跳转至
AI 工程学习路线
AI 工程面试:从模型原理到现场交付
English
简体中文
正在初始化搜索引擎
zongyangbigpolo/awesome-ai-roadmap
Awesome AI Roadmap:AI 工程面试手册中文版
书稿
关于
LLM
多模态 AI
工具
Agent
RAG
框架与编排
AI 工程
AI 安全与治理
FDE
AI 工程学习路线
zongyangbigpolo/awesome-ai-roadmap
Awesome AI Roadmap:AI 工程面试手册中文版
书稿
书稿
AI 工程面试:从模型原理到现场交付
前言
怎样读这本书
致谢
参考资料与延伸阅读
作者与许可
关于
关于
关于作者与 Awesome AI Roadmap
编辑、引用与纠错规范
LLM
LLM
基础原理
基础原理
第一章:大语言模型与传统 NLP 的本质区别
第二章:Transformer 架构原理
第三章:MHA 的局限与 MQA、GQA、Flash Attention
第四章:位置编码
第五章:Tokenizer 分词器
训练与对齐
训练与对齐
第六章:大模型的三阶段训练流程
第七章:Scaling Law 与涌现能力
第八章:大模型微调方案
第九章:LoRA 深入解析
第十章:Post-Training 方法全景
第十一章:DPO vs PPO 深度对比
推理与部署
推理与部署
第十二章:解码策略
第十三章:Temperature、Top-P、Top-K 调参
第十四章:KV Cache 与 Prompt Caching
第十五章:模型量化
第十九章:MoE 混合专家模型
第二十章:部署框架选型
Prompt 与可靠性
Prompt 与可靠性
第十六章:Prompt 工程
第十七章:CoT 思维链
第十八章:幻觉的成因与缓解
评测与选型
评测与选型
第二十一章:能力评测指标
第二十二章:模型选型实践
多模态
多模态
第二十三章:多模态模型
多模态 AI
多模态 AI
基础与架构
基础与架构
第一章:多模态表征与融合架构
视觉与文档智能
视觉与文档智能
第二章:视觉语言模型与视觉 Grounding
第三章:OCR 与 Document AI
第四章:Computer Use 与 GUI Agent
语音与音频
语音与音频
第五章:语音识别、合成与音频语言模型
第六章:实时全双工语音交互
多模态生成
多模态生成
第七章:扩散模型、Flow Matching 与图像生成
第八章:视频生成模型
训练、评测与服务
训练、评测与服务
第九章:多模态训练数据与对齐
第十章:多模态评测、安全与推理服务
工具
工具
Function Calling
Function Calling
第一章:Function Calling 是什么,原理是什么
第二章:LLM 如何学会调用工具
第三章:工具定义与 Schema 工程
第七章:为什么有些推理模型不支持 MCP
MCP
MCP
第四章:MCP 模型上下文协议的核心内容
第五章:MCP 的三层组成
第六章:MCP 与 Function Calling 的区别与选型
第十二章:MCP 的传输层
第十五章:Tool Protocol 安全
Skills
Skills
第八章:Skill 是什么
第九章:Skill 与 MCP 的区别
第十章:Function Calling、MCP、Skill 三者关系
Agent 通信
Agent 通信
第十一章:A2A 协议
传输与网关
传输与网关
第十三章:SSE、WebSocket 与 WebRTC
第十四章:LLM 网关
Agent
Agent
基础与架构
基础与架构
第一章:从大模型到 AI Agent
第二章:Agent 的现代系统架构
第三章:Tools、Skills、Agents、Workflows 与 AGENTS.md
Runtime 与 Harness
Runtime 与 Harness
第十六章:Agent Harness 的定义、边界与分层
第十七章:Agent Loop 与运行时状态机
第十八章:Context Engineering 与上下文装配
第十九章:Tool Registry、调用契约与执行管线
第二十章:权限、沙箱与隔离
第二十一章:Checkpoint、持久化、重试、超时、幂等与恢复
第二十二章:Human-in-the-loop、审批与可中断执行
第二十三章:Tracing、评测、成本控制与 Coding Agent Harness 案例
推理、规划与反思
推理、规划与反思
第四章:Agent 设计范式
第五章:Agent 的模型推理与搜索方法
第六章:复杂任务拆分与调度
第十一章:如何赋予 LLM 与 Agent 规划能力
第十二章:Agent 的反思、验证与自我改进
记忆与上下文
记忆与上下文
第七章:AI Agent 的记忆机制
第八章:Agent 长短期记忆系统的工程实现
第十章:Agent 记忆与上下文压缩
多智能体系统
多智能体系统
第九章:Single-Agent 与 Multi-Agent 系统
第十三章:Multi-Agent 协作、路由与动态切换
评估与安全
评估与安全
第十四章:Agent 评估与 Benchmark
第十五章:Agent 安全与 Prompt Injection
Coding Agent 工程
Coding Agent 工程
第二十四章:Coding Agent 的代码搜索、编辑与验证
Agent 后训练
Agent 后训练
第二十五章:Agent 后训练:从失败轨迹到可靠策略
RAG
RAG
基础与选型
基础与选型
第一章:RAG 是什么,解决什么问题
第二章:RAG、微调与长上下文的三方取舍
摄取与索引
摄取与索引
第三章:文档解析与预处理
第四章:Chunking 策略与粒度选择
第五章:语义被切断怎么办
第六章:Embedding 原理与技术演进
第七章:Embedding 模型选型与评估
第八章:向量数据库与 ANN 索引
第九章:向量库生产实践与性能调优
在线检索
在线检索
第十章:RAG 在线链路全流程
第十一章:检索范式:稀疏、稠密与后期交互
第十二章:Query 理解与改写
第十三章:多路召回、RRF 融合与 Rerank
第十四章:RAG 优化的五层框架
高级与多模态
高级与多模态
第十五章:高级 RAG 范式
第十六章:GraphRAG 与图检索
第二十一章:多模态 RAG
生成与评估
生成与评估
第十七章:生成、Grounding 与幻觉规避
第十八章:RAG 评估体系
运维与安全
运维与安全
第十九章:知识库的动态更新与增量索引
第二十章:RAG 落地难点与安全
结构化查询
结构化查询
第二十二章:Text-to-SQL:从业务问题到可验证查询
框架与编排
框架与编排
LangChain 生态
LangChain 生态
基础架构
基础架构
第一章:主流 AI Agent 开发框架概览
第二章:Chain 的设计理念与 LCEL
第三章:LangChain v1 的底层架构
Agent 构建
Agent 构建
第四章:用 LangChain 构建生产级 Agent 的七步
第五章:Tool 注册与工具契约
第六章:LangChain 的短期记忆与长期记忆
生态与演进
生态与演进
第七章:LangChain 与 LlamaIndex 的分工
第八章:LangChain4j 与 Java 生态
第十一章:LangChain 的版本演进
LangGraph
LangGraph
第九章:LangChain 与 LangGraph 的层次关系
第十章:LangGraph 的核心优势
生产闭环
生产闭环
第十二章:Deep Research 的实现逻辑
第十三章:用 LangSmith 建立生产质量闭环
LlamaIndex
LlamaIndex
第十四章:LlamaIndex 的数据与索引抽象
第十五章:LlamaIndex 的查询引擎与 Workflows 编排
DSPy
DSPy
第十六章:DSPy 的声明式编程模型:Signature、Module 与 Program
第十七章:DSPy 的编译器与优化器
Semantic Kernel
Semantic Kernel
第十八章:Semantic Kernel 的核心抽象:Kernel、Plugin 与 Planner
第十九章:Semantic Kernel 的 Process Framework 与 Agent Framework
轻量级 Agent 框架
轻量级 Agent 框架
第二十章:AutoGen 与 CrewAI 的多智能体抽象
第二十一章:PydanticAI 的类型安全范式与三者适用边界
选型与可移植架构
选型与可移植架构
第二十二章:跨框架技术解构:状态、持久化、工具契约与可观测性
第二十三章:Lock-in 识别、可移植架构与迁移策略
AI 工程
AI 工程
基础与生产架构
基础与生产架构
第一章:LLMOps 是什么:与 MLOps、DevOps 的边界
第二章:AI 应用生产架构全景
请求路径可靠性
请求路径可靠性
第三章:模型网关、路由与回退
第四章:重试、超时、幂等与熔断
输出质量与安全
输出质量与安全
第五章:结构化输出与契约校验
第六章:Guardrails 与降级策略
评测与可观测性
评测与可观测性
第七章:离线评测与 Eval-Driven Development
第八章:在线可观测性与 Tracing
版本管理与发布
版本管理与发布
第九章:Prompt / 模型 / 数据版本管理
第十章:LLM CI/CD 与灰度、Canary、A/B 发布
性能、成本与运营
性能、成本与运营
第十一章:缓存、批处理、吞吐与成本优化
第十二章:SLO、容量规划与事故响应
第十三章:反馈闭环与数据飞轮
AI 安全与治理
AI 安全与治理
威胁建模
威胁建模
第一章:AI 系统威胁建模与攻击面全景
提示与内容层攻击
提示与内容层攻击
第二章:Prompt Injection、Jailbreak 与系统提示泄漏
第三章:输出处理与 Secret Exfiltration
数据与模型供应链
数据与模型供应链
第四章:训练、微调与 RAG 数据投毒
第五章:模型供应链与序列化风险
第六章:隐私、PII 与记忆泄漏
Agent 与执行环境
Agent 与执行环境
第七章:Agent、Tool、MCP、A2A 最小权限与身份治理
第八章:代码执行、浏览器与 Computer Use 沙箱及网络隔离
评测、治理与保障
评测、治理与保障
第九章:安全评测、红队与持续保障
第十章:AI 治理、风险分级、审计与内容出处
FDE
FDE
基础与交付方法
基础与交付方法
第一章:Forward Deployed Engineering:从业务问题到可复用生产系统
现场经验与踩坑
现场经验与踩坑
第二章:FDE 项目踩坑与交付经验
AI 工程面试:从模型原理到现场交付
¶
Polo Li
理解机制、解释取舍,把方案讲到能验证
回到页面顶部