经常有朋友问我「AI 方向该怎么学」。这篇文章复盘我自己的学习路径，整理成一条从入门到落地的路线图。

第一阶段：打牢基础

不要急着追新框架，先把这几样吃透：

  • 数学直觉：线性代数、概率统计、微积分——重点是从几何角度建立直觉，而不是刷题
  • Python 工程能力：能写出结构清晰的代码，会用虚拟环境、包管理、调试工具
  • 机器学习基础：跟着 PyTorch 官方教程把经典模型手写一遍，比看视频有效得多

第二阶段：深度学习与 NLP

这个阶段的核心是「动手复现」：

  1. 从 MLP、CNN、RNN 到 Transformer，每个结构都自己实现一遍
  2. 精读经典论文：《Attention Is All You Need》《BERT》《GPT-3》
  3. 参加一两个 Kaggle 或天池比赛，完整走一遍数据处理到模型调优的流程

第三阶段：大模型应用开发

2023 年之后，大模型应用开发成为独立的技术方向，需要掌握：

# 一条最小的 LLM 应用链路
from openai import OpenAI

client = OpenAI(api_key="sk-...", base_url="https://api.deepseek.com/v1")

resp = client.chat.completions.create(
    model="deepseek-chat",
    messages=[{"role": "user", "content": "用一句话解释 RAG"}],
)
print(resp.choices[0].message.content)

围绕 API 调用，展开 RAG、Agent、微调、评测四条技术线，每条都值得投入时间实践。

第四阶段：工程化落地

算法做得出来，和系统跑得稳，是两种能力。工程化阶段需要补的课：

  • 服务化：FastAPI / gRPC、异步编程、流式输出（SSE）
  • 部署运维：Docker、Nginx、Linux、监控与日志
  • 性能优化：推理加速（量化、vLLM）、缓存策略、批处理

一点体会

AI 领域变化很快，但底层能力迁移性很强。与其焦虑「学不过来」，不如把每一层的基本功做扎实，新框架上手自然就快。真正的竞争力，是「从想法到稳定服务」的完整闭环能力。