---

最近写文章，发现自己有一个习惯：

如果没有一个结构化的知识框架，无论是学习还是写作，我都会非常难受。

这算不算强迫症呢？（笑）

私以为，知识的价值不仅在于“知道”，更在于“连接”：

将点状的知识连接成线，形成可迁移、可演化的知识体系，这样记忆更清晰，表达也更到位。

所以抽空总结了一份AI相关的知识框架和学习路径：

路径分为三个阶段：

基础编程- 低代码落地- 企业级应用与系统架构

学完这三个阶段，你将完成从AI新手到AI架构师的完整蜕变。

作者能力有限，借此希望为想学习AI的朋友们提供一条系统性的学习路线，快速入门，拥抱AI！

AI学习路径图 - 基础篇

AI基础知识

基础编程知识其实不难（比大学C语言简单多了）

打好编程基础，便于同学们使用最新技术，快速搭建MVP验证技术可行性。

• Python
• TypeScript
• 基础数据结构与算法

---

LLM APIs

大语言模型 API

使用API与LLM交互，便于同学们真正理解LLM。理解结构化输出、缓存、提示词等基础知识，巩固同学们的知识框架。

• KV caching（键值缓存）
• 系统提示词
• LLM导论
• 提示缓存Prompt Caching
• 结构化输出
• 多模态模型
• 速率限制、批量处理、重试机制
• 成本/性能权衡

---

大模型基础

尽管大模型在图像识别、数学计算等领域已经比人类做的还好了，但是我们在生产环境使用中，依然能感觉到：

大模型说话不太像人，总是哪里怪怪的。实际生产中说的都对，但就是体验不好。怎么办呢？

第三阶段，我们来学习大名鼎鼎的RAG、微调、上下文工程！通过控制大模型的行为模式、知识库，补充行业知识，让大模型适配我们的生产环境。

学完这部分，你就已经可以搭建市面上通用的企业级应用啦！

• Tool Use（工具调用）

• 微调（Fine-tuning）

• RAG 基础

• Prompt Engineering（提示词工程）

• Context engineering（上下文工程）

  

AI学习路径图 - 进阶篇

低代码 AI 应用平台

本阶段的目标是：拒绝纸上谈兵，快速搭建企业级MVP，让灵感安稳落地。

本部分我们讲一讲低代码平台（如 Coze、Dify、n8n），它们封装了 Agent 的核心能力（记忆、工具调用、流程编排），同学们无需深入AI底层知识，也能构建可交互的 AI 应用。

便捷、简便、关键是便宜！

低代码 AI 应用并不是无法商业化的玩具，许多初创公司的MVP就是使用工作流搭建的。

• Coze、Dify
• 企业级应用基础
• n8n / Make / Zapier
• GitHub（开源项目快速落地）
• Hugging Face （开源项目快速落地）

---

检索技术基础

我们已经知道了，对于LLM系统，上下文是核心。

当基础优化已经达到瓶颈，如何强化我们的的检索效率？

为了构建更高效的数据检索系统，我们需要优化检索技术。

• 向量数据库
• 图数据库
• 混合检索（Hybrid retrieval）
• 重排序流水线（Reranking pipelines）
• 索引策略：HNSW、IVF
• 分块与嵌入策略

---

RAG

检索增强生成（Retrieval-Augmented Generation）

检索-增强-生成。外部知识提取的核心单元就是RAG系统了。

• MCP（Memory, Context, Prompt）
• Reranking
• 数据工程
• 多步检索（Multi-step retrieval）
• 数据检索与生成
• LLM 编排框架

AI Agents

同学们的AI知识已经很深入了！接下来进入全新的世界：

AI-NATIVE

我们迈入 AI 智能体（Agents）领域，让 AI系统从单纯的回答问题转变为自主行动。

• 记忆机制（Memory）
• A2A, ACP（智能体间通信、动作协调等）
• 人机协同（Human-in-the-loop）
• 多智能体系统（MAS）
• 智能体设计模式
• 智能体编排框架
• 

AI学习路径图 - 深水区篇

企业级应用进阶

如果AI系统在每个环节的回答正确率是98%，10个环节的累计错误率能达到多少？接近20%。

企业级 AI 应用如何突破突破技术局限？本阶段聚焦 “AI应用的最后后一公里问题”，解决垂类AI应用规模化落地过程中的核心痛点。

• 模型幻觉
• 业务Knowhow - SOP&COT
• 工程架构
• 数据架构
• 飞轮系统
• 可观测性基础

可观测性与评估

专家和普通人的区别是什么？我个人认为是专家可以把握技术边界：他知道不同的技术能做什么、不能做什么；知道它在什么条件下表现优异，又在何种场景下表现不佳。

如何创建评估数据集？

如何使用LLM评价LLM？

如何追踪、监控AI系统？

本部分我们尝试构建可持续迭代的AI产品，围绕AI系统的可观测性建立标准化的评估体系。

• LLM 评价（LLM-as-a-judge）

• 多轮评估（Multi-turn evals）

• AI 智能体评估

• 组件级评估

• 可观测性平台

• 智能体监控与埋点

  ---

AI基础设施

无论是AI产品经理还是技术专家，对AI系统技术路径的把握都是非常重要的。大型项目运行动则数月，还有其显著的路径依赖，可靠的AI系统架构可以让企业级应用事半功倍。

• CI/CD（持续集成/持续交付）
• Kubernetes（K8s）
• 云服务
• 模型路由
• 容器化
• LLM 部署

---

AI安全

玩GPT的都知道，AI系统很可能会被几句危险提示词解除掉全部安全限制。

没有人希望自己的AI系统因为违反某规某纪而被叔叔约谈（笑）。

如何给系统建立可靠的防火墙？这部分我们讲一讲沙箱机制、防范提示词注入攻击，以及如何建设适配自己企业的伦理准则。

• 防火墙
• 沙箱（Sandboxing）
• 伦理
• 提示词注入攻击防御

结语：抓住大模型时代的职业机遇

AI大模型的发展不是“替代人类”，而是“重塑职业价值”——它淘汰的是重复性、低附加值的工作，却催生了更多需要“技术+业务”交叉能力的高端岗位。对于求职者而言，想要在这波浪潮中立足，不仅需要掌握Python、TensorFlow/PyTorch等技术工具，更要深入理解目标行业的业务逻辑（如金融的风险控制、医疗的临床需求），成为“懂技术、懂业务”的复合型人才。

无论是技术研发岗（如算法工程师、研究员），还是业务落地岗（如产品经理、应用工程师），大模型都为不同背景的职场人提供了广阔的发展空间。只要保持学习热情，紧跟技术趋势，就能在AI大模型时代找到属于自己的职业新蓝海。

最近两年大模型发展很迅速，在理论研究方面得到很大的拓展，基础模型的能力也取得重大突破，大模型现在正在积极探索落地的方向，如果与各行各业结合起来是未来落地的一个重大研究方向

大模型应用工程师年包50w+属于中等水平，如果想要入门大模型，那现在正是最佳时机

2025年Agent的元年，2026年将会百花齐放，相应的应用将覆盖文本，视频，语音，图像等全模态

如果你对AI大模型入门感兴趣，那么你需要的话可以点击这里大模型重磅福利：入门进阶全套104G学习资源包免费分享！

扫描下方csdn官方合作二维码获取哦！

给大家推荐一个大模型应用学习路线

这个学习路线的具体内容如下：

第一节：提示词工程

提示词是用于与AI模型沟通交流的，这一部分主要介绍基本概念和相应的实践，高级的提示词工程来实现模型最佳效果，以现实案例为基础进行案例讲解，在企业中除了微调之外，最喜欢的就是用提示词工程技术来实现模型性能的提升

第二节：检索增强生成（RAG）

可能大家经常会看见RAG这个名词，这个就是将向量数据库与大模型结合的技术，通过外部知识来增强改进提升大模型的回答结果，这一部分主要介绍RAG架构与组件，从零开始搭建RAG系统，生成部署RAG，性能优化等

第三节：微调

预训练之后的模型想要在具体任务上进行适配，那就需要通过微调来提升模型的性能，能满足定制化的需求，这一部分主要介绍微调的基础，模型适配技术，最佳实践的案例，以及资源优化等内容

第四节：模型部署

想要把预训练或者微调之后的模型应用于生产实践，那就需要部署，模型部署分为云端部署和本地部署，部署的过程中需要考虑硬件支持，服务器性能，以及对性能进行优化，使用过程中的监控维护等

第五节：人工智能系统和项目

这一部分主要介绍自主人工智能系统，包括代理框架，决策框架，多智能体系统，以及实际应用，然后通过实践项目应用前面学习到的知识，包括端到端的实现，行业相关情景等

学完上面的大模型应用技术，就可以去做一些开源的项目，大模型领域现在非常注重项目的落地，后续可以学习一些Agent框架等内容

上面的资料做了一些整理，有需要的同学可以下方添加二维码获取（仅供学习使用）