按目标建立你的 AI 学习路线
AI知识很多，但不需要从第一篇文章顺序读到最后一篇。先选择最接近当前目标的路线，沿主线建立完整认识；遇到需要深入的概念，再进入对应知识板块继续学习。
选择一条学习路线
每条路线都对应一套完整知识结构。先沿主线建立认识，需要深入时再进入相关知识板块。
零基础了解 AI
学完主线后，你应该能说清AI、机器学习、深度学习和大模型之间的关系，理解大模型为什么能生成、为什么会出错，并能安全地完成一次日常实践。
- 适合
- 第一次系统了解AI，希望先形成完整认识，再决定后续学习方向的读者。
- 主线投入
- 主线约6至10小时
看懂 AI 从哪里来
先用发展历程理解几次技术热潮，再认识AI的任务范围。这样遇到新模型时，不会把一次产品更新误认为整个AI的全部。
主线阅读
- 人工智能（AI）编年史建立从早期研究到大模型时代的时间线
- 什么是人工智能认识AI的范围、任务和基本边界
理解大模型怎样处理语言
认识Token、上下文和生成过程，理解模型看似会聊天，实际是在依据当前信息继续生成内容。
主线阅读
- 一文全面看懂什么是大模型建立语言模型能力、训练知识和当前输入的边界
- 什么是Token理解模型处理文字的基本单位
学会组织一次 AI 任务
把目标、材料、限制和输出要求交代清楚，让模型围绕任务工作，而不是只抛出一句模糊问题。
主线阅读
- 一文学会Prompt编写技巧掌握目标、材料、限制和输出结构
- 比提示词更重要：用好上下文学会为连续任务准备真正有用的信息
进入一个真实应用场景
从办公、图片、视频或数字人中选择一个场景，观察AI怎样嵌入完整工作流程，而不是只体验一次生成。
主线阅读
- 办公人群如何用AI写报告、做PPT和整理资料从资料进入可核验的办公交付
- AI图片生成入门观察提示、参考、生成、编辑和交付的连续过程
开发者转 AI 应用开发
学完主线后，你应该能理解模型如何学习和生成，能够按业务问题组合模型、上下文、知识、工具和状态，并为安全、评测、部署与维护留下清晰边界。
- 适合
- 已经具备常规软件开发经验，希望系统转向大模型应用、RAG、Agent或AI辅助开发的工程师。
- 主线投入
- 主线约16至24小时
建立 AI 技术全景
先用转型学习手册建立从传统开发走向AI应用的能力地图，再把规则系统、机器学习模型和大模型应用放在同一张图上，明确自己要转向的是哪一层开发工作。
主线阅读
- AI 应用开发转型学习手册先建立模型、RAG、Agent、评测、安全和生产化的完整能力地图
- 人工智能编年史理解不同技术路线出现的背景
- 什么是人工智能统一任务类型和能力范围
补齐必要的基础学科
数学、神经科学、心理学和物理学不是入场考试，而是理解模型、交互、控制和物理世界问题时随用随补的工具箱。
主线阅读
- 矩阵建立数据和模型计算中的基本表示
- AI为什么需要心理学基础理解反馈、信任和人机协作机制
理解模型怎样学习和评估
连接数据、训练、验证、神经网络和评估指标，为后面的模型选择与应用评测建立共同基础。
主线阅读
- 训练集、验证集、测试集区分训练过程和最终检验
- 分类模型评估指标理解指标必须与任务错误成本一起选择
进入语言模型与上下文
理解Token、Transformer、训练知识和当前上下文，避免把模型接口当成有永久记忆的数据库。
主线阅读
- 一文全面看懂什么是大模型建立语言模型能力和局限全景
- 图解Transformer原理理解当前大模型的重要结构基础
从一次调用走向完整应用
把业务任务拆成模型、上下文、工具、记忆和评测环节，先建立框架无关的系统视图。
主线阅读
- AI应用开发的核心链路理解应用闭环和各组件的职责边界
- 一文学会Prompt编写技巧把任务说明和输出约束落实到调用层
接入持续更新的知识
理解检索、切分、召回、生成和引用怎样连接，并知道RAG不能自动解决知识质量和检索失败。
主线阅读
- 一文看懂什么是RAG建立检索增强生成的基础流程
- 构建RAG系统的核心策略观察召回、切分和评测怎样影响结果
接入工具和自主执行
把MCP、Skills和Agent放回问题本身：知识从哪里来、工具怎样连接、何时需要模型动态决定下一步。
主线阅读
- RAG、Agent、MCP之间的关系避免把三个概念当成互斥技术方案
- 一文看懂MCP理解工具发现、调用和授权边界
把可靠性放进工程交付
最后处理规则、权限、提示注入、失败样例、任务评测、算力和维护，让系统的完成可以被证明。
主线阅读
- AI辅助开发不只是工具把规则、上下文、修改和验证组成工程闭环
- 什么是提示注入理解外部内容与高权限工具形成的攻击链
产品经理理解 AI 产品
学完主线后，你应该能从用户任务判断需求是否适合AI，把产品功能拆成真实系统能力，并通过失败处理、评测、合规和运营指标决定产品能否上线。
- 适合
- 需要设计AI功能、判断AI需求、协调研发或负责AI产品上线的产品经理和业务负责人。
- 主线投入
- 主线约10至16小时
理解 AI 与大模型
先统一AI、大模型、自动化和产品功能的范围，避免讨论需求时所有人说的是不同东西。
主线阅读
- 什么是人工智能建立AI任务和能力边界
- 一文全面看懂什么是大模型理解生成能力、上下文和事实局限
判断需求是否适合 AI
从用户价值、任务特征、数据条件、错误成本和可验证性出发，先判断问题值不值得用AI解决。
主线阅读
- 人工智能应用领域和场景观察不同任务如何使用AI能力
- 企业AI使用情况调查报告从真实企业采用情况观察常见落点
理解产品背后的应用链路
把一个AI功能拆成模型、上下文、知识、工具、状态和评测，明确每项产品能力由哪个环节提供。
主线阅读
- AI应用开发的核心链路建立从用户任务到系统组件的整体视图
- RAG、Agent、MCP之间的关系理解知识、工具和动态决策的分工
设计交互和人机协作
AI输出存在不确定性，产品需要设计澄清、反馈、信任、证据展示、撤销和人工接管，而不是只设计一个输入框。
主线阅读
- AI为什么需要心理学基础理解反馈、信任和认知偏差
- 一文学会Prompt编写技巧用低成本方式验证任务说明和输出结构
建立失败与评测体系
用代表性任务和失败样例评估产品，不只看演示效果；把正确性、帮助程度、成本、延迟和人工复核一起放进验收。
主线阅读
- 训练集、验证集、测试集借用数据划分思想理解评测独立性
- AI安全实践入门把敏感输入、错误输出和高风险动作放进测试
处理合规与发布边界
在上线前检查数据、供应商、生成内容、用户告知和责任归属，让合规要求进入产品流程而不是停在审批文档里。
主线阅读
- 企业使用AI需要关注哪些合规风险建立数据、供应商、内容和用户关系检查框架
上线、观察和迭代
上线不是终点。持续观察质量、延迟、成本、人工接管和用户反馈，决定继续投入、调整能力边界或退出。
主线阅读
- AI算力资源入门理解性能、容量和成本背后的基础约束
- AI辅助开发不只是工具借鉴规则、上下文和评测的持续改进方式
办公、编辑和自媒体用 AI 提效
学完主线后，你应该能把AI放进资料、写作、视觉和发布流程，知道哪些环节适合交给模型、哪些判断必须由人完成，并形成可重复使用的工作模板。
- 适合
- 需要处理资料、写报告、做PPT、编辑文章或生产图片视频内容的办公和内容工作者。
- 主线投入
- 主线约8至12小时
理解工具能力和边界
先知道模型擅长生成、总结、改写和归纳，也知道它不能替你确认事实、承担判断和发布责任。
主线阅读
- 一文全面看懂什么是大模型理解生成能力、上下文和事实局限
- AI安全实践入门建立敏感输入和结果核验边界
组织任务和材料
把目标、读者、原始材料、限制、参考样例和输出格式放到同一次任务中，减少反复猜测和空泛生成。
主线阅读
- 一文学会Prompt编写技巧掌握清晰任务说明的基本结构
- 比提示词更重要：用好上下文为连续工作准备真正有用的上下文
整理资料并核验来源
先从原始资料建立事实表和出处，再让AI参与归纳、比较和结构整理，避免把生成内容当作资料来源。
主线阅读
- 办公人群如何用AI写报告、做PPT和整理资料建立从资料到报告和PPT的可核验流程
写作、编辑和形成交付件
让AI参与大纲、草稿和修改，但最终结构、取舍、观点和语气仍由作者负责。
主线阅读
- 如何让AI编写的文章去除AI味把模型草稿改成有作者判断的文章
- 办公人群如何用AI写报告、做PPT和整理资料把写作放回完整交付过程
建立发布边界和工作模板
发布前检查隐私、版权、来源、事实、平台规则和敏感表达，并把成熟做法沉淀成可重复使用的模板。
主线阅读
- 企业使用AI需要关注哪些合规风险从数据、内容和责任角度检查公开交付
- AI安全实践入门完成发布前安全检查
企业技术负责人做 AI 选型
学完主线后，你应该能从业务用例而不是技术热词出发，比较应用架构和交付路线，评估算力与成本，并把安全、合规、运营和退出条件写进项目决策。
- 适合
- 需要负责企业AI项目立项、技术路线、供应商、基础设施或长期运营的技术负责人和架构负责人。
- 主线投入
- 主线约14至22小时
选择值得验证的用例
比较业务价值、数据条件、错误成本、可验证性和组织准备度，先决定做什么，再讨论模型和平台。
主线阅读
- 企业AI使用情况调查报告观察企业真实采用场景和技术组合
- 人工智能应用领域和场景建立候选任务范围
设计目标应用架构
决定模型、知识、工具、状态和评测怎样组合，避免把RAG、Agent和MCP当成互斥采购项。
主线阅读
- AI应用开发的核心链路建立从业务任务到应用组件的整体视图
- RAG、Agent、MCP之间的关系按知识、工具和动态决策选择组合
比较自建、采购、API和开源部署
从控制力、交付速度、总成本、数据边界、人才要求和供应商依赖比较路线，不寻找所有场景通用的答案。
主线阅读
- AI应用国产化迁移与服务器选型以具体迁移场景观察软硬件和兼容性约束
- 大模型配置硬件参考自查表建立模型规模与硬件资源的初步关系
评估算力和基础设施
让芯片、显存、网络、存储、集群和资源共享服从实际负载，而不是从采购清单倒推项目。
主线阅读
- AI算力资源入门建立算力各组成部分的整体关系
- 从一张GPU到AI集群理解节点、任务、并行和调度
决定是否需要微调
比较提示、上下文、RAG和微调分别解决的问题，避免把模型训练当成所有企业AI项目的默认步骤。
主线阅读
- 大模型微调技术与流程理解微调背景、分类、数据和完整流程
- 一文看懂什么是RAG比较知识接入和模型行为调整
建立安全与合规门槛
把数据、供应商、工具权限、日志、用户告知和责任归属写进选型，不等项目上线后再补。
主线阅读
- 企业使用AI需要关注哪些合规风险建立企业项目的合规检查框架
- 什么是提示注入理解外部内容与工具权限形成的攻击路径
PoC、验收、运营和退出
用质量、成本、延迟、可用性、人工接管和供应商退出条件决定是否立项与继续投入。
主线阅读
- AI辅助开发不只是工具借鉴规则、评测和持续验证的工程闭环
- AI安全实践入门把运行期风险纳入验收和运营
安全、法务和管理者理解 AI 风险
学完主线后，你应该能沿着数据和动作链识别AI风险，理解提示注入与工具权限，区分技术控制和法律要求，并为治理、审计和事件响应建立责任与证据。
- 适合
- 需要评估企业AI安全、隐私、合规、供应商、审计或管理责任的安全、法务、内控和管理人员。
- 主线投入
- 主线约12至18小时
本路径用于一般知识学习和内部讨论，不构成法律、合规或安全意见。具体事项应结合业务所在地、处理活动和最新规则，由授权专业人员复核。
理解 AI 系统和数据流
先看清模型、上下文、知识库、工具、输出和日志分别在哪里产生数据与动作，风险判断才不会停留在抽象词汇上。
主线阅读
- 一文全面看懂什么是大模型理解模型能力、训练知识和当前上下文
- AI应用开发的核心链路建立模型、知识、工具、状态和评测的系统视图
检查模型、应用和供应链
把模型来源、外部框架、插件、知识库、更新过程和供应商服务纳入资产与变更管理。
主线阅读
- AI应用国产化迁移与服务器选型从迁移和兼容性场景观察软硬件供应链
- 一文了解LangChain以应用框架为例识别外部组件边界
处理数据、内容与法规
把个人信息、供应商数据处理、生成内容、版权、告知和具体法规放回真实处理活动中判断。
主线阅读
- 企业使用AI需要关注哪些合规风险建立数据、供应商、内容、用户关系和责任检查框架
- 人工智能拟人化互动服务管理暂行办法观察具体服务如何判断适用范围与义务
建立治理、责任和审计
把审批、责任人、日志、证据、例外和定期复核放进日常运营，让风险控制可以被证明。
主线阅读
- AI安全实践入门把输入、权限、输出和记录转为治理检查项
- 企业使用AI需要关注哪些合规风险连接业务场景、供应商和内部责任