学习路线图

这里保留更细的时间表和项目建议。若你还没决定走哪条路，先读 学习路径总览；如果已经有目标，可以直接跳到对应路线。

技能树总览

路径一：应用开发者（3-6 个月）

回到总览：应用开发者路径。

阶段	时间	学习重点	产出
1. Prompt 与 API	1-2 周	结构化提示、上下文、函数/工具调用、失败样本记录	一个可配置的问答脚本
2. RAG 基础	3-5 周	文档切分、Embedding、向量库、召回与引用	一个带来源引用的知识库问答
3. Agent 工具调用	3-5 周	工具 schema、任务分解、错误恢复、人机确认	一个能调用 2-3 个工具的工作流助手
4. MCP 与集成	1-3 周	Host/Client/Server、权限边界、上下文注入	一个可复用的 MCP server 或 client demo
5. 生产实践	持续	评估、监控、成本、延迟、灰度发布	一份 release checklist 与评估集

建议项目：

1. 个人知识库 RAG：支持 Markdown/PDF，答案必须带引用。
2. 文档审查助手：按 checklist 输出风险、证据和建议改法。
3. 工具型 Agent：连接搜索、数据库或 GitHub issue，加入失败重试和审批。
4. 小型 MCP 服务：把本地文件、浏览器或业务 API 封装为工具。

路径二：算法工程师（6-12 个月）

回到总览：算法工程师路径。

阶段	时间	学习重点	产出
1. 前置补齐	4-8 周	Transformer、tokenization、优化器、验证集	能复述训练/推理链路
2. 数据工程	2-4 周	数据清洗、去重、合成、质量抽检	一份数据卡和清洗脚本
3. SFT/LoRA	4-6 周	指令数据、参数高效微调、显存估算	一个小模型 LoRA 实验
4. DPO/RLHF	4-8 周	偏好数据、奖励模型、直接偏好优化	一组偏好优化实验记录
5. 评估与部署	4-8 周	离线评估、红队、量化、推理服务	一份模型评估报告
6. 多模态扩展	可选 4-8 周	视觉编码器、连接器、多模态 RAG	一个图文问答或检索 demo

建议项目：

1. 指令数据质量评估：抽样标注、去重、分桶统计。
2. LoRA 微调实验：比较不同 rank、学习率和数据规模。
3. 偏好数据实验：构造 chosen/rejected，对比 SFT 与 DPO。
4. 推理服务压测：记录吞吐、延迟、显存和成本。

路径三：面试冲刺（2-6 周）

回到总览：面试冲刺路径。

阶段	时间	学习重点	产出
1. 术语速查	2-3 天	Token、Embedding、RAG、Agent、LoRA、DPO	一页个人术语卡
2. 高频问答	1-2 周	RAG、Agent、训练与微调的核心题	每题 2 分钟口述答案
3. 系统设计	1-2 周	知识库问答、客服 Agent、评估平台	2-3 张架构草图
4. 代码题	3-7 天	文本切分、Top-k、缓存、重试、评估脚本	可运行的小题模板
5. 项目复盘	3-7 天	指标、失败案例、权衡与迭代	STAR 格式项目叙述

建议顺序：面试专区 → 术语表 → Checklist → 系统设计与代码题。

模块依赖说明

• Prompt 是所有模块的入口：它训练你描述任务、约束输出和观察失败。
• RAG 是应用落地的核心：它把模型能力和外部知识连接起来。
• Agent 需要先理解工具调用，再谈规划、记忆和多智能体。
• MCP 是 Agent 工具生态的协议化补充，适合在有集成需求后学习。
• 训练与微调要先有数据和评估，否则很容易把问题“训练坏”。
• 多模态既可作为算法方向，也可作为 RAG/Agent 的输入扩展。

怎么判断可以进入下一阶段

当前阶段	可以进入下一阶段的信号
Prompt	能稳定复现同一任务的输入、输出和失败样本
RAG	能解释一次错误答案是召回、重排、上下文还是生成问题
Agent	能处理工具失败、权限确认、重试和中途停止
MCP	能说清 Host、Client、Server 各自保存什么状态
微调	能证明数据/提示/RAG 不能解决，再选择训练
评估	能把“感觉变好”转成样本、指标和对照实验

延伸入口

• 前置知识：补齐学习前的最低基础。
• 知识体系：查看六个技术模块如何连接。
• 实践项目：从项目反推应该学哪一章。