TANG / LABBUILD · LEARN · SHIP开始学习
TANG / LAB/AI

FROM FIRST PRINCIPLES TO PRODUCTION

AI 工程师成长路径

从第一行 Python 到可评测、可治理、可上线的智能体系统。每一节都用一个真实项目拆开原理，再把原理装回产品。

MODULES10
EST. TIME约 220 小时
FOR零 AI 基础的开发者、希望转型 AI 工程师的前端/后端工程师，以及想补齐生产实践的数据与算法从业者。
OUTCOME能够独立完成数据建模、深度学习、LLM 应用、RAG、模型适配、智能体、评测安全与云端部署，并用证据解释系统为何可靠。

/ LEARNING MAP

先看全局，
再走每一步。

路线被拆成四个能力阶段。每个阶段都有明确的通关证据，不靠“学完视频”判断进度。

PHASE 0101—03

数据与模型基础

用 Python、统计直觉、机器学习和 PyTorch 建立可验证的建模能力。

能从原始数据训练模型，并交付误差分析与模型卡。
PHASE 0204—06

基础模型应用

理解 Transformer，掌握结构化输出、工具调用、多模态和企业级 RAG。

能交付带引用、可拒答、可评测的知识助手。
PHASE 0307—09

后训练与智能体

学习 LoRA、数据策划、Agent、MCP、A2A、自动评测与安全红队。

能构建可控、可恢复、敏感操作有人审的智能体系统。
PHASE 0410

生产与平台工程

把原型变成有 SLO、监控、成本控制、灰度和回滚能力的线上服务。

完成压测、故障演练、可观测面板与上线复盘。

/ CURRICULUM

从原理到生产，
一步一步往前走。

每个模块包含白话解释、最小实验、常见错误、实战任务与官方资料。建议按顺序推进，并在完成项目后再进入下一阶段。

10 / 10
01
先把数据变成能计算的问题入门14 小时

Python、数学与数据工具

不背大段公式，先学会读数据、写函数、验证假设，再用图和代码建立向量、概率与导数的直觉。

Python 数据结构、函数、类、类型标注、异常与测试虚拟环境、包管理、Git、Jupyter 与可复现实验NumPy/Pandas 思维：向量化、缺失值、分组和连接线性代数、微积分、概率统计的工程直觉
开始学习
02
从业务问题到可解释模型入门20 小时

机器学习完整工作流

学习的不只是算法名称，而是如何定义目标、切分数据、选择指标、发现泄漏，并把模型结果翻译成业务决策。

监督学习、无监督学习与合理基线数据切分、交叉验证、Pipeline 与特征工程准确率、精确率、召回率、F1、AUC 与回归指标超参数搜索、阈值选择、特征重要性与模型卡
开始学习
03
亲手训练一个会学习的网络入门22 小时

深度学习与 PyTorch

从 Tensor 和梯度开始，走完建模、训练、诊断、保存与推理流程，理解网络学不动或突然崩掉时该查什么。

Tensor、广播、Autograd 与计算图MLP、CNN 与序列模型的核心结构损失函数、优化器、初始化、正则化和学习率调度GPU、混合精度、检查点、性能分析与可复现性
开始学习
04
拆开大模型的黑盒进阶24 小时

Transformer 与基础模型

从 token、embedding 和 attention 出发，理解大模型如何训练与生成，以及上下文、采样和推理成本为何彼此牵制。

Tokenization、词嵌入与语义空间缩放点积注意力、多头注意力与位置表示预训练、指令跟随、推理模型与生成策略上下文预算、缓存、量化与 API/本地模型选型
开始学习
05
把一次漂亮回答变成稳定功能进阶18 小时

生成式 AI 应用工程

学习指令、上下文、结构化输出、工具调用、流式响应与多模态，让模型输出进入真正的软件契约。

Prompt 与 Context Engineering、角色和指令优先级Structured Output、Function Calling 与输入校验文本、图片、音频的多模态处理流式响应、会话状态、缓存、超时、重试和成本预算
开始学习
06
让回答有依据、能更新、可追溯进阶22 小时

RAG 与企业知识库

从文档进入系统的第一步开始，完整处理解析、切分、检索、重排、引用、权限、拒答和持续更新。

文档解析、chunk、embedding 与向量索引语义检索、混合检索、查询改写、重排和元数据过滤来源引用、权限隔离、时效性与删除传播Recall@K、MRR、忠实度、相关性和无答案测试
开始学习
07
知道何时该训练，也知道何时不该高级26 小时

模型微调与后训练

从高质量数据集开始，掌握 SFT、LoRA/QLoRA、偏好优化、蒸馏与量化，并用受控实验判断微调是否真的优于提示或 RAG。

数据策划、去重、质量评分、污染和许可证SFT、LoRA、QLoRA、Adapter 与全量微调边界偏好优化、强化学习、推理模型训练入门蒸馏、量化、检查点、灾难性遗忘和模型卡
开始学习
08
让模型安全地观察、决策与行动高级24 小时

智能体、MCP 与 A2A

先区分确定性工作流和智能体，再学习工具、状态、人工审批、Tracing、MCP 与 A2A，构建可中断、可恢复的任务系统。

Agent Loop、工具 Schema、状态、记忆与上下文压缩确定性编排、Manager、Handoff 与多智能体协作MCP 的 Tools、Resources、Prompts 与传输层A2A Agent Card、任务生命周期、流式与异步协作
开始学习
09
用测试代替“感觉它挺聪明”高级20 小时

评测、安全与负责任 AI

把质量和风险写成可执行测试，覆盖黄金数据集、回归评测、人工校准、红队、安全控制与全生命周期治理。

Eval-driven Development、数据集、grader 与回归门禁任务成功率、忠实度、工具正确率、延迟和成本指标LLM-as-Judge 校准、盲测、人工评审与切片分析Prompt Injection、输出校验、供应链、数据/模型投毒
开始学习
10
让原型经得住真实流量高级28 小时

生产部署与 AI 平台工程

把模型封装成服务，容器化并部署到云端，补齐实验追踪、监控、压测、灰度、回滚、漂移和成本治理。

FastAPI、异步、SSE、鉴权、限流与任务队列Docker、镜像、配置、密钥和供应链安全批处理、缓存、量化、GPU 利用率与推理服务实验追踪、数据/模型版本、Registry 与可复现发布
开始学习

/ TOOLKIT

该学什么工具，
什么时候用。

工具不是收藏清单。先理解它解决的边界，再通过官方文档和项目任务形成自己的选择标准。

01 / LANGUAGE

Python

数据处理、模型训练与 AI 服务的通用语言。

02 / EXPERIMENT

Jupyter

记录假设、数据探索和可复现实验。

03 / DATA

NumPy / Pandas

向量计算、清洗、聚合与表格分析。

04 / ML

scikit-learn

传统机器学习、Pipeline、评估和模型选择。

05 / DEEP LEARNING

PyTorch

神经网络训练、自动微分和 GPU 推理。

06 / FOUNDATION MODEL

Transformers

使用、训练和评估主流开源基础模型。

07 / POST-TRAINING

PEFT / TRL

LoRA、SFT、偏好优化和轻量后训练。

08 / GEN AI

Responses API

构建带工具调用、结构化输出和多模态能力的应用。

09 / AGENT

MCP

让模型以标准协议连接工具、数据和提示。

10 / MULTI-AGENT

A2A

跨系统发现、协作和调度专业智能体。

11 / MLOPS

MLflow

实验追踪、模型注册、评估与生命周期管理。

12 / SERVING

FastAPI

构建类型安全、异步和流式 AI API。

/ PORTFOLIO

四个项目，
串起整条路线。

每个项目都要提交代码、决策记录、测试证据与复盘。越到后期，评价标准越接近真实生产环境。

PROJECT 01基础

客户流失预测实验室

完成数据审计、基线、交叉验证、阈值选择和模型卡。

Pandasscikit-learn评估
PROJECT 02进阶

可引用的企业 RAG

支持混合检索、重排、权限过滤、引用和拒答。

EmbeddingRetrievalEvals
PROJECT 03高级

可控研发智能体

通过 MCP 使用代码与知识工具，敏感操作经过人工批准。

AgentMCPTracing
PROJECT 04毕业

生产级 AI 平台

统一模型路由、评测、成本、延迟、监控、灰度和回滚。

MLOpsSafetySRE

/ CAPSTONE PROJECT

毕业项目

企业智能知识与研发助理：理解多模态资料，基于权限检索内部知识，调用工具完成任务，并具备评测、安全门禁、监控、灰度与回滚能力。

FINAL / BUILDAI 知识库
可运行产品
测试与质量报告
架构决策与复盘
云端部署与演示

/ OFFICIAL LIBRARY

资料不求多，
先读一手来源。

这里优先收录规范、官方教程和维护者文档。课程负责讲人话，资料库负责让你继续深挖和核对版本。

01
COURSE · 入门Machine Learning Crash Course

从问题定义、损失函数到分类和神经网络的系统入门。

02
REFERENCE · 入门—进阶scikit-learn User Guide

算法选择、预处理、Pipeline、指标和模型检查的一手手册。

03
LAB · 进阶PyTorch Tutorials

从张量和 Autograd 到分布式训练与性能调优。

04
COURSE · 进阶Hugging Face LLM Course

Tokenization、Transformer、微调和模型发布的项目式课程。

05
GUIDE · 进阶OpenAI Retrieval Guide

向量存储、语义检索和文件搜索的官方实现路径。

06
GUIDE · 进阶—高级OpenAI Evals Guide

用数据集和可重复评测代替“感觉模型不错”。

07
REFERENCE · 进阶—高级OpenAI Agents SDK

工具、交接、Guardrail、会话和 Tracing 的工程参考。

08
PROTOCOL · 高级MCP Architecture

Host、Client、Server 与传输层的标准边界。

09
SECURITY · 高级OWASP LLM Top 10

Prompt Injection、敏感信息泄漏和过度授权等核心风险。

10
GOVERNANCE · 高级NIST AI RMF

从治理、测量到风险管理的组织级框架。

/ FAQ

开始之前，
先把疑问说清楚。

01没有数学基础能学吗？＋

可以。课程先用图形、代码和业务例子建立直觉，再补最需要的线性代数、概率和导数。遇到公式时重点回答输入、输出、单位和边界，而不是先背推导。

02先学提示词，还是先学机器学习？＋

可以先用 API 做出最小应用获得反馈，但长期要补机器学习、评估和数据基础。高级工程能力的分水岭不是提示词数量，而是能否解释系统为何可靠。

03RAG 和微调怎么选？＋

知识经常变化、需要引用时优先 RAG；要改变行为、格式或领域表达时考虑微调；多数生产系统会先做好提示与评测，再决定是否加入 RAG 或微调。

04必须有 GPU 吗？＋

前六章大部分练习可用 CPU、免费 Notebook 或模型 API。训练大型模型才需要昂贵 GPU；课程强调轻量实验、LoRA 和托管推理，避免把算力当作学习门槛。

05怎样证明 AI 应用可以上线？＋

至少需要黄金数据集、任务指标、人工抽检、注入攻击测试、权限边界、延迟与成本预算、监控和回滚方案。演示成功不等于生产可靠。

06学完能达到高级工程师吗？＋

课程覆盖高级 AI 应用与平台工程师的核心能力地图。真正的高级还需要在真实业务中做取舍、接受代码评审、处理事故，并长期维护至少一个生产系统。

继续探索其他知识库

Native Web Engineering从浏览器原理到生产级前端↗从会写组件，到能交付生产级全栈应用现代前端框架工程↗