前置知识

这份清单不是“入场考试”。它更像一张地图：你可以先用 API 做出东西，再按遇到的问题补课。真正影响学习速度的，通常不是会不会背 Transformer 公式，而是能不能把问题拆开、验证结果、读懂文档。

最小必备

能力	需要到什么程度	会在哪些模块用到
Python	会写脚本、调用 API、处理 JSON/CSV、管理依赖与虚拟环境	Prompt、RAG、Agent
HTTP/API	理解请求、响应、鉴权、状态码、超时与重试	Agent 工具调用、MCP
Git	能提交、分支、回滚小改动，读懂 diff	所有实践项目
基础数据处理	能清洗文本、去重、切分、抽样检查	RAG 文档切分、训练数据
实验记录	能记录输入、版本、指标和结论	评估、部署与评测

按方向补的知识

应用开发方向

优先补工程能力。你需要知道模型输入输出如何被系统包起来，以及失败时如何定位问题。

1. API 调用：鉴权、限流、重试、结构化输出。
2. 文档处理：Markdown/PDF/网页抽取、chunk 策略、元数据。
3. 数据库：至少理解关系数据库、KV、向量检索的适用边界。
4. 可观测性：日志、trace、错误样本、延迟和成本统计。

推荐顺序：Prompt 基础 → RAG 概述 → Agent 工具调用 → MCP 快速入门。

算法工程方向

如果你想进入微调、对齐或多模态，需要补更多机器学习基础。

1. 线性代数与概率：向量、矩阵、分布、采样。
2. 深度学习：反向传播、优化器、过拟合、验证集。
3. NLP 基础：tokenization、embedding、语言模型目标。
4. Transformer：attention、位置编码、KV cache、长上下文。
5. 训练工程：数据质量、显存估算、分布式训练、推理 serving。

推荐顺序：训练数据 → SFT → LoRA → DPO → 评估。

模块前置关系

模块	建议先掌握	不掌握会卡在哪里
Prompt	基本 API 调用、任务描述能力	难以稳定复现实验结果
RAG	Embedding、文本切分、检索直觉	只会“接向量库”，不会调召回与可信度
Agent	Prompt、工具调用、错误处理	容易做出能演示但不可靠的自动化
MCP	Agent 工具调用、协议/客户端概念	分不清 Host、Client、Server 的职责
训练与微调	ML/DL、数据集、评估	难以判断该微调还是该改数据/提示/RAG
多模态	Transformer、视觉编码、RAG/Agent	难以理解图文对齐和多模态检索

快速补课资源

主题	建议资源	读法
Python	Python 官方教程	重点看数据结构、模块、异常、虚拟环境
Transformer	The Illustrated Transformer 与 Attention Is All You Need	先看图解，再回论文确认 Q/K/V 与 attention
API 设计	OpenAPI Specification	理解 schema、参数、响应和错误建模
向量检索	FAISS 文档	关注 index 类型、召回/速度权衡
评估方法	OpenAI Evals	学习如何把主观体验变成可重复样本

常见误区

• “必须先懂全部深度学习才能开始”：应用开发可以先从 API 和评估做起。
• “RAG 等于向量数据库”：真正的难点通常在数据清洗、chunk、召回、重排和引用。
• “Agent 越自主越高级”：生产系统里，边界、审批和可观测性往往比自主性更重要。
• “微调能解决所有问题”：如果知识经常变、答案要引用来源，优先考虑 RAG 或工具调用。
• “指标越多越好”：先选能反映业务失败的少数指标，再扩展评估集。

下一步

• 想按角色学习：从 学习路径 选择应用开发者、算法工程师或面试冲刺。
• 想直接看时间表：进入 学习路线图。
• 想先做项目：进入 实践项目。