给工程师的 AI 学习地图

📍 最短路径（2-4 周）

不需要从 L0 开始——直接上 L4：

1. L4-01：LLM 是怎么炼成的（理解模型背后逻辑）
2. L4-02：Prompt 进阶技巧
3. L4-03：RAG 从 0 到 1（最常见的 LLM 应用模式）
4. L4-04：Agent 构建
5. L4-09：Tool Use 工程实战
6. L4-07：MCP 协议
7. 选 LLM 决策树 + 成本对照

🔧 必备 2026 LLM 应用栈

⚠️ 反复念叨：**框架可有可无，先用 raw API 写一遍**。 LangChain / LangGraph 在原型阶段提速 50%，但生产代码 70% 的人最后都自己重写了——理解原理后再决定要不要用。

🎯 推荐学习项目（学完就有竞争力）

1. 个人知识库 RAG：把你的 Notion / Obsidian 接 RAG，问"我去年关于 X 的笔记说了啥"
2. 命令行 AI Agent：能自己读文档、运行 shell、写代码、提 PR
3. MCP Server：写一个连你公司内部 API 的 MCP Server，让 Claude / Cursor 直接调
4. Multi-agent 协作：研究 Agent + 写作 Agent + 校对 Agent 配合产出
5. LLM 评估系统：给你的 LLM 应用建 eval set + 自动 regression test

❓ 常见问题

我是 Web 开发，想做 AI 产品该学啥？

L4 + L0-11 词汇表 + RAG vs 微调。 关键是能正确选择什么场景用什么技术——99% 的 AI 产品不需要训练模型，只需要会**用好** API + 工程化。

我要做后端，需要学训练 / 微调吗？

**不一定**。如果你的工作是"把 LLM 接进系统"——不用。如果你的工作是"做一个垂类小模型 / 用 LoRA 调风格"——需要 L1-L4 基础 + L4-05 LoRA。

需要会 PyTorch 吗？

取决于你做啥：

• **LLM 应用开发**：完全不需要
• **微调 / LoRA**：用 Transformers / Unsloth 库即可，不必深入 PyTorch
• **自己改模型架构 / 训练**：必须深入 PyTorch

本地 LLM 怎么跑？

• **最简单**：Ollama，命令行一行装一个模型
• **有 GUI**：LM Studio / Jan
• **高性能推理**：vLLM / SGLang（适合服务化）
• **Mac M 系列**：MLX 框架，原生 Apple Silicon 加速

怎么处理 LLM 的"不稳定"？

• **温度 0** 让输出更确定
• **结构化输出**（JSON Schema）减少格式错误
• **重试 + 校验**：解析失败就重试
• **Eval set**：固定 50-200 个测试样本，每次部署前跑
• **Fallback 路径**：LLM 失败时降级到规则 / 人工

怎么测一个 LLM 应用？

看 L4-08：LLM 评估。基本套路：

1. 建 ground truth 测试集（50-500 条）
2. 定 metric（accuracy / hallucination rate / 用户评分）
3. 每次改 prompt / 模型 → 跑 eval → 对比
4. 线上加 trace / log（Langfuse / Helicone）

LLM 应用上线后怎么省钱？

看 LLM 成本对照表 和 L4-15：Prompt Caching。主要套路：模型分层路由、Prompt Caching、Batch API、output 缩短。

开源 vs 闭源模型选哪个？

看 选 LLM 决策树。简单原则：**先用闭源 API 跑通业务，验证产品价值后再考虑自托管开源**。

🚀 下一步

• 系统看 L4 学习路径
• 挑工具：AI 工具大全
• 看真实案例：案例研究
• 跟踪前沿：资讯 + 论文精读