技术学习记录知识图谱¶

本知识图谱涵盖 48 个知识领域、 920+文档（持续更新），为 AI 学习者提供全景式学习导航。

目录¶

• 知识体系全景图
• 核心学习路径
• 知识领域详解
• 基础层
• 核心层
• 应用层
• 工程层
• 跨领域知识关联
• 学习建议

知识体系全景图¶

总体架构图¶

graph TB
    subgraph 基础层["🏗️ 基础层"]
        MATH["数学基础"]
        PROG["编程语言"]
        ALGO["算法与数据结构"]
        CS_Basic["计算机基础"]
    end

    subgraph 核心层["🧠 核心层"]
        ML["机器学习"]
        DL["深度学习"]
        LLM["大语言模型"]
        RL["强化学习"]
        GEN["生成模型"]
    end

    subgraph 应用层["🎯 应用层"]
        NLP["自然语言处理"]
        CV["计算机视觉"]
        AGENT["AI Agent"]
        REC["推荐系统"]
        ROBO["具身智能"]
    end

    subgraph 工程层["⚙️ 工程层"]
        MLOPS["MLOps"]
        OPT["模型优化"]
        DEPLOY["部署运维"]
        TEST["测试与质量"]
        CODING["AI Coding工具链"]
    end

    MATH --> ML
    PROG --> ML
    ALGO --> ML
    CS_Basic --> MLOPS

    ML --> DL
    DL --> LLM
    DL --> GEN
    DL --> CV
    DL --> NLP
    LLM --> AGENT
    GEN --> CV
    RL --> AGENT

    NLP --> AGENT
    CV --> ROBO

    ML --> MLOPS
    DL --> OPT
    OPT --> DEPLOY
    MLOPS --> TEST
    PROG --> CODING

知识领域关系图¶

mindmap
  root((AI知识体系))
    基础知识
      数学基础
        线性代数
        概率统计
        微积分
        优化理论
      编程语言
        Python
        C++
        Java
        Go
        Rust
        TypeScript
      算法数据结构
        排序搜索
        动态规划
        图算法
        树结构
      计算机基础
        操作系统
        网络
        数据库
        Linux/Shell
    核心技术
      机器学习
        监督学习
        无监督学习
        集成学习
        特征工程
      深度学习
        CNN
        RNN
        Transformer
        注意力机制
      大语言模型
        Transformer架构
        预训练技术
        提示工程
        微调方法
      强化学习
        值函数方法
        策略梯度
        Actor-Critic
        多智能体
      生成模型
        GAN
        VAE
        扩散模型
        多模态生成
    应用方向
      自然语言处理
        文本分类
        序列标注
        机器翻译
        问答系统
      计算机视觉
        图像分类
        目标检测
        图像分割
        视觉Transformer
      AI Agent
        Agent框架
        工具调用
        RAG系统
        多Agent协作
      推荐系统
        协同过滤
        深度推荐
        召回排序
        冷启动
      具身智能
        机器人控制
        感知决策
        模拟环境
        Sim2Real
    工程实践
      MLOps
        实验管理
        模型版本
        CI/CD
        监控告警
      模型优化
        模型压缩
        量化推理
        分布式训练
        边缘部署
      系统设计
        架构设计
        高可用
        分布式
        性能优化

核心学习路径¶

路径一： AI 算法工程师 🧪¶

适合目标：产品化 AI 算法工程（ LLM/Agent/CV/推荐系统落地），论文为加分项而非必选项

flowchart LR
    subgraph 阶段1["阶段1: 基础构建 (2-3个月)"]
        A1[数学基础] --> A2[Python编程]
        A2 --> A3[算法数据结构]
    end

    subgraph 阶段2["阶段2: 机器学习 (2-3个月)"]
        B1[ML基础概念] --> B2[监督学习]
        B2 --> B3[无监督学习]
        B3 --> B4[模型评估]
    end

    subgraph 阶段3["阶段3: 深度学习 (3-4个月)"]
        C1[神经网络基础] --> C2[CNN/RNN]
        C2 --> C3[Transformer]
        C3 --> C4[生成模型]
    end

    subgraph 阶段4["阶段4: 专业方向 (3-6个月)"]
        D1[NLP/CV选择] --> D2[LLM深入]
        D2 --> D3[研究实践]
    end

    阶段1 --> 阶段2
    阶段2 --> 阶段3
    阶段3 --> 阶段4

详细路线（对齐 2026-2028 就业窗口）：

路径二： AI 应用开发 💻¶

适合目标：开发 AI 产品、构建 AI 应用、企业落地

flowchart LR
    subgraph 阶段1["阶段1: 编程基础 (1-2个月)"]
        A1[Python进阶] --> A2[Web开发基础]
        A2 --> A3[数据库操作]
    end

    subgraph 阶段2["阶段2: AI基础 (2个月)"]
        B1[ML基础] --> B2[DL入门]
        B2 --> B3[LLM基础]
    end

    subgraph 阶段3["阶段3: 应用开发 (2-3个月)"]
        C1[LLM应用开发] --> C2[RAG系统]
        C2 --> C3[Agent开发]
    end

    subgraph 阶段4["阶段4: 工程化 (2个月)"]
        D1[模型部署] --> D2[MLOps实践]
        D2 --> D3[系统设计]
    end

    阶段1 --> 阶段2
    阶段2 --> 阶段3
    阶段3 --> 阶段4

详细路线：

路径三：全栈 AI 工程师 🚀¶

适合目标：独立完成 AI 项目、全栈能力、创业/技术负责人

flowchart TB
    subgraph 前端能力["前端能力"]
        FE1[HTML/CSS/JS]
        FE2[React/Vue]
        FE3[前端工程化]
    end

    subgraph 后端能力["后端能力"]
        BE1[Python/Go]
        BE2[API设计]
        BE3[微服务架构]
    end

    subgraph AI能力["AI能力"]
        AI1[ML/DL基础]
        AI2[LLM应用]
        AI3[模型优化]
    end

    subgraph 运维能力["运维能力"]
        OP1[容器化Docker]
        OP2[云原生K8s]
        OP3[CI/CD]
    end

    前端能力 --> 全栈AI[全栈AI工程师]
    后端能力 --> 全栈AI
    AI能力 --> 全栈AI
    运维能力 --> 全栈AI

详细路线：

知识领域详解¶

基础层¶

📐 数学基础¶

数学是 AI 的基石，以下是最重要的数学领域：

graph LR
    subgraph 数学知识体系
        LA[线性代数] --> ML1[矩阵运算/特征值]
        CA[微积分] --> ML2[梯度/优化]
        PS[概率统计] --> ML3[贝叶斯/分布]
        OP[优化理论] --> ML4[凸优化/SGD]
        IT[信息论] --> ML5[熵/KL散度]
    end

💻 编程语言¶

graph TB
    subgraph Python生态["Python生态 (AI首选)"]
        PY_CORE[Python核心]
        PY_DATA[数据处理: NumPy/Pandas]
        PY_ML[机器学习: Scikit-learn]
        PY_DL[深度学习: PyTorch/TensorFlow]
    end

    subgraph 其他语言["其他语言"]
        CPP[C++: 高性能推理]
        GO[Go: 后端服务]
        JAVA[Java: 企业应用]
        RUST[Rust: 系统编程]
    end

    Python生态 --> AI开发[AI开发]
    其他语言 --> 工程落地[工程落地]

🔢 算法与数据结构¶

mindmap
  root((算法数据结构))
    基础数据结构
      数组与链表
      栈与队列
      哈希表
      树与图
    核心算法
      排序算法
      搜索算法
      动态规划
      贪心算法
    高级算法
      图算法
      字符串算法
      回溯算法
      并查集/线段树
    AI相关
      搜索策略
      优化算法
      梯度下降
      启发式算法

🖥️ 计算机基础¶

核心层¶

🤖 机器学习¶

graph TB
    subgraph 机器学习知识体系
        ML_BASE[基础概念] --> ML_SUP[监督学习]
        ML_BASE --> ML_UNSUP[无监督学习]

        ML_SUP --> ML_CLASS[分类]
        ML_SUP --> ML_REG[回归]

        ML_UNSUP --> ML_CLUST[聚类]
        ML_UNSUP --> ML_DIM[降维]

        ML_SUP --> ML_ENS[集成学习]
        ML_BASE --> ML_EVAL[模型评估]
        ML_BASE --> ML_FE[特征工程]
    end

    subgraph 进阶主题
        ML_BAYES[贝叶斯方法]
        ML_GNN[图神经网络]
        ML_SELF[自监督学习]
        ML_META[元学习]
    end

核心文档导航：

完整索引： 29-算法完整索引.md

🧠 深度学习¶

graph LR
    subgraph 基础组件["基础组件"]
        NN[神经网络基础]
        ACT[激活函数]
        LOSS[损失函数]
        OPT[优化器]
        REG[正则化]
    end

    subgraph 架构类型["架构类型"]
        CNN[卷积神经网络]
        RNN[循环神经网络]
        TRA[Transformer]
        GEN[生成模型]
    end

    subgraph 注意力机制["注意力机制"]
        SA[自注意力]
        CA[交叉注意力]
        MA[多头注意力]
    end

    基础组件 --> 架构类型
    注意力机制 --> TRA
    TRA --> GEN

核心文档导航：

📝 大语言模型 (LLM)¶

graph TB
    subgraph LLM技术栈
        ARCH[模型架构]
        PRE[预训练技术]
        FT[微调方法]
        PE[提示工程]
        INF[推理优化]
    end

    subgraph 应用开发
        RAG[RAG系统]
        AGENT[Agent开发]
        TOOL[工具调用]
        CHAIN[链式调用]
    end

    ARCH --> PRE
    PRE --> FT
    FT --> PE
    PE --> 应用开发
    INF --> 应用开发

🎮 强化学习¶

flowchart LR
    subgraph 基础["基础概念"]
        MDP[马尔可夫决策]
        VALUE[值函数]
        POLICY[策略]
    end

    subgraph 方法["核心方法"]
        DQN[DQN系列]
        PG[策略梯度]
        AC[Actor-Critic]
    end

    subgraph 应用["应用场景"]
        GAME[游戏AI]
        ROBO[机器人控制]
        NLP[对话系统]
        AGENT[智能Agent]
    end

    基础 --> 方法 --> 应用

🎨 生成模型¶

graph TB
    subgraph 生成模型家族
        GAN[GAN]
        VAE[VAE]
        DIFF[扩散模型]
        FLOW[流模型]
    end

    subgraph 应用领域
        IMG[图像生成]
        TEXT[文本生成]
        AUDIO[音频生成]
        VIDEO[视频生成]
        MULTI[多模态生成]
    end

    GAN --> IMG
    VAE --> IMG
    DIFF --> IMG
    DIFF --> MULTI

应用层¶

🗣️ 自然语言处理 (NLP)¶

graph LR
    subgraph 基础任务["基础任务"]
        PREP[文本预处理]
        REP[文本表示]
        CLASS[文本分类]
        SEQ[序列标注]
    end

    subgraph 高级任务["高级任务"]
        GEN[文本生成]
        MT[机器翻译]
        IE[信息抽取]
        QA[问答系统]
    end

    subgraph LLM时代["LLM时代"]
        PLM[预训练模型]
        LLM_APP[LLM应用]
        RAG[RAG系统]
        AGENT[Agent NLP]
    end

    基础任务 --> 高级任务 --> LLM时代

核心文档导航：

👁️ 计算机视觉 (CV)¶

graph TB
    subgraph 基础任务["基础任务"]
        CLS[图像分类]
        DET[目标检测]
        SEG[图像分割]
    end

    subgraph 进阶任务["进阶任务"]
        POSE[姿态估计]
        TRACK[目标跟踪]
        OCR[文字识别]
    end

    subgraph 新范式["新范式"]
        VIT[视觉Transformer]
        MULTI[多模态]
        GEN[视觉生成]
    end

    基础任务 --> 进阶任务 --> 新范式

🤖 AI Agent¶

flowchart TB
    subgraph Agent核心["Agent核心"]
        LLM[LLM大脑]
        MEM[记忆系统]
        PLAN[规划能力]
        TOOL[工具使用]
    end

    subgraph 架构模式["架构模式"]
        REACT[ReAct]
        COT[Chain of Thought]
        MULTI[多Agent协作]
        RAG[RAG增强]
    end

    subgraph 应用场景["应用场景"]
        CODE[代码助手]
        DATA[数据分析]
        AUTO[自动化任务]
        CHAT[智能对话]
    end

    Agent核心 --> 架构模式 --> 应用场景

📊 推荐系统¶

graph LR
    subgraph 召回阶段["召回阶段"]
        CF[协同过滤]
        CONTENT[内容召回]
        EMB[向量召回]
    end

    subgraph 排序阶段["排序阶段"]
        RANK[精排模型]
        RE[重排序]
    end

    subgraph 问题处理["问题处理"]
        COLD[冷启动]
        BIAS[偏差处理]
    end

    召回阶段 --> 排序阶段 --> 问题处理

🦾 具身智能与机器人¶

graph TB
    subgraph 感知["感知"]
        VISION[视觉感知]
        TOUCH[触觉感知]
        PROPRIO[本体感知]
    end

    subgraph 决策["决策"]
        POLICY[策略学习]
        PLAN[运动规划]
        CTRL[控制]
    end

    subgraph 执行["执行"]
        ACTUATOR[执行器]
        SIM[仿真环境]
        REAL[实机部署]
    end

    感知 --> 决策 --> 执行

工程层¶

⚙️ MLOps 与 AI 工程化¶

flowchart LR
    subgraph 开发阶段["开发阶段"]
        EXP[实验管理]
        VERSION[模型版本]
        TRACK[指标追踪]
    end

    subgraph 部署阶段["部署阶段"]
        BUILD[模型构建]
        TEST[模型测试]
        DEPLOY[模型部署]
    end

    subgraph 运维阶段["运维阶段"]
        MONITOR[监控告警]
        LOG[日志管理]
        SCALE[弹性扩展]
    end

    开发阶段 --> 部署阶段 --> 运维阶段

🔧 模型优化¶

graph TB
    subgraph 压缩技术["压缩技术"]
        PRUNE[剪枝]
        DISTILL[知识蒸馏]
        QUANT[量化]
    end

    subgraph 推理优化["推理优化"]
        CACHE[KV缓存]
        SPEC[推测解码]
        FLASH[FlashAttention]
    end

    subgraph 部署方案["部署方案"]
        CLOUD[云端部署]
        EDGE[边缘部署]
        DIST[分布式推理]
    end

    压缩技术 --> 推理优化 --> 部署方案

核心文档导航：

🛠️ AI Coding 工具链¶

v5.2 新增（ 11 章）：覆盖 Cursor / GitHub Copilot / Claude Code 深度使用，贯穿整个学习和研发周期

graph LR
    subgraph 工具生态["AI Coding 工具生态"]
        CURSOR[Cursor 深度使用]
        COPILOT[GitHub Copilot 精通]
        CLAUDE[Claude Code]
    end

    subgraph 能力类型["提效能力"]
        GEN[代码生成]
        REVIEW[代码审查]
        DEBUG[辅助调试]
        REFACTOR[重构优化]
    end

    工具生态 --> 能力类型

💡 使用建议：从 Phase 0 起全程使用 AI Coding 工具，可有效将实验效率提升 3-5 倍。参见学习路线-就业导向.md Phase 0 第 0.3 节。

🏗️ 系统设计¶

graph TB
    subgraph 方法论["方法论"]
        METHOD[设计方法]
        COMP[核心组件]
        STORAGE[存储设计]
    end

    subgraph 分布式["分布式"]
        DIST[分布式基础]
        HA[高可用设计]
        DR[容灾设计]
    end

    subgraph AI系统["AI系统"]
        AI_SYS[AI系统设计]
        ML_PIPE[ML流水线]
        INFRA[基础设施]
    end

    方法论 --> 分布式 --> AI系统

🛠️ AI Coding 工具链¶

2026-2028 年 JD 新增频率最快的技能项（年增幅 ↑↑↑），与所有学习阶段并行使用

学习策略：从 Phase 0 开始全程使用 AI 编程工具，效率提升 3-5 倍。工具本身不是独立学习模块，而是嵌入所有学习阶段的基础能力。

跨领域知识关联¶

知识依赖关系图¶

graph TB
    subgraph 数学基础["数学基础"]
        MATH1[线性代数]
        MATH2[概率统计]
        MATH3[微积分]
        MATH4[优化理论]
    end

    subgraph ML核心["ML核心"]
        ML1[监督学习]
        ML2[无监督学习]
        ML3[特征工程]
    end

    subgraph DL核心["DL核心"]
        DL1[CNN]
        DL2[RNN]
        DL3[Transformer]
    end

    subgraph 应用领域["应用领域"]
        APP1[NLP]
        APP2[CV]
        APP3[推荐]
        APP4[Agent]
    end

    MATH1 --> ML1
    MATH2 --> ML1
    MATH3 --> DL3
    MATH4 --> ML3

    ML1 --> DL1
    ML1 --> DL2
    ML3 --> APP3

    DL1 --> APP2
    DL2 --> APP1
    DL3 --> APP1
    DL3 --> APP4

    APP1 --> APP4

跨领域知识点映射¶

技术栈交叉矩阵¶

graph LR
    subgraph 技术栈交叉
        direction TB

        subgraph NLP["NLP"]
            N1[文本分类]
            N2[序列标注]
            N3[文本生成]
        end

        subgraph CV["CV"]
            C1[图像分类]
            C2[目标检测]
            C3[图像生成]
        end

        subgraph 共享技术["共享技术"]
            S1[Transformer]
            S2[Attention]
            S3[预训练]
            S4[对比学习]
        end

        NLP --> S1
        CV --> S1
        NLP --> S2
        CV --> S2
        NLP --> S3
        CV --> S3
        NLP --> S4
        CV --> S4
    end

学习建议¶

按背景分类¶

🎓 计算机专业学生¶

优势：编程能力强、计算机基础扎实 建议路径：

1. 补充数学基础（重点：概率统计、线性代数）
2. 快速过 ML 基础概念
3. 深入 DL 和 LLM
4. 选择专业方向深入

推荐起点：机器学习/README.md

📐 数学/统计专业学生¶

优势：数学基础扎实、理论理解快 建议路径：

1. 强化编程能力（ Python + 工程实践）
2. 理论结合实践，多做项目
3. 关注工程化能力
4. 研究方向可深入理论

推荐起点：Python 开发/ → 深度学习/00-学习指南.md

💼 转行工程师¶

优势：工程经验丰富、理解业务 建议路径：

1. 快速补充 ML/DL 核心概念
2. 重点关注应用开发
3. 结合业务场景实践
4. 逐步深入原理

推荐起点：LLM 应用/ → AI Agent 开发实战/

🔬 科研人员¶

优势：研究方法、论文阅读 建议路径：

1. 深入算法原理
2. 关注前沿论文
3. 复现 SOTA 方法
4. 创新改进

推荐起点：科研方法与论文写作/ → 机器学习/25-核心理论.md

按目标分类¶

🎯 目标：算法工程师（ AI 算法/大模型/Agent 就业方向）¶

总时长约 15 个月，详细规划参阅：学习路线-就业导向.md

必读： - 机器学习/ - 深度学习/ - LLM 学习/ - LLM 应用/ - AI Agent 开发实战/ - 面试题库/

🎯 目标： AI 应用开发¶

必读： - LLM 应用/ - AI Agent 开发实战/ - MLOps 与 AI 工程化/

🎯 目标：全栈 AI¶

学习资源索引¶

快速导航¶

按学习阶段¶

• 🔰 入门阶段（ Phase 0→1 ）：AI Coding 工具链/ + Git 与版本控制/ + Linux 与 Shell/ + AI 编程实战/01 → Python 开发/ → AI 数学基础/ → 机器学习/README.md → 深度学习/00-学习指南.md
• 📚 进阶阶段（ Phase 2→3 · 重点）：LLM 学习/ → LLM 应用/（ RAG + 微调 + Agent 全部 P0 内容，最核心） → 自然语言处理/ 或 计算机视觉/
• 🚀 应用阶段（ Phase 4→5 ）：AI Agent 开发实战/（全 16 章）→ MLOps 与 AI 工程化/ → AI 系统设计面试/
• 💼 求职阶段（ Phase 6 ）：面试题库/22-大模型核心八股文.md → 面试题库/ → 简历与求职/ → AI 系统设计面试/

按技术方向¶

• 🤖 LLM/Agent：LLM 学习/ → LLM 应用/ → AI Agent 开发实战/
• 🎨 AIGC/生成模型：扩散模型学习/ → ComfyUI 实战/ → 深度学习/05-生成模型/
• 📊 推荐系统：推荐系统/ → 机器学习/
• 🦾 具身智能：具身智能与机器人 AI/ → 强化学习/
• 🛠️ AI Coding / 工程提效：AI Coding 工具链/ → AI 编程实战/ → MLOps 与 AI 工程化/

📝 维护说明：本知识图谱会随仓库内容更新而持续迭代。如发现链接失效或内容建议，欢迎反馈。

最后更新： 2026 年 3 月