2026 年 AI 学习路线：从入门到精通的系统指南

2026 年 AI 学习路径涵盖数学编程基础、深度学习算法、工程化部署及产业落地四个阶段。内容包含每月详细任务清单，强调实战项目与前沿技术跟进，旨在帮助学习者建立系统认知并具备企业级 AI 开发能力。

GopherDev发布于 2026/4/9更新于 2026/6/723 浏览

一、2026 年 AI 学习知识图谱

（一）入门阶段（0-6 个月）

核心目标是建立认知，夯实基础。你需要掌握 AI 基础概念、必备数学与编程能力，能实现简单机器学习模型。

AI 通识：了解 AI 发展史、核心概念、主要学派及经典案例，关注多模态、具身智能等前沿趋势。
数学基础：微积分、线性代数、概率论与统计、优化理论，这是理解算法的基石。
编程基础：Python 核心语法、数据结构与算法、CUDA 基础，熟练使用 Python 处理数据。
传统机器学习：监督/无监督学习基础、线性回归、决策树、模型评估，入门 Scikit-learn。
基础实践：完成鸢尾花分类、房价预测等项目，参与 Kaggle 入门赛。

（二）进阶阶段（6-12 个月）

重点在于掌握核心算法，具备基础工程能力。目标是精通深度学习与 NLP，理解强化学习原理，能独立搭建中等复杂度模型。

深度学习核心：神经网络基础、CNN/RNN/Transformer 架构、LLM 预训练与微调，掌握 PyTorch/TensorFlow。
强化学习：价值方法与策略方法、多智能体协作，尝试实现简单项目。
数据工程：数据清洗、标注、特征工程，了解 Spark、Hadoop 基本使用。
模型开发：AutoML、模型优化（正则化、调参）、交叉验证，避免过拟合。
进阶实践：搭建图像分类、文本生成模型，实现简单 RAG 应用，参与开源项目。

（三）精通阶段（12-24 个月）

目标是具备系统设计与产业落地能力。掌握 MLOps 与模型部署技术，能主导企业级 AI 项目。

系统工程：MLOps 全流程（版本控制、监控、自动化部署）、推理框架、云平台、硬件加速。
产业实践：工业级系统设计、多模态融合、具身智能、AI for Science。
前沿技术：大模型微调与优化、Agent 系统开发、RAG 进阶、自监督学习。
高阶实战：主导企业级项目，设计高可用系统，解决复杂业务问题。

二、分阶段执行计划

第一阶段：筑基期（第 1-3 个月）

核心任务：掌握 AI 通识、数学与编程基础，完成简单实战项目。

AI 通识：阅读《人工智能简史》，观看 Coursera AI 导论公开课。
数学基础：精读《普林斯顿微积分读本》《线性代数及其应用》，完成课后习题。
编程基础：学习《Python 编程：从入门到实践》，熟悉 NumPy、Pandas，阅读《算法导论》入门章节。
实践任务：完成鸢尾花分类、房价预测两个基础项目，使用 Scikit-learn 实现。

第二阶段：进阶期（第 4-9 个月）

核心任务：掌握深度学习、NLP 与强化学习核心内容，熟练使用框架。

深度学习：阅读《深度学习》《动手学深度学习》，掌握 CNN/RNN/Transformer 架构。
NLP 与 LLM：学习 Embedding 技术、LLM 预训练与微调，了解 Qwen、ChatGLM 使用方法。
强化学习：阅读《强化学习：原理与 Python 实现》，掌握 Q-Learning、DQN、PPO。
数据工程：学习《数据科学实战》，掌握数据清洗、标注、特征工程方法。
实践任务：搭建图像分类模型、简单文本生成模型，实现基础 RAG 问答系统。

第三阶段：工程化期（第 10-15 个月）

核心任务：精通 MLOps 流程、模型部署技术与工程工具。

MLOps：阅读《MLOps 实践》，掌握 MLFlow 版本控制、持续监控、自动化部署。
模型部署：学习 TorchServe、ONNX Runtime，熟悉阿里云 ModelArts、AWS SageMaker。
工程工具：掌握 Docker、Kubernetes，学习 Prometheus、Grafana，熟悉 Git/GitHub、Jenkins CI/CD。
实践任务：将模型容器化部署，实现在线推理 API，搭建监控系统。

第四阶段：精通与创新期（第 16-24 个月）

核心任务：主导企业级 AI 项目，深耕前沿技术，实现技术创新与产业落地。

产业实践：研究工业级 AI 系统设计，学习多模态融合、具身智能、AI for Science。
前沿技术：深入学习大模型微调与优化、Agent 系统开发、RAG 进阶技术。
综合能力：学习项目管理、技术方案撰写，提升沟通协作能力，了解 AI 伦理与安全。
实践任务：主导企业级 AI 项目，解决复杂业务问题，发表技术博客或参与前沿研究。

三、月度详细学习清单

第一阶段：筑基期（第 1-3 个月）

第 1 个月：AI 通识 + Python 入门

核心目标：了解 AI 基础，掌握 Python 核心语法。

第 1 周：阅读《人工智能简史》第 1-3 章，观看 Coursera AI 导论第 1-2 节，梳理 AI 核心概念。
第 2 周：学习 Python 变量、数据类型、运算符，编写 3 个简单程序。
第 3 周：学习函数定义、参数传递，模块导入，异常处理。
第 4 周：NumPy 入门，数组创建、索引、切片，综合练习用 NumPy 处理数据。

第 2 个月：数学基础（微积分 + 线性代数）

核心目标：掌握 AI 必备数学基础，理解算法原理。

第 1 周：微积分入门，极限定义、导数定义、基本求导公式。
第 2 周：微积分进阶，偏导数、极值判定、梯度基础。
第 3 周：线性代数入门，向量定义、矩阵运算、转置、逆矩阵。
第 4 周：线性代数进阶，特征值、特征向量、矩阵秩、行列式。

第 3 个月：概率论 + 传统机器学习入门

核心目标：掌握概率论基础，入门传统机器学习。

第 1 周：概率论基础，条件概率、贝叶斯公式、KL 散度。
第 2 周：传统机器学习入门，监督学习定义、Scikit-learn 安装使用、线性回归。
第 3 周：决策树原理、节点分裂规则、模型评估指标。
第 4 周：基础实战，完成鸢尾花分类、房价预测项目，注册 Kaggle 账号。

第二阶段：进阶期（第 4-9 个月）

第 4 个月：深度学习基础

核心目标：掌握神经网络基础，入门 PyTorch。

第 1 周：感知机原理、激活函数、多层感知机构造、反向传播。
第 2 周：PyTorch 环境搭建、张量操作、自动求导原理。
第 3 周：PyTorch nn 模块、损失函数、优化器、模型训练流程。
第 4 周：正则化方法（L2、Dropout）、数据增强、完成带正则化的神经网络项目。

第 5 个月：CNN 与计算机视觉

核心目标：掌握 CNN 原理与架构，搭建图像分类模型。

第 1 周：卷积层原理、池化层、手动计算卷积操作。
第 2 周：LeNet、AlexNet 架构，复现 LeNet 训练 MNIST。
第 3 周：ResNet 架构、残差连接、常用数据增强方法。
第 4 周：实战猫狗识别，准备数据集，搭建 CNN 模型。

第 6 个月：RNN 与 LSTM 基础

核心目标：掌握序列模型，搭建简单序列预测模型。

第 1 周：序列模型概念、RNN 结构、梯度消失/爆炸问题。
第 2 周：LSTM、GRU 原理，遗忘门、输入门、输出门。
第 3 周：序列数据处理、Embedding 技术、Word2Vec。
第 4 周：实战文本分类，情感分析数据集，LSTM+Embedding 模型。

第 7 个月：Transformer 与 LLM 基础

核心目标：掌握 Transformer 原理，入门 LLM 微调。

第 1 周：Transformer 整体架构、自注意力机制、位置编码。
第 2 周：编码器/解码器结构、NLP 应用、文本生成。
第 3 周：主流 LLM（Qwen、ChatGLM）、Hugging Face Transformers 库。
第 4 周：LLM 微调流程、LoRA 微调方法、微调实战笔记。

第 8 个月：强化学习基础 + 数据工程

核心目标：掌握强化学习基础算法，数据清洗与特征工程。

第 1 周：强化学习核心概念、马尔可夫决策过程（MDP）。
第 2 周：Q-Learning、DQN 算法原理与实现。
第 3 周：数据清洗方法、数据标注、LabelImg 工具。
第 4 周：特征工程方法、Spark 基础、RDD 操作。

第 9 个月：RAG 基础 + 进阶实战

核心目标：掌握 RAG 原理，完成 RAG 问答系统实战。

第 1 周：RAG 核心原理、向量检索、向量数据库（Chroma）。
第 2 周：Sentence Embedding、检索策略优化。
第 3 周：RAG 实战，搭建完整问答系统，调试效果。
第 4 周：参与 Hugging Face 开源项目，进阶阶段复盘。

第三阶段：工程化期（第 10-15 个月）

第 10 个月：MLOps 基础 + 模型版本控制

核心目标：掌握 MLOps 核心概念，熟练使用 MLFlow。

第 1 周：MLOps 定义、核心流程、行业最佳实践。
第 2 周：MLFlow 环境安装、实验跟踪、模型存储。
第 3 周：MLFlow 实验对比、模型版本回滚、Git 协同。
第 4 周：基于 RAG 项目完成全流程实验跟踪，完善实验报告。

第 11 个月：模型部署基础

核心目标：掌握推理框架，熟悉云平台部署流程。

第 1 周：TorchServe、ONNX Runtime 原理与部署。
第 2 周：阿里云 ModelArts 平台使用，服务管理。
第 3 周：AWS SageMaker 平台，模型优化（量化、剪枝）。
第 4 周：GPU/TPU 硬件加速原理，CUDA 基础操作。

第 12 个月：容器化技术

核心目标：掌握 Docker 容器化，了解 Kubernetes 集群管理。

第 1 周：Docker 环境搭建、镜像制作、Dockerfile 编写。
第 2 周：Docker 镜像管理、容器网络配置、Docker Compose。
第 3 周：Kubernetes 核心概念、Minikube 集群搭建。
第 4 周：Kubernetes Deployment、滚动更新、Prometheus 集成。

第 13 个月：CI/CD 流程 + 自动化测试

核心目标：掌握 Git/GitHub、Jenkins CI/CD，PyTest 自动化测试。

第 1 周：Git 分支管理、GitHub 协作流程（Fork、PR）。
第 2 周：Jenkins 环境搭建、CI/CD 流程配置。
第 3 周：PyTest 测试框架、测试用例设计、测试报告。
第 4 周：CI/CD 全流程实战，完善 Jenkins 流程。

第 14 个月：模型监控与运维

核心目标：掌握 Prometheus、Grafana，搭建监控系统。

第 1 周：Prometheus 安装、Grafana 仪表盘创建。
第 2 周：模型性能监控、精度监控、告警配置。
第 3 周：模型服务常见问题排查、模型漂移检测。
第 4 周：搭建完整监控与运维体系，编写运维文档。

第 15 个月：工程化综合实战

核心目标：整合所学知识，完成综合实战项目。

第 1 周：项目规划，确定技术栈与环境搭建。
第 2 周：项目开发，模型优化与版本控制。
第 3 周：项目部署，容器化 + CI/CD + 监控。
第 4 周：项目验收，整理文档与复盘。

第四阶段：精通与创新期（第 16-24 个月）

第 16 个月：产业实践入门

核心目标：选定行业（医疗、金融），深入了解业务流程。

第 1 周：行业调研，阅读行业报告，拆解优秀 AI 案例。
第 2 周：行业级 AI 系统设计基础，数据治理。
第 3 周：行业专用技术学习，专用数据集使用。
第 4 周：行业项目实战入门，编写阶段性报告。

第 17 个月：多模态融合技术

核心目标：掌握多模态技术，搭建融合模型。

第 1 周：多模态技术通识，数据预处理与对齐。
第 2 周：CLIP、ViT-GPT2 模型调用与训练。
第 3 周：多模态模型优化与行业适配。
第 4 周：多模态项目实战，集成到行业项目中。

第 18 个月：大模型进阶与 Agent 系统

核心目标：精通大模型微调，掌握 Agent 开发。

第 1 周：大模型微调（LoRA、QLoRA）、量化部署。
第 2 周：Agent 系统基础架构，LangChain 框架。
第 3 周：Agent 工具调用、记忆优化、反思机制。
第 4 周：行业级 Agent 实战，编写演示案例。

第 19 个月：RAG 进阶与知识图谱

核心目标：精通 RAG 进阶，掌握知识图谱构建。

第 1 周：RAG 检索进阶，多源数据融合。
第 2 周：知识图谱基础，Neo4j 存储。
第 3 周：RAG 与知识图谱融合技术。
第 4 周：融合系统实战，提升回答准确性。

第 20 个月：AI for Science 与具身智能

核心目标：了解前沿领域，拓展技术边界。

第 1 周：AI for Science 通识，分子模拟、量子机器学习。
第 2 周：AI for Science 实战，分子性质预测。
第 3 周：具身智能基础，感知与决策模块。
第 4 周：具身智能实战入门，小型机器人导航。

第 21 个月：项目管理与技术方案

核心目标：掌握项目管理，撰写高质量方案。

第 1 周：AI 项目管理基础，敏捷开发。
第 2 周：技术方案撰写结构与技巧。
第 3 周：项目文档与沟通协作。
第 4 周：方案实战，独立撰写行业级方案。

第 22 个月：AI 伦理与安全

核心目标：掌握伦理安全，跟进前沿动态。

第 1 周：AI 伦理基础，公平性、隐私保护。
第 2 周：AI 安全技术，防护与风控。
第 3 周：AI 前沿动态跟进，NeurIPS、ICML 论文。
第 4 周：伦理安全实战，前沿技术适配。

第 23 个月：企业级项目主导

核心目标：独立主导完整企业级项目。

第 1 周：项目立项与需求落地，撰写需求文档。
第 2 周：核心模块开发与进度管控。
第 3 周：系统集成与整体测试。
第 4 周：项目验收与运维规划。

第 24 个月：技术沉淀与职业规划

核心目标：形成个人技术体系，明确职业方向。

第 1 周：个人技术体系梳理，绘制思维导图。
第 2 周：技术成果输出，撰写博客与分享。
第 3 周：前沿技术深入与创新尝试。
第 4 周：职业规划与第四阶段复盘。

四、关键建议

循序渐进：严格按照分阶段学习，避免跳过基础直接学高阶，确保知识点扎实。
重视实战：每个阶段必须完成对应的实战项目，积累项目经验，避免纸上谈兵。
跟进前沿：AI 技术更新快，需持续关注行业动态，及时补充新内容。
注重积累：做好学习笔记，整理错题与项目经验，参与开源社区与技术交流。
产业优先：聚焦 1-2 个行业深耕，实现'技术 + 行业'深度融合。
创新落地：前沿技术学习需结合实战，尝试将技术应用到项目中。
伦理合规：始终重视 AI 伦理与安全，确保项目符合行业规范与法律法规。

2026 年 AI 学习路线：从入门到精通的系统指南

GopherDev发布于 2026/4/9更新于 2026/6/723 浏览

一、2026 年 AI 学习知识图谱

（一）入门阶段（0-6 个月）

核心目标是建立认知，夯实基础。你需要掌握 AI 基础概念、必备数学与编程能力，能实现简单机器学习模型。

AI 通识：了解 AI 发展史、核心概念、主要学派及经典案例，关注多模态、具身智能等前沿趋势。
数学基础：微积分、线性代数、概率论与统计、优化理论，这是理解算法的基石。
编程基础：Python 核心语法、数据结构与算法、CUDA 基础，熟练使用 Python 处理数据。
传统机器学习：监督/无监督学习基础、线性回归、决策树、模型评估，入门 Scikit-learn。
基础实践：完成鸢尾花分类、房价预测等项目，参与 Kaggle 入门赛。

（二）进阶阶段（6-12 个月）

重点在于掌握核心算法，具备基础工程能力。目标是精通深度学习与 NLP，理解强化学习原理，能独立搭建中等复杂度模型。

深度学习核心：神经网络基础、CNN/RNN/Transformer 架构、LLM 预训练与微调，掌握 PyTorch/TensorFlow。
强化学习：价值方法与策略方法、多智能体协作，尝试实现简单项目。
数据工程：数据清洗、标注、特征工程，了解 Spark、Hadoop 基本使用。
模型开发：AutoML、模型优化（正则化、调参）、交叉验证，避免过拟合。
进阶实践：搭建图像分类、文本生成模型，实现简单 RAG 应用，参与开源项目。

（三）精通阶段（12-24 个月）

目标是具备系统设计与产业落地能力。掌握 MLOps 与模型部署技术，能主导企业级 AI 项目。

系统工程：MLOps 全流程（版本控制、监控、自动化部署）、推理框架、云平台、硬件加速。
产业实践：工业级系统设计、多模态融合、具身智能、AI for Science。
前沿技术：大模型微调与优化、Agent 系统开发、RAG 进阶、自监督学习。
高阶实战：主导企业级项目，设计高可用系统，解决复杂业务问题。

二、分阶段执行计划

第一阶段：筑基期（第 1-3 个月）

核心任务：掌握 AI 通识、数学与编程基础，完成简单实战项目。

AI 通识：阅读《人工智能简史》，观看 Coursera AI 导论公开课。
数学基础：精读《普林斯顿微积分读本》《线性代数及其应用》，完成课后习题。
编程基础：学习《Python 编程：从入门到实践》，熟悉 NumPy、Pandas，阅读《算法导论》入门章节。
实践任务：完成鸢尾花分类、房价预测两个基础项目，使用 Scikit-learn 实现。

第二阶段：进阶期（第 4-9 个月）

核心任务：掌握深度学习、NLP 与强化学习核心内容，熟练使用框架。

深度学习：阅读《深度学习》《动手学深度学习》，掌握 CNN/RNN/Transformer 架构。
NLP 与 LLM：学习 Embedding 技术、LLM 预训练与微调，了解 Qwen、ChatGLM 使用方法。
强化学习：阅读《强化学习：原理与 Python 实现》，掌握 Q-Learning、DQN、PPO。
数据工程：学习《数据科学实战》，掌握数据清洗、标注、特征工程方法。
实践任务：搭建图像分类模型、简单文本生成模型，实现基础 RAG 问答系统。

第三阶段：工程化期（第 10-15 个月）

核心任务：精通 MLOps 流程、模型部署技术与工程工具。

MLOps：阅读《MLOps 实践》，掌握 MLFlow 版本控制、持续监控、自动化部署。
模型部署：学习 TorchServe、ONNX Runtime，熟悉阿里云 ModelArts、AWS SageMaker。
工程工具：掌握 Docker、Kubernetes，学习 Prometheus、Grafana，熟悉 Git/GitHub、Jenkins CI/CD。
实践任务：将模型容器化部署，实现在线推理 API，搭建监控系统。

第四阶段：精通与创新期（第 16-24 个月）

核心任务：主导企业级 AI 项目，深耕前沿技术，实现技术创新与产业落地。

产业实践：研究工业级 AI 系统设计，学习多模态融合、具身智能、AI for Science。
前沿技术：深入学习大模型微调与优化、Agent 系统开发、RAG 进阶技术。
综合能力：学习项目管理、技术方案撰写，提升沟通协作能力，了解 AI 伦理与安全。
实践任务：主导企业级 AI 项目，解决复杂业务问题，发表技术博客或参与前沿研究。

三、月度详细学习清单

第一阶段：筑基期（第 1-3 个月）

第 1 个月：AI 通识 + Python 入门

核心目标：了解 AI 基础，掌握 Python 核心语法。

第 1 周：阅读《人工智能简史》第 1-3 章，观看 Coursera AI 导论第 1-2 节，梳理 AI 核心概念。
第 2 周：学习 Python 变量、数据类型、运算符，编写 3 个简单程序。
第 3 周：学习函数定义、参数传递，模块导入，异常处理。
第 4 周：NumPy 入门，数组创建、索引、切片，综合练习用 NumPy 处理数据。

第 2 个月：数学基础（微积分 + 线性代数）

核心目标：掌握 AI 必备数学基础，理解算法原理。

第 1 周：微积分入门，极限定义、导数定义、基本求导公式。
第 2 周：微积分进阶，偏导数、极值判定、梯度基础。
第 3 周：线性代数入门，向量定义、矩阵运算、转置、逆矩阵。
第 4 周：线性代数进阶，特征值、特征向量、矩阵秩、行列式。

第 3 个月：概率论 + 传统机器学习入门

核心目标：掌握概率论基础，入门传统机器学习。

第 1 周：概率论基础，条件概率、贝叶斯公式、KL 散度。
第 2 周：传统机器学习入门，监督学习定义、Scikit-learn 安装使用、线性回归。
第 3 周：决策树原理、节点分裂规则、模型评估指标。
第 4 周：基础实战，完成鸢尾花分类、房价预测项目，注册 Kaggle 账号。

第二阶段：进阶期（第 4-9 个月）

第 4 个月：深度学习基础

核心目标：掌握神经网络基础，入门 PyTorch。

第 1 周：感知机原理、激活函数、多层感知机构造、反向传播。
第 2 周：PyTorch 环境搭建、张量操作、自动求导原理。
第 3 周：PyTorch nn 模块、损失函数、优化器、模型训练流程。
第 4 周：正则化方法（L2、Dropout）、数据增强、完成带正则化的神经网络项目。

第 5 个月：CNN 与计算机视觉

核心目标：掌握 CNN 原理与架构，搭建图像分类模型。

第 1 周：卷积层原理、池化层、手动计算卷积操作。
第 2 周：LeNet、AlexNet 架构，复现 LeNet 训练 MNIST。
第 3 周：ResNet 架构、残差连接、常用数据增强方法。
第 4 周：实战猫狗识别，准备数据集，搭建 CNN 模型。

第 6 个月：RNN 与 LSTM 基础

核心目标：掌握序列模型，搭建简单序列预测模型。

第 1 周：序列模型概念、RNN 结构、梯度消失/爆炸问题。
第 2 周：LSTM、GRU 原理，遗忘门、输入门、输出门。
第 3 周：序列数据处理、Embedding 技术、Word2Vec。
第 4 周：实战文本分类，情感分析数据集，LSTM+Embedding 模型。

第 7 个月：Transformer 与 LLM 基础

核心目标：掌握 Transformer 原理，入门 LLM 微调。

第 1 周：Transformer 整体架构、自注意力机制、位置编码。
第 2 周：编码器/解码器结构、NLP 应用、文本生成。
第 3 周：主流 LLM（Qwen、ChatGLM）、Hugging Face Transformers 库。
第 4 周：LLM 微调流程、LoRA 微调方法、微调实战笔记。

第 8 个月：强化学习基础 + 数据工程

核心目标：掌握强化学习基础算法，数据清洗与特征工程。

第 1 周：强化学习核心概念、马尔可夫决策过程（MDP）。
第 2 周：Q-Learning、DQN 算法原理与实现。
第 3 周：数据清洗方法、数据标注、LabelImg 工具。
第 4 周：特征工程方法、Spark 基础、RDD 操作。

第 9 个月：RAG 基础 + 进阶实战

核心目标：掌握 RAG 原理，完成 RAG 问答系统实战。

第 1 周：RAG 核心原理、向量检索、向量数据库（Chroma）。
第 2 周：Sentence Embedding、检索策略优化。
第 3 周：RAG 实战，搭建完整问答系统，调试效果。
第 4 周：参与 Hugging Face 开源项目，进阶阶段复盘。

第三阶段：工程化期（第 10-15 个月）

第 10 个月：MLOps 基础 + 模型版本控制

核心目标：掌握 MLOps 核心概念，熟练使用 MLFlow。

第 1 周：MLOps 定义、核心流程、行业最佳实践。
第 2 周：MLFlow 环境安装、实验跟踪、模型存储。
第 3 周：MLFlow 实验对比、模型版本回滚、Git 协同。
第 4 周：基于 RAG 项目完成全流程实验跟踪，完善实验报告。

第 11 个月：模型部署基础

核心目标：掌握推理框架，熟悉云平台部署流程。

第 1 周：TorchServe、ONNX Runtime 原理与部署。
第 2 周：阿里云 ModelArts 平台使用，服务管理。
第 3 周：AWS SageMaker 平台，模型优化（量化、剪枝）。
第 4 周：GPU/TPU 硬件加速原理，CUDA 基础操作。

第 12 个月：容器化技术

核心目标：掌握 Docker 容器化，了解 Kubernetes 集群管理。

第 1 周：Docker 环境搭建、镜像制作、Dockerfile 编写。
第 2 周：Docker 镜像管理、容器网络配置、Docker Compose。
第 3 周：Kubernetes 核心概念、Minikube 集群搭建。
第 4 周：Kubernetes Deployment、滚动更新、Prometheus 集成。

第 13 个月：CI/CD 流程 + 自动化测试

核心目标：掌握 Git/GitHub、Jenkins CI/CD，PyTest 自动化测试。

第 1 周：Git 分支管理、GitHub 协作流程（Fork、PR）。
第 2 周：Jenkins 环境搭建、CI/CD 流程配置。
第 3 周：PyTest 测试框架、测试用例设计、测试报告。
第 4 周：CI/CD 全流程实战，完善 Jenkins 流程。

第 14 个月：模型监控与运维

核心目标：掌握 Prometheus、Grafana，搭建监控系统。

第 1 周：Prometheus 安装、Grafana 仪表盘创建。
第 2 周：模型性能监控、精度监控、告警配置。
第 3 周：模型服务常见问题排查、模型漂移检测。
第 4 周：搭建完整监控与运维体系，编写运维文档。

第 15 个月：工程化综合实战

核心目标：整合所学知识，完成综合实战项目。

第 1 周：项目规划，确定技术栈与环境搭建。
第 2 周：项目开发，模型优化与版本控制。
第 3 周：项目部署，容器化 + CI/CD + 监控。
第 4 周：项目验收，整理文档与复盘。

第四阶段：精通与创新期（第 16-24 个月）

第 16 个月：产业实践入门

核心目标：选定行业（医疗、金融），深入了解业务流程。

第 1 周：行业调研，阅读行业报告，拆解优秀 AI 案例。
第 2 周：行业级 AI 系统设计基础，数据治理。
第 3 周：行业专用技术学习，专用数据集使用。
第 4 周：行业项目实战入门，编写阶段性报告。

第 17 个月：多模态融合技术

核心目标：掌握多模态技术，搭建融合模型。

第 1 周：多模态技术通识，数据预处理与对齐。
第 2 周：CLIP、ViT-GPT2 模型调用与训练。
第 3 周：多模态模型优化与行业适配。
第 4 周：多模态项目实战，集成到行业项目中。

第 18 个月：大模型进阶与 Agent 系统

核心目标：精通大模型微调，掌握 Agent 开发。

第 1 周：大模型微调（LoRA、QLoRA）、量化部署。
第 2 周：Agent 系统基础架构，LangChain 框架。
第 3 周：Agent 工具调用、记忆优化、反思机制。
第 4 周：行业级 Agent 实战，编写演示案例。

第 19 个月：RAG 进阶与知识图谱

核心目标：精通 RAG 进阶，掌握知识图谱构建。

第 1 周：RAG 检索进阶，多源数据融合。
第 2 周：知识图谱基础，Neo4j 存储。
第 3 周：RAG 与知识图谱融合技术。
第 4 周：融合系统实战，提升回答准确性。

第 20 个月：AI for Science 与具身智能

核心目标：了解前沿领域，拓展技术边界。

第 1 周：AI for Science 通识，分子模拟、量子机器学习。
第 2 周：AI for Science 实战，分子性质预测。
第 3 周：具身智能基础，感知与决策模块。
第 4 周：具身智能实战入门，小型机器人导航。

第 21 个月：项目管理与技术方案

核心目标：掌握项目管理，撰写高质量方案。

第 1 周：AI 项目管理基础，敏捷开发。
第 2 周：技术方案撰写结构与技巧。
第 3 周：项目文档与沟通协作。
第 4 周：方案实战，独立撰写行业级方案。

第 22 个月：AI 伦理与安全

核心目标：掌握伦理安全，跟进前沿动态。

第 1 周：AI 伦理基础，公平性、隐私保护。
第 2 周：AI 安全技术，防护与风控。
第 3 周：AI 前沿动态跟进，NeurIPS、ICML 论文。
第 4 周：伦理安全实战，前沿技术适配。

第 23 个月：企业级项目主导

核心目标：独立主导完整企业级项目。

第 1 周：项目立项与需求落地，撰写需求文档。
第 2 周：核心模块开发与进度管控。
第 3 周：系统集成与整体测试。
第 4 周：项目验收与运维规划。

第 24 个月：技术沉淀与职业规划

核心目标：形成个人技术体系，明确职业方向。

第 1 周：个人技术体系梳理，绘制思维导图。
第 2 周：技术成果输出，撰写博客与分享。
第 3 周：前沿技术深入与创新尝试。
第 4 周：职业规划与第四阶段复盘。

四、关键建议

循序渐进：严格按照分阶段学习，避免跳过基础直接学高阶，确保知识点扎实。
重视实战：每个阶段必须完成对应的实战项目，积累项目经验，避免纸上谈兵。
跟进前沿：AI 技术更新快，需持续关注行业动态，及时补充新内容。
注重积累：做好学习笔记，整理错题与项目经验，参与开源社区与技术交流。
产业优先：聚焦 1-2 个行业深耕，实现'技术 + 行业'深度融合。
创新落地：前沿技术学习需结合实战，尝试将技术应用到项目中。
伦理合规：始终重视 AI 伦理与安全，确保项目符合行业规范与法律法规。