AI学习路线全览指南【持续更新】
本文旨在梳理当前人工智能教程的完整知识框架。整个学习路径从Python编程基础起步，依次涵盖人工智能基础、大模型基础、大模型训练与推理、大模型应用，以及更贴近业务实践的人工智能应用场景。下方的每张图对应一个学习模块，用以阐明该模块在整体路线中的位置及后续整理重点。
这张总览图展示了整套教程的核心结构：右侧为基础能力建设，包含Python、人工智能基础和大模型基础；左侧则偏向进阶和扩展，涵盖大模型训练技术、推理技术、应用技术，以及人工智能应用场景和通用平台框架。整体思路是先补齐编程、数学和算法基础，再深入大模型原理、训练、推理和应用落地。
后续计划：
Python是整个AI学习路径的工具基石。这部分不仅涵盖Python基础语法、高级语法和编码规范，还包括NumPy、Pandas、Matplotlib、SciPy、Requests等常用库，以及Flask、Django、FastAPI等后端框架。对于AI学习而言，Python模块的重点并非单纯学习语法，而是为后续数据处理、模型实验、接口服务和工程部署奠定基础。
图中还单独列出了Python数据分析和Python面试两个方向。前者面向数据获取、清洗、探索、建模、可视化和报告输出；后者则覆盖语言特性、核心编程、装饰器、生成器、并发异步、性能优化和Web开发等内容，更适合用来查漏补缺。
人工智能基础是传统机器学习迈向深度学习和大模型的过渡层。图中将内容划分为基本概念、机器学习、深度学习、PyTorch和数学基础五部分。学习顺序上可以先理解AI、机器学习、神经网络等核心概念，再补充必要的线性代数、概率统计和优化方法，最后通过PyTorch将理论落实到代码实践中。
后续这部分会优先展开，因为它直接决定后面能否理解Transformer、预训练、微调、强化学习和推理优化等内容。
大模型基础模块用于建立对LLM的整体认知。图中主要分为基本知识、Transformer、模型技术和原理、模型架构详解四个部分，其中Transformer是理解现代大语言模型的核心入口，注意力机制、位置编码、编码器/解码器结构、预训练目标和推理过程都需要围绕它展开。
这一部分的目标不是只记住模型名，而是理解大模型为什么能够生成文本、如何进行上下文建模、模型架构之间有什么差异，以及这些原理如何影响训练成本、推理性能和应用效果。
大模型训练技术关注模型能力是如何被“训练出来”的。图中把训练体系分为基础知识和原理、强化学习原理、预训练技术和框架、后训练技术和框架、强化学习框架等内容。这里既包括数据、算力、并行训练、优化器、损失函数等基础问题，也包括SFT、RLHF、DPO等后训练和对齐方法。
这部分适合作为理解大模型生产流程的核心章节：预训练决定模型的基础能力，后训练决定模型是否更符合人类指令和具体任务需求，而强化学习相关方法则是模型对齐和复杂决策能力的重要补充。
大模型推理技术关注模型如何高效、稳定地对外提供服务。图中列出了基础知识和原理，以及Nano-VLLM、VLLM、Nano-SGLang、SGLang等推理框架相关内容。相比训练阶段，推理阶段更关注延迟、吞吐、显存占用、KV Cache、批处理、调度策略和服务化部署。
这一模块的价值在于把“能跑模型”推进到“能高效运行模型”。后续在整理时，可以围绕推理框架源码、请求调度、连续批处理、PagedAttention、流式输出和多并发服务能力展开。
大模型应用技术是从模型能力走向业务系统的关键环节。图中包含大模型通用技术、RAG、Agent、Hermes和OpenClaw等方向，其中RAG解决模型接入外部知识的问题，Agent解决工具调用、任务拆解和多步骤执行的问题，Hermes、OpenClaw等内容则更偏向具体应用框架和实践案例。
这部分的重点会放在“如何构建可用的大模型应用”上，包括提示词设计、上下文管理、知识库检索、工具调用、任务编排、评测反馈和应用工程化。
人工智能应用场景模块用于连接技术和业务问题。图中列出了自然语言处理NLP、计算机视觉CV、语音识别、风控模型、推荐系统和知识图谱等典型方向，基本覆盖了文本、图像、语音、决策和知识组织几类常见场景。
这部分更适合从问题出发来学习：不同场景的数据形态、建模目标、评估指标和落地难点并不相同。例如NLP更关注文本理解和生成，CV更关注图像识别与检测，推荐系统更关注用户行为建模，风控模型则更强调稳定性、可解释性和风险控制。
人工智能技术杂谈模块主要收集与AI工程实践相关的横向知识。图中包括工具篇、框架篇、硬件篇，以及CUDA、CANN等计算生态内容，这些主题不一定属于某一个固定学习阶段，但会影响模型训练、推理部署和工程效率。
后续可以把这一部分作为专题补充区：当学习过程中遇到GPU、算子、框架适配、环境部署、性能调优、国产硬件生态等问题时，再回到这里做系统整理。