出于对ai兴趣 开始学习ai相关知识 在此记录
| 学习阶段 | 主要目标 | 核心技能/工具 | 建议时间 | 标志性项目 |
|---|
| 第一阶段：基础认知 | 建立直观感受，了解大模型能做什么 | Python, 大模型API (如OpenAI/文心一言) | 1-2周 | 简单的AI对话或文本生成脚本 |
| 第二阶段：核心工具 | 掌握开发现代AI应用的核心框架 | LangChain, RAG, 向量数据库 | 3-6周 | 个人知识库问答机器人 |
| 第三阶段：工程深化 | 打造更可靠、可部署的成熟应用 | 模型微调 (如LoRA), 前端框架 (如Gradio) | 4-8周 | 垂直领域智能助手 |
| 第四阶段：进阶探索 | 探索前沿技术，构建复杂系统 | AI Agent, 多模态模型 | 持续学习 | 自动化AI智能体 |
| 学习阶段 | 核心技能模块 | 关键技术与工具 | 学习目标 |
|---|
| 第一阶段：基础奠基 | 编程语言与数据处理 | Python, Numpy, Pandas | 熟练掌握Python及核心数据科学库 |
| 深度学习框架 | PyTorch 或 TensorFlow | 能使用框架搭建和训练神经网络 |
| 核心模型架构 | Transformer (Self-Attention) | 深入理解现代大模型的基石机制 |
| 第二阶段：核心技术 | 大模型应用技术栈 | RAG, Prompt Engineering, AI Agent | 构建解决实际问题的应用能力 |
| 开发框架与平台 | LangChain, Dify, Hugging Face Transformers | 利用高效工具链加速开发 |
| 数据处理与存储 | 向量数据库 (Milvus, Chroma) | 管理大模型所需的非结构化数据 |
| 第三阶段：工程化与实践 | 模型微调与部署 | 微调技术 (如LoRA), 模型部署 (Docker, ONNX) | 将模型适配具体任务并上线运行 |
| 分布式系统与高可用 | 云平台 (AWS/阿里云等), 高并发架构 | 保障AI应用的高性能与稳定性 |
| 项目实战与持续学习 | 参与开源项目，关注前沿动态 | 积累经验，保持技术敏锐度 |
1.搭建相关python环境 --学习等 10.23
