大纲的范围与使用方式

本大纲面向通用 AI 基础和应用工程，不把所有研究方向都算作初学必修。第二轮对照 scikit-learn、PyTorch、fast.ai、Google、CS229 历史讲义、Made With ML、FSDL 和 SciPy，补充 15 篇专题及本篇大纲。第三轮按应用开发、架构与面试补充，第四轮对照 ai-agent-book 深化 Agent 工程。当前共 61 篇笔记、33 张资料卡、10 条路径；关键词检索与权限/缓存两篇包含实际运行的实验。

前置关系表示阅读所需概念。下面将全体笔记编入阶段与支线；主线是起点，专题按任务补读。完成读物不等于具备生产经验，实践成绩需要真实日志支持。

核心阶段与全量知识清单

阶段 对应笔记 应能留下的产物
0：导航与数学 知识地图、本篇大纲、数学 张量形状、一步梯度、概率解释及自己的目标
1：数据与算法 工作流、特征管线、监督算法、无监督学习 数据字典、无泄漏划分、基线和候选比较
2：训练与适配 深度训练、优化正则、PyTorch、迁移增强、强化学习 张量/梯度检查、训练计划、checkpoint 清单与奖励反例
3：语言任务 token、Transformer、选型、NLP、训练对齐 输入输出契约、标签对齐、模型/adapter 和评估计划
4：提示与接口 提示、结构化输出/工具 格式、业务校验和授权分开的任务契约
5：检索与证据 向量、文档管线、检索重排、证据、关键词实验 索引版本、相关片段标注、引用边界与实验失败记录
6：智能体 执行循环、记忆、编排、MCP 状态、停止、工具结果、隔离及交接规范
7：评估与统计 基线、ML 指标、校准、公平解释、实验统计、LLM 评估、RAG 评估 固定样本、指标分母、分组错误、配对比较和局限
8：工程闭环 性能、安全、MLOps、漂移 版本追踪、发布/回滚条件、监控与调查流程
9：任务支线 时序、推荐、视觉、扩散、语音 预测时点、候选/反馈、坐标、生成配置及模态指标
10：开发实战 应用路线、服务后端、RAG 项目、权限/缓存实验、Agent 验证、项目报告 服务契约、自己的项目与逐题结果、失败恢复及交付说明
11：架构与面试 容量成本、系统设计、SLO、面试案例 容量手算、数据流、决策、可靠性与证据复盘
12：Agent 进阶 教材对照、Harness/Coding Agent、Skills/缓存、结构化记忆、事件交互、评估与协作、轨迹学习 执行契约、上下文预算、关系与权限、事件时间线、行为题集及更新门禁

评估不应等到训练之后才学习：阶段 1 就选划分和指标；阶段 7 再系统深化统计、校准与应用质量。时序、推荐和多模态按目标选修，不能替代共同的数据/评估基础。

十条路径怎样选

路径 定位
21 步系统主线 第一次建立全景；补齐数据、算法、评估和训练实践后进入应用
4 步应用入门 先运行已有 Node 关键词实验，学习怎样记录失败
传统 ML 支线 深入数据、算法、无监督、概率、统计、时序和推荐
RAG/智能体工程 使用已有基础设计检索、证据、工具、状态和权限
训练与对齐 从计算图、优化、PyTorch 和迁移进入 Transformer/LoRA/对齐
多模态 视觉、迁移增强、生成与语音的任务规范
MLOps 闭环 数据与行为测试、版本、统计、发布和监控
7 步开发实战 从全栈服务基础进入 RAG/agent 综合任务、权限实验与报告
6 步架构与面试 用已有项目练容量、边界、SLO、评估解释和案例
8 步 Agent 工程进阶 已有应用基础后深化运行环境、Skills、记忆、事件、评估和改进

支线列出的前置笔记若没掌握，先补读，不将路径清单误认为零基础直接可运行的命令。

对照开放课程后的补充判断

外部资料的重点 原有覆盖 本轮处理
scikit-learn / Google MLCC 仅工作流概览，传统算法与指标较浅 补特征、监督/无监督、指标、校准、公平解释与时序
PyTorch / fast.ai 有训练概念，缺具体流程检查 补优化、训练实践、迁移增强；扩展 NLP 任务
Google 推荐课程 没有独立推荐笔记 补多阶段推荐、反馈、冷启动与离线排序
CS229 公开历史讲义 / SciPy 数学基础和评估概念已有，统计比较较浅 保留数学笔记，补算法与配对统计方法
Made With ML / FSDL 推理性能与安全已有，生命周期不完整 补数据/模型测试、版本、发布/回滚与漂移监控
首轮 HF / Microsoft / Datawhale 等 LLM、RAG、agent、多模态已有核心笔记 接入本大纲，扩展任务与训练支线，保留原始来源
第三轮 LLM Zoomcamp / HF Agents / Primer / SRE Workbook 概念覆盖较全，但项目交付与架构回答缺证据链 补服务、项目验收、缓存实测、评估报告、容量、可靠性和面试复盘
第四轮 ai-agent-book 执行循环、记忆、编排已有概览，缺 Coding Agent 运行环境和更细的行为验证 补六个 Agent 专题、十章对照和八步进阶路径，保留模型与硬件实验的条件

这是本站编辑判断，不是课程发布者的评定。免费可读、开放代码许可、免费算力是三个问题，不能混写。CS229 当前课程材料需要校内账号；这里使用公开历史讲义，监督学习 PDF 内标注 2018/2019，不能称为 2026 新教材。

三个综合任务与验收

  1. 表格预测：自制或有授权的数据，定义时点/标签，按实体或时间划分；比较常量与简单模型，报告混淆矩阵或回归误差，保存管线版本。时序任务另外写 horizon 与窗口。
  2. 资料问答：先复现关键词实验，再设计或实现文档索引、证据与拒答；固定问题集，分开统计召回、答案和工具成功。未运行向量/模型时只交设计，不填收益。
  3. 模型交付：准备运行清单、数据/行为测试、质量与性能门槛、回滚计划和漂移调查表。使用同样样本作配对比较，说明切片与样本量限制。

每个任务留下环境、输入版本、实际输出、失败和真实日期。需要 GPU、模型服务或真实线上实验的部分，在具备授权与资源后执行；本站不自动为练习启动这些服务。

进阶范围与复习

图神经网络、因果推断、贝叶斯深层推导、机器人/控制、多智能体强化学习和分布式训练专修尚未独立展开。已有强化学习是状态/奖励/价值/策略入门；不要把它当完整 RL 工程课程。按目标进入原始课程，并用同一笔记模板继续积累。

复习时检查：能否说明一个模块的数据从何而来、输出是什么、怎样失败、如何独立验证？能否区分设计、手算和实测？最后再尝试不看笔记复述每个阶段。

阅读依据与核验范围

2026-10-07：AI 助手协助搜索、对照公开大纲和原始章节，原创组织本大纲；访问条件、固定版本和许可见资料卡。未执行新增训练或统计实验。

2026-10-08：全量索引补到 54 篇；来源与许可见 应用实战路线 的四张资料卡。两条新路径保留已有基础为前置；只有新增权限/缓存实验实测，完整模型项目仍是执行任务。

2026-10-10：全量索引补到 61 篇；教材对照 覆盖十章与六个缺口专题，来源固定为 2.0 书稿快照。新任务为设计与阅读练习，实际实验仍为两篇。

原始资料与核验依据

继续探索

哪些笔记引用了这里