基础概念
基础编程直觉
理解变量、函数、API调用、数据流动等最基本概念，以便能读懂AI生成代码的大致逻辑
建议预留 45 分钟
学习目标
- 理解变量与数据类型含义
- 理解函数与API调用的概念
- 理解基本的数据流动方向
关键概念
- 变量
- 函数
- API调用
- 数据流
为什么学习
- 非编程背景只需能'看得懂'AI生成代码的大致结构和数据流，无需动手书写代码
如何检验理解
- 能指着一段简单AI生成代码指出其中的变量、函数调用与数据流动方向
基础概念
AI、机器学习、深度学习概念辨析
区分人工智能、机器学习、深度学习三大范畴及其与当前大语言模型的关系，建立宏观地图
建议预留 30 分钟
学习目标
- 区分AI/ML/DL的从属关系
- 理解LLM在整个图谱中的位置
关键概念
- 人工智能
- 机器学习
- 深度学习
- 大语言模型
为什么学习
- 必须能用自己的话准确区分这些从属关系，这是后续所有AI概念交流的基石
如何检验理解
- 能用图示或类比准确说明AI、ML、DL的包含关系并举例
基础概念
机器学习流程概览
理解数据准备、训练、评估、部署的宏观流程，为理解现代AI应用建立一个全局框架
建议预留 40 分钟
学习目标
- 掌握机器学习宏观流程
- 理解训练与推理的区别概念
关键概念
- 数据准备
- 模型训练
- 评估
- 部署
- 推理
为什么学习
- 只需在心中有一张流程地图即可，为后续理解RAG、微调、推理等概念提供上下文坐标
如何检验理解
- 能按顺序讲述一遍完整机器学习流程并说出每步的目的
核心技能
神经网络基础
理解神经元、层、激活函数与前向传播的概念，为理解Transformer架构打底
建议预留 60 分钟
学习目标
- 理解神经元与层结构
- 理解前向传播的概念
- 理解网络如何学习模式
关键概念
- 神经元
- 层
- 激活函数
- 前向传播
为什么学习
- 现代所有LLM都建立在神经网络之上，需理解其基本工作逻辑，但不要求数学推导
如何检验理解
- 能用'逐层提取特征'的直觉解释神经网络的运作方式
补充知识
深度学习与Transformer前身
了解反向传播、RNN的序列处理局限等概念，帮助理解为什么Transformer被发明
建议预留 45 分钟
学习目标
- 了解反向传播的概念
- 理解RNN处理长序列的瓶颈
- 理解Transformer出现的动机
关键概念
- 反向传播
- RNN
- 梯度问题
- 序列建模
为什么学习
- 这块只需知道简介即可——目标不是深究深度学习机制，而是理解Transformer如何解决旧架构的局限
如何检验理解
- 能说出RNN在处理长序列时的主要局限并解释为什么需要注意力机制
基础概念
数据表示与向量基础
理解现实数据如何表示成数字与向量，为后续嵌入向量与RAG奠定概念基础
建议预留 50 分钟
学习目标
- 理解数据如何被数值化
- 理解向量与高维空间的概念
- 理解相似度/距离的直觉含义
关键概念
- 数值化
- 向量
- 高维空间
- 相似度
为什么学习
- 向量是理解嵌入和向量数据库的前提，需要概念层面的认识，不需要手算线性代数
如何检验理解
- 能用'把对象映射到数字列表'解释向量的本质并理解维度含义
核心技能
Transformer架构原理
理解注意力机制、编码器解码器结构，以及它为何成为现代LLM的基石
建议预留 90 分钟
学习目标
- 理解自注意力机制的核心思想
- 理解编码器/解码器结构差异
- 理解Transformer为何优于旧序列模型
关键概念
- 自注意力
- 编码器
- 解码器
- 多头注意力
- 位置编码
为什么学习
- 这是目标能力地图中'深刻理解'的核心，需真懂注意力如何让模型同时关注输入各部分，是交流锚点
如何检验理解
- 能用'让每个词同时看到句子其他词并加权决定关注度'解释注意力机制
核心技能
Embedding与向量嵌入
理解文本如何被转换为语义向量，语义相近的内容向量距离更近
建议预留 50 分钟
学习目标
- 理解嵌入向量的含义
- 理解语义相似度与向量距离的关系
关键概念
- 嵌入向量
- 语义相似度
- 维度
- 相似检索
为什么学习
- 嵌入是RAG的基石，需理解'语义转数值'的映射逻辑及相似检索的原理
如何检验理解
- 能解释'猫'与'狗'的词向量比'猫'与'汽车'更接近的原因
核心技能
大语言模型(LLM)基础
掌握token、上下文窗口、幻觉、预训练/微调/推理等LLM核心概念，理解其能力与边界
建议预留 60 分钟
学习目标
- 理解token与上下文窗口
- 理解预训练/微调/推理区别
- 理解幻觉产生机制
关键概念
- token
- 上下文窗口
- 微调
- 推理
- 幻觉
为什么学习
- LLM是目标术语体系的核心，需准确理解token切分、上下文限制与幻觉成因，是交流高频词汇
如何检验理解
- 能解释什么是token、为什么有上下文窗口限制、幻觉如何产生
补充知识
向量数据库概念
理解嵌入向量如何被存储与相似检索，认识Pinecone、FAISS、Chroma等方案
建议预留 40 分钟
学习目标
- 理解向量数据库的作用
- 认识常见向量数据库方案
关键概念
- 向量存储
- 近似最近邻
- Pinecone
- FAISS
- Chroma
为什么学习
- 向量数据库是RAG落地的基础设施，认识其作用与常见产品即可，无须建库操作
如何检验理解
- 能解释向量数据库按语义相似度检索的原理并列举两三个常见产品
核心技能
提示工程(Prompt Engineering)
掌握few-shot、思维链、角色设定等提示技巧，学会与模型高效沟通以提升输出质量
建议预留 60 分钟
学习目标
- 掌握零样本与few-shot提示
- 理解思维链(CoT)技巧
- 能设计结构化提示
关键概念
- few-shot
- 思维链
- 角色设定
- 指令清晰性
为什么学习
- 这是能直接上手练习的能力，需在真实工具中反复使用并观察效果变化
如何检验理解
- 能分别用普通与few-shot提示让同一需求得到明显更好的输出并说明差异原因
核心技能
RAG检索增强生成
理解检索-注入-生成的流程，明白RAG为什么能让AI引用外部知识并提升准确性
建议预留 60 分钟
学习目标
- 理解RAG三环节流程
- 理解知识库如何注入上下文
- 理解RAG为何提升准确性
关键概念
- 检索
- 嵌入
- 知识库
- 上下文注入
- 幻觉缓解
为什么学习
- RAG是目标核心能力，需真正理解向量化、检索、知识注入三环节的协作关系
如何检验理解
- 能完整讲述RAG的检索-注入-生成流程并解释它如何缓解幻觉
核心技能
AI Agent概念
理解agent的自主性、工具调用、规划-执行-反思循环等核心概念
建议预留 50 分钟
学习目标
- 理解agent自主性与工具调用
- 理解规划-执行-反思循环
- 区分agent与普通对话机器人
关键概念
- 自主性
- 工具调用
- 规划-执行-反思
- 多步推理
为什么学习
- Agent是目标能力核心，需理解其如何自主拆解任务、调用工具并按循环执行
如何检验理解
- 能用规划-执行-反思框架解释一个agent完成任务的过程
补充知识
AI伦理、偏见与局限性
理解AI幻觉、偏见、安全对齐、版权等议题，能参与有深度的讨论
建议预留 45 分钟
学习目标
- 理解幻觉的伦理影响
- 理解偏见与公平性问题
- 了解安全对齐与版权议题
关键概念
- 偏见
- 公平性
- 安全对齐
- 版权
- 可解释性
为什么学习
- 能听懂并与同学讨论AI的社会与技术风险即可，属社交与认知的加分项
如何检验理解
- 能就某个AI伦理议题（如偏见或版权）表达自己的看法并举出实例
补充知识
开源生态与行业格局
了解主流模型、开源vs闭源差异、HuggingFace生态与行业趋势
建议预留 40 分钟
学习目标
- 认识主流模型与厂商
- 理解开源vs闭源的差异
- 了解HuggingFace生态定位
关键概念
- 开源
- 闭源
- HuggingFace
- 模型生态
- 模型炼金
为什么学习
- 只需认识生态版图与主流玩家即可，方便跟上业界聊天话题，无须技术细节
如何检验理解
- 能列举几个主流模型及其出自的开源/闭源阵营并说明其差异意义
核心技能
Harness概念
理解agent harness作为控制层如何调度工具、管理上下文、约束agent行为边界
建议预留 40 分钟
学习目标
- 理解harness作为控制层的角色
- 理解上下文与工具调度
- 理解对agent行为的约束意义
关键概念
- 控制层
- 工具调度
- 上下文管理
- 行为约束
- 策略
为什么学习
- Harness是agent开发关键的控制/编排概念，需理解框架为何要限制agent自主行为并在给定边界内调度工具与上下文
如何检验理解
- 能解释harness如何决定agent能用哪些工具、遵循什么策略、如何管理上下文
补充知识
LangChain框架认知
理解LangChain作为LLM应用编排框架的定位，认识chains、components、integrations等概念
建议预留 40 分钟
学习目标
- 理解LangChain的框架定位
- 认识chains与components概念
- 了解其整合生态
关键概念
- 编排
- chains
- components
- integrations
为什么学习
- 目标是能与同学谈到LangChain时接上话，认识定位与核心组件即可，不深究API实现
如何检验理解
- 能说出LangChain是组织LLM应用链路的框架并列举其核心组件
核心技能
AI工具使用
熟练使用ChatGPT、Claude、Cursor等主流AI工具，能清晰、准确地表达需求
建议预留 60 分钟
学习目标
- 熟练使用主流AI对话工具
- 能清晰表达需求背景与约束
- 学会根据反馈迭代追问
关键概念
- 提示质量
- 迭代
- 工具选择
- 需求表达
为什么学习
- 这是能立即动手的能力，需在实践中不断打磨从提问到达成目标的交互能力
如何检验理解
- 能用主流AI工具独立完成一个需求并从迭代中成功获得满意的输出
补充知识
LangGraph框架认知
理解LangGraph基于状态图的agent工作流编排理念，以及它与LangChain的定位差异
建议预留 35 分钟
学习目标
- 理解状态图工作流概念
- 理解与LangChain的定位差异
关键概念
- 状态图
- 节点与边
- 消息状态
- agent工作流
为什么学习
- 只需认识其基于图状态的工作流思路及相对LangChain更侧重agent编排的差异即可
如何检验理解
- 能对比说明LangChain链式与LangGraph图状态式工作流的不同
核心技能
Vibecoding方法论
掌握用AI辅助描述需求、生成代码并通过迭代反馈优化的方法论，不依赖手写代码
建议预留 50 分钟
学习目标
- 理解vibecoding工作流
- 掌握迭代反馈策略
- 理解其适用范围与局限
关键概念
- 需求描述
- 代码生成
- 迭代反馈
- 人机协作
为什么学习
- vibecoding是目标核心软技能，需掌握'描述-生成-验证-迭代'的工作节奏并理解其局限
如何检验理解
- 能完整演示一次用AI从需求描述到产出可运行代码的vibecoding回合流程
核心技能
需求拆解思维
能将模糊想法拆解为可让AI理解并执行的具体、可验证的需求描述
建议预留 50 分钟
学习目标
- 掌握需求拆解四要素
- 能将模糊想法结构化
- 能设计可验证的验收标准
关键概念
- 需求拆解
- 描述结构化
- 验收标准
- 约束定义
为什么学习
- 这是vibecoding的核心转化能力，需能把任意模糊想法迁移为结构化、可执行的AI指令
如何检验理解
- 能把一个模糊想法拆成输入、处理步骤、约束、验收标准四要素的清晰需求描述
核心技能
AI术语串讲与交流表达
综合串讲Agent、RAG、Transformer、token、温度等全谱术语，达成与AI同学正常攀谈的能力闭环
建议预留 60 分钟
学习目标
- 串接全部核心AI术语
- 能准确区分相近概念
- 能用日常语言讲清AI概念与人对话
关键概念
- 术语体系
- 概念串联
- 技术沟通
- 表达准确性
为什么学习
- 这是验收里程碑——把全路径术语串成体系，达到能用准确语言与计算机背景同学沟通的目标
如何检验理解
- 能在一次非正式交流中连贯使用核心术语解释一个AI话题并让对方理解
前置关系与知识联系
- 深度学习与Transformer前身 → Transformer架构原理
- Vibecoding方法论 → 需求拆解思维
- Harness概念 → AI术语串讲与交流表达
- AI、机器学习、深度学习概念辨析 → 神经网络基础
- Transformer架构原理 → 大语言模型(LLM)基础
- 机器学习流程概览 → 数据表示与向量基础
- 大语言模型(LLM)基础 → AI伦理、偏见与局限性
- AI Agent概念 → Harness概念
- LangChain框架认知 → AI术语串讲与交流表达
- Embedding与向量嵌入 → RAG检索增强生成
- 大语言模型(LLM)基础 → 开源生态与行业格局
- AI、机器学习、深度学习概念辨析 → 机器学习流程概览
- LangChain框架认知 → LangGraph框架认知
- 神经网络基础 → 深度学习与Transformer前身
- AI工具使用 → Vibecoding方法论
- 提示工程(Prompt Engineering) → AI工具使用
- 大语言模型(LLM)基础 → AI Agent概念
- Vibecoding方法论 → AI术语串讲与交流表达
- LangChain框架认知 → Vibecoding方法论
- Transformer架构原理 → Embedding与向量嵌入
- Harness概念 → Vibecoding方法论
- AI Agent概念 → LangChain框架认知
- RAG检索增强生成 → LangChain框架认知
- Embedding与向量嵌入 → 向量数据库概念
- 大语言模型(LLM)基础 → RAG检索增强生成
- 数据表示与向量基础 → Embedding与向量嵌入
- 向量数据库概念 → AI术语串讲与交流表达
- 大语言模型(LLM)基础 → 提示工程(Prompt Engineering)
结合互动地图查看具体关系类型，再选择下一步。