【2】Ubuntu环境下AI学习与实践计划（适配SRE背景+有深度学习基础）

Ubuntu环境下AI学习与实践计划（适配SRE背景+有深度学习基础）

核心思路：立足你19-22年研究生期间的深度学习基础（模型训练、平台开发），结合近几年SRE工作的运维、部署优势，避开“从头学基础”的冗余，聚焦「本地可落地、与SRE能力联动、贴合你已知的AI工具（Deepseek、GLM等）」，分3个阶段推进，每个阶段均以“理论回顾+本地实践”结合，全程使用Ubuntu电脑，不依赖超算或高配置GPU（可根据电脑配置灵活调整模型规格）。

前提说明：你的Ubuntu系统已重装，且conda等基础环境已按指导完成配置，充分利用你对Deepseek、GLM、Agent等工具的初步了解，重点突破“从认知到实操”“从基础模型到工程化落地”，同时结合SRE技能，打造“AI+运维”的差异化优势。

新增模块1：AI基础知识结构化梳理（衔接基础与实践，打破碎片化）

核心目标：基于你研究生时期的深度学习基础，梳理AI完整知识框架，不局限于你已知的工具，重点解决“碎片化认知”问题，为后续开源大模型部署、工具联动、项目落地打牢理论基础，兼顾系统性与实用性，贴合你的学习节奏（无需从头学，重点补全框架、理清逻辑，衔接已配置的conda环境，为实践铺路）。

一、AI核心概念与整体分类（先建立全局认知）

先明确AI的核心范畴，区分易混淆概念，避免碎片化记忆，重点衔接你已知的工具和过往基础，同时关联后续本地实践场景：

• 核心定义：人工智能（AI）是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门技术科学，核心是“让机器具备类人感知、思考、决策能力”，你后续实践的大模型、Agent均是AI技术的具体落地形态。

• 整体分类（从基础到前沿，层层递进，贴合你后续实践）：

1. 传统AI（基础层，衔接你研究生基础）：包括机器学习（ML）、深度学习（DL），是当前大模型、Agent等技术的底层基础。你研究生期间接触的模型训练、平台开发，核心属于这一范畴；后续conda环境中安装的pytorch、transformers等库，也是支撑传统AI与前沿AI的核心工具。

2. 生成式AI（当前主流，你已知工具的核心）：基于传统AI衍生，核心是“生成新内容”（文本、图像、代码等），区别于“识别类AI”（如人脸识别）。你了解的Deepseek、GLM、Anthropic Claude、扣子均属于此类，也是你后续本地实践（Docker部署、模型交互）的重点。

3. 智能体（Agent，你已知方向）：生成式AI的进阶形态，具备“自主理解任务、规划步骤、调用工具、完成目标”的能力，无需人工逐一步骤指导。你了解的Clawbot、Hello-Agents均属于Agent范畴，后续可结合本地大模型，搭建贴合SRE场景的运维Agent。

4. 辅助工具（你已知的轻量化工具）：Nano banana、龙虾等属于AI辅助工具，核心作用是简化AI应用落地流程（如轻量化文本处理、简单交互调试），可搭配本地大模型使用，降低实践门槛。

• 易混淆概念区分（重点突破碎片化痛点）：

• 机器学习（ML）vs 深度学习（DL）：ML是AI的核心分支，通过算法让机器从数据中学习规律；DL是ML的子集，基于“神经网络”（模拟人脑结构）实现，是大模型的核心技术（你研究生期间接触的模型训练，本质就是深度学习的应用）。

• 开源大模型（Deepseek、GLM）vs 闭源大模型（Anthropic Claude、扣子）：开源可本地部署（适配你Ubuntu电脑+conda环境，后续重点实践），可自定义优化、微调；闭源仅支持API调用，无法本地部署，适合快速测试但不适合深度实践。

• Agent vs 普通大模型：普通大模型需人工输入明确指令（如“写一段Ubuntu运维脚本”），Agent可自主拆解复杂任务（如“排查Ubuntu系统卡顿问题”，自主调用命令、分析日志、给出方案）。

二、AI底层核心技术（衔接你的深度学习基础，补全框架）

基于你研究生期间的模型训练、平台开发基础，重点梳理当前AI前沿技术的底层逻辑，无需从头学细节，重点理清“技术之间的关联”，为后续模型部署、优化打基础，同时关联conda环境中已安装的依赖库：

• 核心底层技术（重点回顾+补全）：

1. 神经网络（DL核心）：你研究生期间已接触，当前大模型的核心是“Transformer架构”（2017年提出，替代传统CNN、RNN），特点是“并行计算、长文本处理能力强”，Deepseek、GLM等大模型均基于Transformer架构开发；conda环境中安装的transformers库，就是专门用于调用Transformer类模型的工具。

2. 模型训练与量化（贴合本地实践）：模型训练是“让模型从数据中学习规律”（你研究生期间在超算上的核心工作）；模型量化是“降低模型参数精度（如INT4、INT8）”，减少内存/显存占用，适配你本地Ubuntu电脑（无高配置GPU也能运行），后续实践中会重点用到。

3. 自然语言处理（NLP，后续实践重点）：AI处理文本的核心技术，涵盖文本理解、生成、翻译等，你后续与Deepseek、GLM的交互、文档问答等实践，均基于NLP技术；conda环境中安装的sentencepiece库，就是NLP领域的核心工具（处理文本分词）。

4. 工具链技术（衔接SRE能力）：包括模型部署（Docker、Ollama，你已配置Docker，后续重点实践）、环境管理（conda，你已完成配置）、监控运维（Prometheus+Grafana，贴合你的SRE背景），是AI工程化落地的核心支撑。

• 技术关联逻辑（打破碎片化）：Transformer架构 → 训练出大模型（Deepseek、GLM） → 通过量化优化适配本地电脑 → 借助Ollama、Docker部署 → 结合LangChain、Agent实现场景化应用（如运维助手） → 用SRE技能实现监控、运维，形成“技术-实践-运维”的闭环。

三、当前AI生态与工具分类（梳理你已知工具，融入完整框架）

将你已知的Deepseek、GLM等工具，按“生态层级”分类，明确每个工具的定位、作用，避免碎片化记忆，同时明确后续实践的优先级：

• 第一层级：开源大模型（本地实践核心）

• 代表工具：Deepseek、GLM（智谱AI）

• 定位：生成式AI的核心载体，可本地部署（适配你Ubuntu+conda环境），支持自定义优化、微调，是后续实践的核心对象。

• 重点提示：优先从轻量化版本入手（如Deepseek-r1:8b、GLM-4-9B-Chat量化版），适配本地电脑配置，后续可逐步尝试更高参数模型。

• 第二层级：闭源大模型（辅助测试）

• 代表工具：Anthropic Claude、扣子（字节跳动）

• 定位：无法本地部署，仅支持API调用，适合快速测试指令效果、对比开源模型性能，可作为本地实践的“参照”。

• 第三层级：Agent框架与辅助工具（场景化落地）

• 代表工具：Agent（Hello-Agents）、Clawbot、Nano banana、龙虾

• 定位：基于大模型，实现场景化、自动化任务，无需人工逐一步骤操作。例如Clawbot可实现命令行交互，Nano banana可简化文本处理，后续可结合本地大模型，搭建SRE运维场景的Agent。

• 第四层级：基础工具链（支撑实践落地）

• 代表工具：conda（环境管理，已配置）、Docker（容器化部署，已配置）、Ollama（模型部署工具）、LangChain（大模型应用开发框架）、Prometheus+Grafana（监控，贴合SRE）

• 定位：保障AI实践顺利落地，你的SRE背景（容器化、监控）在这一层级可发挥核心优势，后续实践会逐步联动这些工具。

四、AI学习与实践的核心逻辑（衔接后续计划，明确方向）

结合你的基础和已配置的环境，明确“结构化学习+实践”的核心逻辑，避免走弯路，同时串联前面的知识框架：

• 核心逻辑：先补全框架（本模块内容）→ 本地实践落地（从简单到复杂）→ 优化迭代（结合SRE技能）→ 综合项目闭环。

1. 框架补全：掌握“AI分类→底层技术→工具生态”的逻辑，明确每个工具、技术的定位，解决碎片化问题；

2. 实践落地：基于已配置的conda、Docker环境，先部署轻量化开源大模型（Deepseek），完成简单交互，再联动Agent、LangChain实现场景化应用；

3. 优化迭代：结合SRE的运维、监控能力，优化模型部署、监控体系，同时学习模型微调等进阶技术；

4. 项目闭环：完成“智能运维助手”综合项目，将所有知识、工具串联起来，形成完整能力。

• 重点提醒：无需陷入“纯理论学习”，所有基础知识均为后续实践服务，比如学习Transformer架构，是为了理解大模型的运行逻辑，便于后续模型优化；学习模型量化，是为了让大模型在本地电脑流畅运行，贴合你的实际环境。

新增模块2：AI基础知识核心笔记（重点+易混淆点，便于快速查阅）

核心：提炼核心知识点、易混淆点，简洁不冗余，贴合你的SRE背景和后续实践，可快速查阅记忆，无需翻找完整框架。

一、核心知识点（必记，衔接实践）

• AI整体定位：核心是“机器类人感知、思考、决策”，后续实践的大模型、Agent都是AI的落地形态，服务于场景化需求（如SRE运维）。

• 核心分类（3层核心，舍弃冗余）：

• 传统AI（基础）：ML（机器学习）→ DL（深度学习），是大模型底层；conda安装的pytorch、transformers是核心支撑库。

• 生成式AI（主流）：核心“生成新内容”，代表：Deepseek、GLM（开源，本地实践重点）、Anthropic Claude、扣子（闭源，辅助测试）。

• Agent（进阶）：自主拆解任务、调用工具，代表：Hello-Agents、Clawbot，贴合SRE运维场景。

• 底层核心技术（4个重点）：

1. Transformer架构：大模型核心，替代CNN/RNN，并行计算强，Deepseek、GLM均基于此。

2. 模型量化：INT4/INT8，降低内存占用，适配本地Ubuntu（无GPU也能运行）。

3. NLP：文本处理核心，后续模型交互、文档问答均依赖，sentencepiece库是关键工具。

4. 工具链：conda（环境）、Docker（部署）、Ollama（模型部署）、Prometheus（监控），衔接SRE技能。

• 实践核心逻辑：框架补全 → 本地部署（Deepseek）→ 工具联动（LangChain/Agent）→ 优化运维（SRE技能）→ 项目闭环。

• 工具优先级：开源大模型（Deepseek、GLM）＞ 工具链（conda、Docker）＞ Agent（Hello-Agents）＞ 闭源模型（辅助）。

二、易混淆点（重点区分，避免踩坑）

• ML vs DL：ML是AI分支（机器从数据学规律），DL是ML的子集（基于神经网络），大模型属于DL范畴（你研究生期间的模型训练是DL应用）。

• 开源大模型 vs 闭源大模型：

• 开源（Deepseek、GLM）：可本地部署、自定义微调，适配Ubuntu+conda，是后续实践核心。

• 闭源（Anthropic Claude、扣子）：仅API调用，无法本地部署，适合快速测试。

• Agent vs 普通大模型：

• 普通大模型：需人工输入明确指令（被动执行）。

• Agent：自主拆解复杂任务（主动规划、调用工具），如自动排查系统故障。

• 模型训练 vs 模型量化：

• 训练：让模型学数据规律（你研究生超算工作）。

• 量化：降低参数精度，适配本地低配置电脑（后续实践重点操作）。

• 工具链定位：conda（环境管理，已配置）、Docker（容器化部署）、Ollama（快速部署模型），三者协同支撑本地实践，均需熟练使用。

三、SRE关联重点（贴合自身优势，快速记忆）

• 你的SRE技能适配AI场景：容器化部署（Docker）、环境监控（Prometheus）、故障排查，可落地AI模型运维、AIOps。

• 实践关联：Docker部署大模型、Prometheus监控模型状态、用SRE思路排查模型部署/运行故障（如容器崩溃、环境异常）。

第一阶段：基础环境搭建+核心知识回顾（1-2周，快速上手，唤醒基础）

目标：已完成conda等基础环境搭建，重点回顾深度学习核心知识点，快速上手你已知的开源大模型（Deepseek、GLM），实现“本地运行第一个AI模型”，衔接研究生时期的技术储备和本模块梳理的基础知识。

1. 本地环境确认（已完成，简单校验）

利用你SRE工作中对环境校验的习惯，确认已配置的conda、Docker环境正常，为后续实践铺路：

• conda环境校验：打开终端，执行conda activate ai-env（激活已创建的AI环境），输入conda list，确认pytorch、transformers、ollama等核心库已正常安装。

• Docker环境校验：执行docker --version，确认Docker服务正常运行；若未生效，重启电脑后再次校验（无需sudo即可操作Docker）。

• 补充说明：若出现环境异常（如conda命令无法使用、库安装失败），利用SRE故障排查思路，执行source ~/.bashrc刷新环境变量，或重新安装对应依赖。

2. 核心知识回顾（结合新增基础知识模块，精准唤醒）

无需重新学深度学习基础，结合本模块梳理的知识框架，重点回顾与当前AI发展衔接的知识点，快速衔接：

• 深度学习核心回顾：重点回顾Transformer架构（当前大模型核心）、模型训练流程、模型量化（适配本地电脑低配置），结合你研究生时期的超算模型训练经验，对比当前开源大模型（Deepseek、GLM）与当年模型的差异（重点看轻量化、部署便捷性）。

• 开源大模型认知：结合本模块梳理的AI生态，明确Deepseek、GLM的定位（开源可本地部署），区分与闭源模型（Anthropic Claude、扣子）的差异，优先聚焦开源模型（适配本地实践）。

• SRE与AI的联动点：思考SRE技能在AI学习中的优势——容器化部署、环境监控、故障排查，后续可落地“AI模型运维”“智能运维（AIOps）”，提前铺垫差异化方向，贴合本模块梳理的工具链技术逻辑。

3. 本地小实践（落地性强，快速建立信心）

聚焦“简单可运行”，利用Ollama工具快速部署你已知的Deepseek模型，完成首次本地AI交互，唤醒技术手感，衔接新增的基础知识：

• Ollama部署Deepseek：确保已激活conda环境（conda activate ai-env），执行以下命令完成部署（适配Ubuntu，操作简洁，贴合SRE高效部署习惯）

curl -fsSL ollama.com/install.sh | sh  # 安装Ollama
        
ollama run deepseek-r1:8b  # 下载并运行轻量化Deepseek模型（8B参数，CPU可运行，GPU更流畅）

• 基础交互测试：在终端与Deepseek对话，测试简单指令（如“解释Transformer架构”“写一段Ubuntu系统运维脚本”），验证模型运行正常，同时熟悉模型交互逻辑，关联本模块梳理的NLP、生成式AI知识。

• 简单优化实践：结合SRE运维经验，修改Ollama配置（如调整监听IP、设置服务自启动），实现“模型后台稳定运行”，练习基础的模型运维操作，衔接本模块梳理的工具链技术。

第二阶段：开源大模型深度实践+工具联动（3-4周，核心阶段，强化实操）

目标：熟练掌握本地开源大模型（Deepseek、GLM）的部署、优化与应用，联动你已知的Agent、LangChain等工具，完成简单的AI应用开发，同时结合SRE技能，实现模型的容器化部署与监控，衔接新增的基础知识框架。

1. 开源大模型进阶实践（Deepseek+GLM，重点突破）

• Deepseek深度部署：基于Docker容器化部署Deepseek，搭配Open WebUI打造可视化界面（提升操作便捷性，贴合SRE容器化运维能力）

# 拉取Open WebUI镜像
        
docker pull ghcr.io/open-webui/open-webui:main
        
# 启动容器，映射端口，实现可视化访问
        
mkdir /opt/openwebui
        
docker run -d -p 8080:8080 --add-host=host.docker.internal:host-gateway -v /opt/openwebui:/app/backend/data --name deepseek-webui --restart always ghcr.io/open-webui/open-webui:main
        
访问http://本地IP:8080，创建管理员账号，关联已部署的Deepseek模型，实现浏览器可视化对话。

• GLM模型部署：对比Deepseek，部署GLM-4-9B-Chat轻量化版本（本地CPU/GPU均可运行），练习模型切换、参数调优（如量化为INT4，降低显存/内存占用），对比两个模型的性能差异，加深对开源大模型的理解，关联本模块梳理的模型量化知识。

• 模型优化实践：结合SRE性能优化经验，针对本地模型运行卡顿、响应慢的问题，做简单优化（如模型量化、内存限制、进程管理），同时学习模型日志查看、故障排查（如Ollama服务异常重启、Docker容器崩溃处理），衔接本模块梳理的工具链技术。

2. 工具联动实践（LangChain+Agent，贴合你已知的工具）

利用你已知的Agent、LangChain等工具，联动本地大模型，完成简单的AI应用开发，实现“模型+工具”的协同，同时衔接SRE工作场景和新增的基础知识：

• LangChain基础应用：确保已激活conda环境（conda activate ai-env），使用LangChain对接本地Deepseek模型，实现简单的“文档问答”功能（如上传Ubuntu运维文档，让模型回答运维相关问题），练习文档解析、向量存储基础操作（可使用Milvus轻量化版本，适配本地环境），关联本模块梳理的NLP、工具链知识。

• Agent入门实践：使用Hello-Agents轻量化框架（DataWhale开源，适配Ubuntu，无复杂硬件要求），搭建简单的“运维助手Agent”，实现“自动查询系统状态、生成运维脚本”等功能，贴合你的SRE工作场景。

        
# 克隆仓库并安装依赖（适配conda环境，避免依赖冲突）
        
git clone https://github.com/datawhalechina/hello-agents.git

cd hello-agents && pip install -r requirements.txt
        
# 配置环境变量，对接本地Deepseek模型，运行运维助手案例

• 工具联动拓展：尝试结合你已知的Clawbot、Nano banana等工具，对接本地模型，实现简单的任务自动化（如Clawbot实现命令行交互，Nano banana实现轻量化文本处理），熟悉不同工具的协同逻辑，关联本模块梳理的AI生态分类知识。

3. SRE+AI联动实践（差异化优势打造）

结合你的SRE工作经验，将AI与运维结合，实现“智能运维”小场景落地，体现自身优势，衔接新增的工具链技术知识：

• 模型运维监控：使用Prometheus+Grafana（SRE常用监控工具），监控本地部署的Deepseek、GLM模型，设置关键指标告警（如模型内存使用率、响应时间、服务可用性），练习AI模型的运维监控能力。

• 简单AIOps实践：利用本地Deepseek模型，训练简单的“系统异常检测”模型（基于系统日志数据），实现“日志异常自动识别、简单故障提示”，落地基础的智能运维场景，关联本模块梳理的深度学习、NLP知识。

第三阶段：综合项目落地+知识拓展（4-6周，巩固提升，形成能力闭环）

目标：完成一个综合AI项目（贴合SRE场景，可本地运行），拓展AI前沿知识，梳理完整的AI技术体系，实现“学习-实践-复盘”的闭环，同时为后续深入学习或职业拓展打下基础，衔接新增的基础知识框架。

1. 综合项目落地（本地可运行，贴合自身优势）

推荐项目：《基于Deepseek的本地智能运维助手》，整合前两个阶段的知识和本模块梳理的AI基础知识，实现“容器化部署+可视化交互+运维场景适配”，全程在Ubuntu本地完成，难度适中，贴合你的SRE背景：

• 项目核心功能： 1. 容器化部署Deepseek模型+Open WebUI可视化界面，支持浏览器交互； 2. 集成LangChain，实现Ubuntu运维文档问答、命令查询、故障排查提示； 3. 对接Prometheus监控数据，让模型分析系统运行状态，给出优化建议； 4. 实现服务自启动、日志监控、故障自动重启（结合SRE运维技能）。

• 项目实施步骤： 1. 梳理需求，搭建项目架构（Docker容器化，拆分模型服务、Web界面、监控服务）； 2. 部署核心组件（Deepseek、Open WebUI、LangChain、Prometheus），完成组件联动（确保激活conda环境：conda activate ai-env，再安装相关依赖）； 3. 适配运维场景，优化模型提示词，训练简单的运维知识库； 4. 测试优化，解决部署、交互、监控中的问题（如端口冲突、模型响应慢、监控告警误报）； 5. 复盘总结，整理项目文档，形成可复用的部署脚本（贴合SRE规范，包含conda环境激活、依赖安装步骤）。

2. 知识拓展（贴合前沿，不盲目跟风）

结合你已知的AI工具和行业动态，有针对性地拓展知识，避免碎片化学习，重点聚焦“可落地、与自身能力相关”的方向，衔接本模块梳理的基础知识框架：

• 开源大模型进阶：学习模型微调基础（使用LoRA技术，适配本地电脑，无需大量算力），尝试微调Deepseek模型，注入Ubuntu运维相关知识，提升模型在运维场景的适配性，关联本模块梳理的模型训练、Transformer架构知识。

• Agent与多模型协同：深入学习Hello-Agents框架，尝试搭建多Agent协作系统（如“运维助手Agent+文档解析Agent”），熟悉智能体的任务规划、工具调用逻辑，关联本模块梳理的Agent知识。

• AI工程化落地：学习AI模型的CI/CD流程（结合SRE的CI/CD经验），实现本地模型的自动化部署、版本管理，掌握模型迭代的运维方法，关联本模块梳理的工具链技术。

• 前沿动态跟踪：重点关注你已知的工具（Deepseek、GLM、Anthropic等）的更新动态，每周花1-2小时阅读技术文档、行业新闻，了解Agent、MCP等技术的最新落地场景，避免与行业脱节，完善自身知识框架。

3. 复盘与优化（形成能力闭环）

• 每周复盘：记录学习进度、实践中的问题（如模型部署失败、工具联动异常），结合SRE故障排查思路，整理解决方案，形成个人笔记，同时补充完善自身AI知识框架。

• 项目优化：根据综合项目的运行效果，优化模型性能、交互体验、监控体系，尝试添加新功能（如多模型切换、批量处理运维日志），深化对AI基础知识的应用。

• 技能梳理：梳理“深度学习基础+开源大模型部署+AI工具应用+SRE运维”的核心能力，明确后续深入方向（如专注AIOps、大模型工程化等），形成完整的能力体系。

补充说明（适配本地Ubuntu电脑，贴合你的情况）

• 配置适配：若电脑CPU性能一般（无GPU），优先选择轻量化模型（如Deepseek-r1:8b、GLM-4-9B-Chat量化版），避免运行大参数模型导致卡顿；若有GPU，可尝试14B参数模型，提升交互体验，关联本模块梳理的模型量化知识。

• 时间适配：结合工作节奏，每天投入1-2小时，周末集中进行实践操作（如容器化部署、项目开发），避免急于求成，重点保证“每一步实践都能落地”，同时巩固本模块梳理的基础知识。

• 资源推荐：优先使用你已知的工具文档（Deepseek、GLM官方文档），搭配Hello-Agents框架教程、Ubuntu AI环境部署文档，无需额外找冗余资源，聚焦“本地实践”，同时可参考Transformer、NLP相关基础文档，补充完善知识框架。

• 避坑提醒：部署过程中若遇到Docker容器冲突、模型下载失败等问题，利用SRE运维经验排查（如查看日志、检查端口、重启服务），同时参考开源社区的解决方案，高效解决问题；若遇到conda环境异常，优先刷新环境变量或重新激活环境。

整体规划周期约8-12周，循序渐进，既唤醒你研究生时期的深度学习基础，又通过新增的AI基础知识模块打破碎片化认知，结合SRE工作优势打造差异化，全程可在Ubuntu本地完成，无需依赖外部算力，同时贴合你已知的AI工具，降低学习门槛，实现“从认知到实操、从基础到项目”的完整提升。