引言
本文分享如何利用 AI 工具制定系统化的学习计划。目标是重实用技能，轻理论知识，并通过多轮对话让 AI 生成可执行的日程表。
提示词设计
无需追求一次完美，可通过多轮对话优化。初始提示词示例：
你是一个超级 AI 专家讲师，给我制定一个系统学习 AI 的步骤流程
AI 生成的学习路线
阶段 0：明确目标（1 天）
先为自己定一个方向，这将影响后面的学习内容。
AI 技术方向常见分类：
- LLM & NLP（大模型应用、RAG、Agent、Prompt Engineering）
- 机器学习 ML（预测、分类、回归体系）
- 深度学习 DL（CNN、Transformer、强化学习等）
- AI 工程 / MLOps（模型部署、推理优化、数据流水线）
- Edge AI（与嵌入式背景适配）
建议主线方向：LLM + Edge AI + AI 工程化。
阶段 1：AI 数学与编程基础（1–2 周）
核心技能包括线性代数、概率统计、微积分及 Python 基础（NumPy / Pandas / Matplotlib）。
练习：用 NumPy 实现一层神经网络，用 matplotlib 可视化 Softmax、ReLU。
阶段 2：经典机器学习（2 周）
理解 ML 是掌握 AI 的'地基'。重点学习常见模型（线性回归、逻辑回归、SVM、决策树、XGBoost）、数据处理（特征工程、归一化、降维 PCA）及训练技巧（交叉验证、过拟合、调参）。
实战 Demo：Kaggle Titanic 生存预测，利用 XGBoost 做一个分类器。
阶段 3：深度学习（DL）核心（3-4 周）
进入现代 AI 的关键阶段。重点学习多层感知机（MLP）、CNN、RNN / LSTM、Transformer、损失函数、优化器、梯度下降。
框架推荐 PyTorch，辅以 TensorFlow。
实战：手写数字识别（MNIST），用 ResNet 迁移学习图像分类，用 Transformer 实现文本分类。
阶段 4：大模型（LLM）系统学习（4–6 周）
当下最热门、最有价值的技能。
-
Prompt Engineering 完整体系：指令型、分步骤 prompting、系统 prompt 结构化、Few-shot / Chain-of-thought。
-
LLM 技术体系：Transformer 原理、Self-Attention、Tokenization（BPE、SentencePiece）、微调方法（LoRA、QLoRA）。
-
RAG（Retrieval-Augmented Generation）：向量数据库（Milvus、FAISS、PgVector）、嵌入模型、索引结构（HNSW、IVF）、文本切片策略、RAG 架构。
-
Agent 框架：LangChain、LlamaIndex、Microsoft Autogen。
实战项目：搭建自己的 RAG 知识库，用 QLoRA 微调自己的小模型，构建一个能替代内部 FAQ 的 AI Agent。
阶段 5：AI 工程化（MLOps）（3–6 周）
研究人员写'模型'；工程师'把模型送上战场'。
需要掌握：模型部署（ONNX、TensorRT、OpenVINO）、服务框架（FastAPI、vLLM、TGI）、推理优化（量化 INT8、FP16、GPTQ）、自动化训练 pipelines（Airflow、MLflow、KubeFlow）。
实战：把 LLM 用 FastAPI + vLLM 部署成 API，实现文本 embedding 服务，MLflow 做模型版本管理。
阶段 6：Edge AI（2–4 周）
适合嵌入式系统背景。
技术方向：模型在 ARM Cortex-A/Cortex-M 部署，QNN / SNPE / TensorRT / MNN，DSP/NPU 加速，模型剪枝、蒸馏、量化，实时 OS（Linux/QNX）上的模型推理流程。
