AI 学习平台

AI 全栈学习路线图

从理解原理到训练、应用与部署,按你的目标选择一条能做完的路线。

更新于 2026 年 11 月 14 日

7
学习阶段
43
阶段选读资料
5
目标路线
100
目录资料与专题
怎么使用这份路线

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 AgentPython 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。
配套代码练习:Python 练习目录 将 143 份编号练习和经典源码按主题整理。先看教程,再独立写一遍,遇到问题再对照原文件。
1

编程与计算机基础

按目标选读 · 以完成实践目标为准

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。

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。

HTML原文件修改:2026-05-30

理解列表、字典、栈、队列、复杂度与基本查找排序。

HTML原文件修改:2026-06-07

部署或调用 API 时查 HTTP、端口、DNS 与连接问题。

HTML原文件修改:2026-07-11

遇到进程、内存、文件权限与服务管理时查阅。

HTML原文件修改:2026-07-12

理解 CPU、内存、存储及计算过程。

HTML原文件修改:2026-07-11
完成标准

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。

阶段 1 配套:1–29:语法、函数与容器 → 30–45:文件与小项目;学有余力时选读 53–104:Python 进阶。
2

够用的 AI 数学

按目标选读 · 以完成实践目标为准

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。

HTML原文件修改:2026-06-13

导数、偏导数、链式法则与梯度下降。

HTML原文件修改:2026-06-13

在向量检索、训练优化等具体任务中查相应章节。

HTML原文件修改:2026-06-25
完成标准

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。

3

神经网络与 PyTorch

按目标选读 · 以完成实践目标为准

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。

建立任务、数据、模型、训练、验证与评估的整体认识。

HTML原文件修改:2026-05-27

学习前向传播、损失、反向传播与过拟合。

HTML原文件修改:2026-05-27

先掌握张量、自动求导、Dataset、训练循环与权重保存。

HTML原文件修改:2026-05-31
完成标准

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。

4

Transformer 与大模型原理

按目标选读 · 以完成实践目标为准

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。

HTML原文件修改:2026-05-29

浏览 API、RAG、Agent、微调与推理各章节,再选择下一条方向。

HTML原文件修改:2026-06-14
完成标准

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。

5

模型训练与 LoRA 微调

模型方向 · 以完成实践目标为准

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。

HTML原文件修改:2026-09-15

可作为理解小模型预训练的另一条路径。

HTML原文件修改:2026-09-18

完成一条训练流程后,再对比完整聊天模型项目。

HTML原文件修改:2026-09-18

把数据、聊天模板、损失与适配器权重对应起来。

HTML原文件修改:2026-10-11
完成标准

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。

6

AI 应用、RAG 与 Agent

应用方向 · 以完成实践目标为准

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。

先理解工具、记忆、规划与 Agent 循环。

HTML原文件修改:2026-07-03

围绕一个具体 API 或检索小项目使用,不必先学完所有抽象。

HTML原文件修改:2026-09-20

QQ AI 陪伴机器人:把服务器、容器、机器人与模型 API 接起来。

HTML原文件修改:2026-10-21

带着具体问题阅读工具系统、上下文与会话设计。

HTML原文件修改:2026-05-26
完成标准

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。

应用方向配套:46–52:API 与问答接口 → 105–124:Embedding 与 RAG → 125–130:工具调用与 Agent;随后练习 131–143:异步、并发与测试。
7

部署、运行与复现

按目标选读 · 以完成实践目标为准

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。

完成标准

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。

并行选读与进阶

Web 开发:Web 前端开发教程 与 Python Web 后端开发教程 按目标选择。前端、后端可各自学习,联调时再补接口和部署。
强化学习:强化学习 → 两份贝尔曼方程材料对照阅读 → MiMo-RL 网站详解。基础 LoRA/SFT 实践可以先做;需要研究强化学习对齐时再深入。
前沿与历史:人工智能简史、电脑互联网简史、AI 模式转变和范式转移、人工智能全景与前沿深度调研报告。作为背景阅读,留意原文的研究时间与来源。
图解与实验:知识图库用于回看结构,动态神经网络 · Neural Field 用于观察动态演示;交互效果需要结合公式、代码和实际实验理解。