两层学习：
快速模式，15-30 分钟：
- 知道它解决什么问题。
- 跑通一个最小示例。
- 理解输入、输出和常见失败模式。
- 能用 AI 编码助手生成相似代码，并能检查关键逻辑。
深度模式，1-3 小时：
- 理解核心公式或架构。
- 能解释关键参数为什么影响结果。
- 能设计评估指标。
- 能定位错误并提出改进方案。
如果你想跟进近期高质量技术文章，可以看 热门 AI 技术文章阅读。
这个板块不做新闻搬运，而是把文章映射到本仓库的学习主题：
- Agent、Coding Agent、Harness、Loop、MCP 和生产化。
- RAG、Embedding、评估和上下文工程。
- 多模态、模型推理、部署和安全。
每条文章都会附上推荐阅读前置、推荐理由、中文摘要和读完应该带走的判断。自动化只负责收集候选链接，最终精选仍由人工筛选。
- LLM 学习路径
- LLM 入门
- API 与模型选型
- Prompt 与上下文工程
- Transformer
- Embedding 与向量检索
- RAG
- 从零实现 RAG
- RAG 评估
- 微调方法
- AI Agent
- AI 编程智能体
- Agent 工具调用
- Agent 工作流
- Agent 记忆与上下文
- MCP：Agent 的工具与上下文协议
- Harness Engineering
- Loop Engineering
- Agent 生产化
| 工具 | 用途 |
|---|---|
| Google Colab / Kaggle Notebook | 低成本运行实验 |
| VS Code / Cursor / PyCharm | 本地开发 |
| PyTorch | 深度学习训练 |
| Hugging Face Transformers | 开源模型加载、推理、微调 |
| LlamaIndex / LangChain / LangGraph | RAG、工具调用和 Agent 工作流 |
| OpenAI / Anthropic / Google / Qwen API | 托管模型调用 |
| Codex / Claude Code / GitHub Copilot / Cursor | 编程 Agent、代码库协作和自动化开发 |
欢迎提交 Issue 或 PR。建议优先贡献：
- 修正文档错误和失效链接。
- 给 LLM/RAG/Agent 章节补充可验证的最小示例。
- 为 热门 AI 技术文章阅读 补充高质量文章摘要。
- 补充评估方法、失败案例和排错经验。
- 改善中文表达和学习路径衔接。
贡献前请阅读 CONTRIBUTING.md，长期规划见 ROADMAP.md。
- 2026-06：重构为“深度学习 + 大模型 + Agent”学习路径，补充 LLM 工程化章节。
- 2025-02：重构学习路径，加入现代化学习理念。
- 2023：添加 LLM 和多模态内容。
- 2016：初始版本。
MIT License