先学变量、函数、文件、异常、虚拟环境和包管理;异步、Web 与数据库按需查阅。
- 先选目标,再看对应阶段。每阶段只选一份主线材料,其余用于实践或查阅;已有基础可以直接做完成标准来判断是否跳过。
- 同一主题的不同版本可以交叉查阅,不需要重复通读。所有时间取决于基础、练习和项目范围,因此不再把文件数量换算成总学时。
- 新增的 MiniMind 训练复盘、LoRA 笔记、部署指南和课程笔记已纳入阶段。知识图库、PDF、模型测评与独立项目在页末分类列出。
- 这是资料组织更新;原教程内容保留。具体安装命令、依赖版本、云服务配置与课程来源仍需在实际使用时核对。
先选一个目标
| 目标 | 推荐顺序 | 交付结果 |
|---|---|---|
| 先理解大模型 | 阶段 3 的神经网络原理 → 阶段 4 的 Transformer 与课程笔记 | 能完整讲清 token、注意力、训练和生成。 |
| 训练与微调模型 | 阶段 1 → 阶段 2 → 阶段 3 → 阶段 4 → 阶段 5 → 阶段 7 | 完成 MiniMind 或 LoRA 实践,并做前后对比。 |
| 开发 AI 应用与 Agent | Python 基础 → 阶段 6 的 API/RAG → LangGraph → 阶段 7;阶段 4 按需补充 | 交付一个有出处、能处理失败的助手。 |
| 只想先把模型运行起来 | 阶段 7:服务器手册 → 本地与云端部署指南;阶段 4 补概念 | 能加载模型、发起请求、查看日志并重启。 |
| Web / 后端 / 全栈开发 | 阶段 1 → Python Web 后端 / Web 前端 → 阶段 7 → 按需读分布式架构 | 完成一个前后端联通、能重新部署的项目。 |
编程与计算机基础
先能独立运行、修改和排查一个 Python 程序。计算机基础按项目遇到的问题补充。
数据结构与算法
主线理解列表、字典、栈、队列、复杂度与基本查找排序。
数据结构从零到一
替代阅读与上一份二选一,先读精简版也可以。
计算机网络
按需部署或调用 API 时查 HTTP、端口、DNS 与连接问题。
操作系统
按需遇到进程、内存、文件权限与服务管理时查阅。
计算机组成原理
按需理解 CPU、内存、存储及计算过程。
写一个读取本地文本、统计词频并保存结果的小程序;能够重新建环境并复现运行。
够用的 AI 数学
把数学和代码结合。能解释并算出下面的例子后,就可以边做项目边补充。
向量、矩阵、形状、矩阵乘法;之后再读特征值和分解。
AI 必备微积分
主线导数、偏导数、链式法则与梯度下降。
条件概率、分布、期望、交叉熵与训练/测试的区别。
AI 必备算法
按需在向量检索、训练优化等具体任务中查相应章节。
用 NumPy 写线性回归和梯度下降;说明输入形状、损失和每次更新各代表什么。
神经网络与 PyTorch
先选一份原理材料,再用交互页面观察,最后写代码。重复主题无需每份都从头读完。
机器学习
概览建立任务、数据、模型、训练、验证与评估的整体认识。
深度学习
主线学习前向传播、损失、反向传播与过拟合。
从感知机到 Transformer,把公式与网络结构对应起来。
调整神经元和网络,观察输入与输出。
先掌握张量、自动求导、Dataset、训练循环与权重保存。
按教程做手写数字识别,不急着扩展到大语言模型。
训练一个 MNIST 分类器,记录训练/验证损失;保存权重后重新加载并预测自己的样本。
Transformer 与大模型原理
把分词、嵌入、注意力、训练与生成连成一条链。课程笔记与图解用来补足直觉。
理解 token、位置、Q/K/V、注意力和模型结构。
用操作验证注意力与形状变化。
围绕分词、概率与下一 token 预测梳理主线。
和上一份交叉查阅,用来复习架构与注意力推导。
AI 大模型互动知识平台
工具书用于主题检索、自测和复习。
大模型应用开发
概览浏览 API、RAG、Agent、微调与推理各章节,再选择下一条方向。
用自己的话解释“一段文字如何变成下一个 token”;画出主要张量形状,并区分训练和推理。
模型训练与 LoRA 微调
模型方向的实践阶段。先复现小规模流程,再扩大训练;应用开发方向可先跳到下一阶段。
先理解 MiniMind 的组成和训练环节。
按环境、预训练、SFT、观察与验收的顺序复盘。
nanoGPT 详细教程
替代实践可作为理解小模型预训练的另一条路径。
完成一条训练流程后,再对比完整聊天模型项目。
理解低秩更新、量化与可训练参数。
小强的 LoRA 微调笔记
实践主线把数据、聊天模板、损失与适配器权重对应起来。
大模型微调从入门到实战
工具书按需查数据准备、参数、评估与部署;RLHF 等内容后续深入。
完成一次小规模训练或 LoRA 微调,保存配置、数据样例和权重;用固定问题对比训练前后,并单列未见样本。
AI 应用、RAG 与 Agent
应用方向可从 Python 基础进入:先打通 API 与检索,再学工作流、工具与状态管理。需要时返回原理阶段查阅。
用知识图谱查 API、检索、Agent 与微调之间的关系。
先理解工具、记忆、规划与 Agent 循环。
LangChain 零基础教程
框架基础围绕一个具体 API 或检索小项目使用,不必先学完所有抽象。
理解状态、节点、边与工作流。
在基础流程成功后,再补持久化、权限与异常处理。
搭一个 QQ AI 陪伴机器人
项目实践QQ AI 陪伴机器人:把服务器、容器、机器人与模型 API 接起来。
做完一个应用后,对照架构取舍。
Claude Code 源码解析
进阶参考带着具体问题阅读工具系统、上下文与会话设计。
做一个能回答本地资料问题并给出出处的助手,再增加一项工具;验证正常请求、空检索和工具失败三种情况。
部署、运行与复现
把已经跑通的模型或应用放到可重复启动的环境里。学习模型部署与 API 应用部署的区别。
腾讯云服务器与项目部署学习手册
服务器基础先理解 SSH、端口、进程、容器、日志和重启。
本地与云端 AI 模型部署全指南
模型部署主线从模型文件格式与加载开始,再复现本地或云端运行。
按需阅读 API、认证、配置、数据库、测试和部署。
单服务稳定后再按需要查缓存、队列与多服务架构。
遇到一致性、锁、可观测性等问题时深入。
部署与文件传输过程中补充加密原理。
从一份说明重新部署服务,验证启动、请求、日志、重启和停止;记录依赖版本、模型来源与运行配置。