AI学习全景图
核对日期：2026-05-13。
1. 这张图解决什么问题
AI 学习最容易失败的原因不是资料少，而是层次混乱：一会儿看机器学习，一会儿调大模型 API，一会儿追 Agent 框架，最后不知道这些能力之间的关系。
这套课程采用“能力层级 + 工程落地”的视角，把 AI 体系拆成 7 层：
2. 核心判断
| 层级 | 解决的问题 | 典型产物 | 不解决的问题 |
|---|---|---|---|
| 规则系统 | 已知规则、固定流程 | 审批流、脚本、业务规则 | 非结构化理解、开放式判断 |
| 机器学习 | 从数据中学习模式 | 分类器、预测模型、推荐模型 | 复杂语言理解、跨任务泛化 |
| 深度学习 | 从大规模数据中学习表示 | CV、NLP、语音模型 | 可靠工具执行、业务权限 |
| 大语言模型 | 语言理解、生成、推理和泛化 | Chatbot、Copilot、生成器 | 数据真实性、系统执行能力 |
| RAG | 让模型使用外部知识 | 知识库问答、引用回答 | 权限治理、行动能力 |
| AI 应用工程 | 把模型能力接入产品 | AI Web 应用、API 服务 | 自主任务推进 |
| Agent | 目标驱动、动态决策、工具执行 | 研究助手、代码 Agent、运维 Agent | 无边界自治、高风险免审 |
3. 学习主线
本课程不是要求每个人都成为算法研究员，而是让学习者形成完整 AI 工程判断力：
- 知道 AI 各层能力从哪里来。
- 能判断业务需求适合规则、ML、RAG、Workflow 还是 Agent。
- 能设计一个可评测、可观测、可治理的 AI 系统。
- 能识别 Demo、原型、内部工具、生产系统之间的差异。
4. 最关键的分界线
4.1 AI 不是自动化
自动化依赖固定规则；AI 系统引入概率模型处理非结构化输入、模糊判断和开放式生成。工程上要记住：AI 输出需要校验，不能像确定性函数一样无条件信任。
4.2 LLM 应用不是 Agent
调用一次模型生成答案，不是 Agent。Agent 至少需要：
- 明确任务目标。
- 可维护状态。
- 可选择工具。
- 能观察结果并调整下一步。
- 有退出条件、失败处理和权限边界。
4.3 Prompt 不是系统架构
Prompt 能改善模型行为，但不能替代：
- 数据权限。
- 工具 schema。
- 业务规则。
- 评测集。
- 审计日志。
- 人类审批。
4.4 RAG 不是万能知识库
RAG 解决“模型不知道外部知识”的问题，但不自动解决：
- 文档权限。
- 引用可信度。
- 数据时效性。
- 检索召回率。
- 答案是否真的被证据支持。
5. 全局学习成果
学完整套课程，最终应能交付：
- 一份 AI 系统选型报告。
- 一个 RAG 知识库系统。
- 一个 AI Web 应用。
- 一个带工具和评测的 Agent。
- 一套安全、成本、评测和上线清单。
- 一个综合作品集项目。
6. 推荐资料
- Stanford CS229: https://cs229.stanford.edu/
- PyTorch Tutorials: https://docs.pytorch.org/tutorials/
- Hugging Face Course: https://huggingface.co/learn
- OpenAI Evals: https://platform.openai.com/docs/guides/evals
- Anthropic Building Effective Agents: https://www.anthropic.com/engineering/building-effective-agents
- Model Context Protocol: https://modelcontextprotocol.io/docs
- OWASP Top 10 for LLM Applications: https://owasp.org/www-project-top-10-for-large-language-model-applications/
7. 配套总览文档
- 学习路线总表.md：阶段节奏、三条学习主线、作品集路线和毕业标准。
- 核心术语表.md：统一 LLM、RAG、Agent、Workflow、Eval、LLMOps、HITL 等术语。
- 最终学习建议与作品集路线.md：长期学习节奏、作品集构成和毕业验收问题。
- 练习参考答案使用说明.md：参考答案使用方式、自测评分方式和阶段答案索引。
- 如何使用这套课程.md：单阶段学习流程、复盘模板和长期防丢失机制。