AI知识成长体系总纲——学习路径与进阶指南

Thu, 30 Jul 2026 00:00:00 +0800

AI知识成长体系总纲——学习路径与进阶指南

本文是「AI知识成长体系」系列的收官篇。前七篇文章已经把大模型工程的六大支柱——大模型基础、RAG、工具调用、LangChain框架、Agent、Claude Code——从原理到实践讲透了。这篇不再讲新技术，而是回答一个更重要的问题：怎么学、怎么练、怎么成长。

一、本文要回答的问题

作为一个想进入AI领域的工程师，应该按什么顺序学习？
每个阶段应该掌握什么技能、做什么项目？
怎么判断自己到了什么水平？下一个台阶是什么？
面试高频考点是什么？怎么准备？
AI技术迭代这么快，怎么持续跟进不掉队？
不同岗位（后端/前端/数据/AI应用）的AI学习重点有什么不同？
有哪些高质量的学习资源和社区？
Claude Code等AI编程工具怎么学、怎么用？

二、知识体系全景回顾

在讲学习路径之前，先用一张图回顾整套知识体系的结构和依赖关系：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32


 ┌──────────────────────┐
 │ Claude Code实战 │ ← 前沿实践
 │ (AI Coding Agent │ （工业级Agent最佳教材）
 │ 源码/提示词/方法论) │
 └──────────┬───────────┘
 │ 体现
 ┌──────────┴───────────┐
 │ Agent智能体 │ ← 终极形态
 │ (感知→规划→行动 │ （LLM+RAG+工具+记忆+反思）
 │ →反思 + Harness/Loop)│
 └──────────┬───────────┘
 │ 依赖
 ┌──────────┴───────────┐
 │ LangChain框架 │ ← 工程化
 │ (组件抽象+编排) │ （把组件标准化组合）
 └──────────┬───────────┘
 │ 依赖
 ┌────────────────┴────────────────┐
 │ │
 ┌─────────┴─────────┐ ┌──────────┴──────────┐
 │ RAG检索增强生成 │ │ LLM工具调用 │ ← 能力层
 │ (知识：外接知识库 │ │ (行动：调用外部工具) │
 │ +GraphRAG) │ │ (FC→MCP→Skill) │
 └─────────┬─────────┘ └──────────┬──────────┘
 │ │
 └────────────────┬────────────────┘
 │ 依赖
 ┌──────────┴───────────┐
 │ 大模型工程基础 │ ← 模型层
 │ (Transformer/训练 │ （大脑本身）
 │ /推理/Prompt) │
 └──────────────────────┘

核心逻辑：从下往上，每一层都建立在前一层之上。地基不稳，上面的一切都是空中楼阁。

三、七级成长路径

根据对大模型工程知识体系的理解，我们将AI工程师的成长路径划分为七级（新增Claude Code实战级），每一级都有明确的技能要求、实践项目和评估标准。

Level 0：认知建立期（0-2周）

目标：理解大模型是什么、能做什么、不能做什么，建立正确的认知框架。

需要掌握的概念：

LLM的本质：预测下一个token的自回归生成模型
大模型的三大局限：知识冻结、不能行动、没有持续状态
AI工程的三个层次：模型层（大脑）→ 能力层（RAG+工具）→ 应用层（框架+Agent+Claude Code）
RAG、Function Calling、Agent、MCP、Skill、CLAUDE.md这些术语的基本含义

推荐阅读：

本系列第00篇（导论）

实践任务：

用ChatGPT/Claude/DeepSeek等工具完成5个不同类型的任务
思考：哪些任务模型做得好？哪些做得差？为什么？

评估标准：能用自己的话解释「大模型是什么」「RAG解决什么问题」「Agent和聊天机器人有什么区别」「Claude Code是什么」。

Level 1：基础理解期（2-6周）

目标：理解大模型的底层原理，能看懂技术文档中的术语和概念。

需要掌握的技能：

知识模块	核心内容	优先级
Transformer架构	Self-Attention、Q/K/V、Encoder vs Decoder	高
训练三阶段	预训练→SFT→对齐（RLHF/DPO）	高
推理优化	KV Cache、量化、解码策略、Temperature/Top-p	高
Prompt工程	Prompt五要素、CoT思维链	高
位置编码	RoPE基本原理	中
分词器	BPE算法	中
微调技术	LoRA原理	中
部署框架	vLLM/SGLang概念了解	低

推荐阅读：本系列第01篇（完整阅读）

实践任务：

用Python调用OpenAI/Anthropic API，实现一个简单的对话程序
实验不同的Temperature和Top-p参数，观察生成结果的差异
写一个CoT Prompt，让模型解一道数学题
用Ollama在本地运行开源模型

评估标准：能解释Self-Attention原理、训练三阶段、KV Cache、Temperature参数。

Level 2：RAG实战期（6-10周）

目标：能独立构建一个RAG系统，理解从文档处理到检索生成的完整流程。

需要掌握的技能：

知识模块	核心内容	优先级
RAG完整流程	离线建库 + 在线检索生成	高
文档切割	Chunking策略、chunk_size选择	高
Embedding	原理、模型选型、评估	高
向量数据库	Milvus/Chroma使用、HNSW索引	高
检索优化	Query改写、多路召回、Rerank	高
GraphRAG/LightRAG	图增强RAG概念	中
效果评估	Hit@K、RAGAs框架	中

推荐阅读：本系列第02篇（完整阅读）

实践任务：

构建一个个人知识库RAG系统
实验不同的chunk_size（256/512/1024），对比检索效果
对比纯向量检索 vs 向量+BM25混合检索
加入Rerank步骤，观察精排效果
用RAGAs框架评估RAG系统质量

评估标准：能完整描述RAG离线+在线流程，解释文档切割的必要性，说出3种检索优化方法。

Level 3：工具调用期（10-14周）

目标：掌握Function Calling和MCP，能让LLM调用外部工具完成实际任务。

需要掌握的技能：

知识模块	核心内容	优先级
Function Calling	原理、schema定义、两轮对话流程	高
工具设计	description编写、参数设计	高
MCP协议	架构、三类能力、Client-Server模型	高
FC vs MCP	区别、选型场景	高
Skill概念	操作手册层、三层架构	中
A2A协议	Agent间协作	中
LLM网关	统一管理概念	低

推荐阅读：本系列第03篇（完整阅读）

实践任务：

用Function Calling实现一个天气查询+计算器工具
实现并行工具调用
搭建一个简单的MCP Server
实现「模型决定不调工具」的场景

评估标准：能解释FC三角色分工、MCP架构、FC/MCP/Skill三层架构。

Level 4：框架应用期（14-20周）

目标：熟练使用LangChain/LangGraph构建LLM应用。

需要掌握的技能：

知识模块	核心内容	优先级
LangChain核心组件	Model I/O、Chains、Memory、Agents	高
LCEL	管道符语法、Runnable接口	高
LangGraph	StateGraph、循环、分支、持久化	高
多Agent编排	Supervisor/Network模式	中
LangSmith	追踪、调试、评估	中
框架选型	LangChain vs LlamaIndex vs 手搓	中

推荐阅读：本系列第04篇（完整阅读）

实践任务：

用LangChain + LCEL构建RAG应用
用LangGraph构建ReAct Agent
用LangGraph实现简单的多Agent系统
接入LangSmith进行追踪调试
对比框架实现 vs 手搓实现

评估标准：能用LCEL写管道符链，用LangGraph构建带循环的Agent，对比框架优劣。

Level 5：Agent架构师期（20-28周）

目标：能设计完整的Agent系统，理解多Agent协作、Harness Engineering和Loop Engineering。

需要掌握的技能：

知识模块	核心内容	优先级
Agent设计范式	ReAct/Plan-and-Execute/Reflection选型	高
记忆机制	短期/长期记忆、记忆压缩	高
任务拆分	策略、并行优化	高
多Agent系统	通信、路由、协作模式	高
Harness Engineering	Agent越用越聪明的工程方法	高
Loop Engineering	从Prompt到Loop的范式转变	高
手搓vs框架	什么时候该手搓	高
OpenClaw	开源Agent方法论	中

推荐阅读：本系列第05篇（完整阅读）

实践任务：

设计并实现一个完整的Agent系统（代码审查/客服/数据分析）
实现三种设计范式各一个Demo，对比效果和token消耗
设计多Agent协作系统（Writer+Reviewer+Editor）
实现记忆压缩机制
践行Harness Engineering：持续优化一个Agent的外围框架
尝试Loop Engineering：用SDD+grill-me方式完成一个项目

评估标准：能对比三种范式优劣，设计四层记忆机制，解释Harness/Loop Engineering，完成完整Agent项目。

Level 6：AI编程实战期（28周+）

目标：深入理解Claude Code等AI编程工具的架构，掌握AI编程方法论。

需要掌握的技能：

知识模块	核心内容	优先级
Claude Code基础	使用技巧、命令、交互模式	高
CLAUDE.md	项目记忆工程、最佳实践	高
Skill机制	编写、加载、渐进式披露	高
SDD	规约驱动开发	高
grill-me	需求审问方法论	高
源码架构	Query Loop/Compact/grep/Memory/SubAgent	中
系统提示词	Fable 5设计哲学	中
AI编程方法论	expertise over coding	高

推荐阅读：本系列第06篇（完整阅读）

实践任务：

用Claude Code完成一个真实项目，写好CLAUDE.md
编写3-5个自定义Skill
用SDD方式开发一个功能模块
用grill-me方式审问一个复杂需求
阅读Claude Code源码的Query Loop部分
分析Fable 5系统提示词的设计模式

评估标准：能解释CLAUDE.md的作用和写法、Skill机制、Compact压缩原理、为什么用grep不用RAG、SubAgent隔离机制。

四、不同岗位的AI学习重点

后端工程师

 1
 2
 3
 4
 5
 6
 7
 8
 9
10


重点学习路径：
00 → 01（快速浏览原理）→ 02（RAG重点）→ 03（工具调用，API设计）
→ 04（LangChain）→ 06（Claude Code，编程提效）→ 05（Agent概念）

核心加分项：
- RAG系统工程化（高并发检索、缓存、分布式向量数据库）
- LLM网关设计与实现
- Agent系统后端架构（任务队列、状态管理、容错重试）
- 模型部署与服务化（vLLM/Triton）
- Claude Code的Skill和CLAUDE.md工程化

前端工程师

1
2
3
4
5
6
7
8
9


重点学习路径：
00 → 01（了解概念）→ 02（RAG流程理解）→ 04（LangChain，关注前端交互）
→ 06（Claude Code，AI编程）→ 05（Agent UX设计）

核心加分项：
- LLM应用流式输出与前端渲染
- Agent对话界面交互设计
- 可视化Agent工作流编排（类似Dify/Coze）
- 用Claude Code提高前端开发效率

数据工程师

1
2
3
4
5
6
7
8
9


重点学习路径：
00 → 01（Transformer/训练原理重点）→ 02（RAG重点，数据处理是核心）
→ 03（工具调用，数据查询Agent）

核心加分项：
- RAG数据管道设计（ETL→清洗→切割→Embedding→入库）
- 大规模向量数据处理与索引优化
- Embedding模型评估与选型
- GraphRAG知识图谱构建

AI应用工程师

1
2
3
4
5
6
7
8
9


重点学习路径：
全部8篇完整阅读，无捷径。

核心加分项：
- 全链路理解：从模型原理到Agent架构到Claude Code源码
- 能独立设计Agent系统架构
- 能做技术选型（模型/框架/向量数据库/部署方案）
- Harness Engineering实践能力
- Loop Engineering方法论落地

五、面试高频考点速查

大模型工程（出现频率：★★★★★）

考点	核心内容	难度
Transformer架构	Self-Attention公式、Q/K/V、为什么除√d_k	中
训练三阶段	预训练/SFT/对齐分别做什么	中
KV Cache	原理、为什么能加速	中
LoRA	原理、为什么低秩有效	中
幻觉	根因、能不能消除	高
MoE	总参数vs激活参数	中
Scaling Law	Chinchilla比例	低

RAG（出现频率：★★★★☆）

考点	核心内容	难度
RAG完整流程	离线+在线全流程	中
RAG vs 微调	优劣势对比	中
Chunking策略	怎么切、chunk_size怎么选	中
检索优化	Query改写/多路召回/Rerank	高
GraphRAG/LightRAG	原理与选型	高

工具调用（出现频率：★★★★☆）

考点	核心内容	难度
Function Calling原理	两轮对话流程	中
MCP是什么	核心架构、三类能力	中
MCP vs FC	区别、选型	高
FC/Skill/MCP三层	职责边界	高

Agent（出现频率：★★★★★）

考点	核心内容	难度
Agent vs LLM	本质区别	中
ReAct	原理、循环流程	中
三种范式对比	ReAct/Plan-Execute/Reflection	高
记忆机制	短期/长期、压缩方法	高
Multi-Agent	通信方式、路由	高
Harness Engineering	是什么、怎么做	高
手搓vs框架	为什么手搓	高

Claude Code（出现频率：★★★☆☆，新兴考点）

考点	核心内容	难度
CLAUDE.md	作用、怎么写	中
Skill机制	是什么、怎么用	中
Compact压缩	原理	高
grep vs RAG	为什么不用RAG	高
SubAgent	隔离机制	高

六、高质量学习资源推荐

系统课程

资源	类型	适合阶段	说明
本系列8篇文章	教程	Level 0-6	你正在读的这套
吴恩达《ChatGPT Prompt Engineering》	视频课	Level 1	Prompt工程入门
吴恩达《Building Systems with ChatGPT API》	视频课	Level 1-2	LLM应用构建
吴恩达《LangChain for LLM App Dev》	视频课	Level 4	LangChain入门
李宏毅《机器学习2024/2025》	视频课	Level 1	Transformer/LLM原理
DeepLearning.AI《Functions, Tools and Agents》	视频课	Level 3-4	工具调用与Agent

官方文档

文档	适合阶段	说明
OpenAI API文档	Level 1+	Function Calling参考
Anthropic API文档	Level 1+	Claude系列，Tool Use
LangChain官方文档	Level 4+	最权威的LangChain参考
LangGraph文档	Level 4+	多Agent编排
MCP协议规范	Level 3+	MCP官方规范
Claude Code文档	Level 6+	AI编程工具官方文档

开源项目

项目	适合阶段	学什么
LangChain	Level 4+	LLM应用框架设计
LangGraph	Level 4+	图式Agent编排
AutoGen (Microsoft)	Level 5	多Agent对话框架
CrewAI	Level 5	角色扮演多Agent
LlamaIndex	Level 2+	RAG框架设计
Dify	Level 4+	LLM应用平台
LightRAG	Level 2+	轻量级GraphRAG实现

社区与资讯

社区	类型	说明
Hugging Face	模型/数据集	开源模型中心
Papers with Code	论文+代码	前沿论文追踪
小林面试笔记	面试	本系列素材来源
LangChain Discord	社区	LangChain官方社区

七、持续成长策略

1. 建立信息源

关注关键实验室博客：OpenAI Blog、Anthropic Blog、Google DeepMind Blog
关注关键会议：NeurIPS、ICML、ACL、ICLR
关注关键人物：Andrej Karpathy、Harrison Chase（LangChain创始人）

2. 动手优先

看10篇文章不如跑1次代码。每学一个新概念，立刻写最小可运行示例。

3. 以项目驱动学习

推荐的项目难度递进：

入门级：个人知识库RAG（Level 2）
进阶级：带工具调用的Agent助手（Level 3-4）
挑战级：多Agent协作系统（Level 5）
终极：用Claude Code完成完整AI产品（Level 6）

4. 建立知识图谱

每学一个新东西，问自己：

这个概念属于哪个知识分支？
它和已学过的什么概念有关联？
它替代/补充/颠覆了什么旧方法？

5. 教是最好的学

写博客/笔记
给同事做技术分享
回答社区问题

八、常见学习陷阱

陷阱1：跳过基础直接学框架

不懂Transformer、不懂Embedding原理，直接学LangChain和Agent。结果遇到问题完全不知道怎么排查。

对策：至少完成Level 1再碰框架。

陷阱2：只看不练

看了一堆教程觉得「都懂了」，一动手就卡壳。

对策：每学一个概念必须写代码验证。

陷阱3：追新成瘾

AI领域每天都有新论文新框架，但底层原理（Transformer、Attention、RAG流程）非常稳定。

对策：80%精力掌握稳定底层，20%精力跟进新动态。

陷阱4：忽视评估

做了Demo觉得效果「看起来还行」，到生产环境才发现检索准确率只有40%。

对策：从Level 2开始建立评估意识。

陷阱5：不会用AI编程工具

很多人还在用传统方式写代码，不知道Claude Code等工具能把效率提升数倍。

对策：尽早进入Level 6，学会用CLAUDE.md、Skill、SDD、grill-me。

陷阱6：忽视Harness Engineering

把Agent当一次性工具用，不做持续优化。

对策：践行Harness Engineering，把Agent当系统持续打磨。

九、本系列知识体系总结

回顾全系列8篇文章：

篇目	标题	核心价值
00	AI大模型工程知识体系总览与导论	建立认知框架，找到学习路径
01	大模型基础与工程化实践	理解LLM本质，从Transformer到部署评测
02	RAG检索增强生成——从原理到工程落地	掌握企业AI落地最成熟的应用模式
03	LLM工具调用深度解析——从Function Calling到MCP	让LLM从「说话」变成「做事」
04	LangChain框架全解析——架构、组件与实战	掌握LLM应用开发的标准框架
05	Agent智能体——从概念到自主推理与行动	理解AI工程的终极形态+Harness/Loop Engineering
06	Claude Code实战——AI编程工程深度拆解	工业级Agent最佳实践教材
07	本文：AI知识成长体系总纲	系统化学习路径与持续成长策略

贯穿全系列的核心认知

模型是大脑，代码是身体：LLM永远是决策者，代码是执行者
知识在数据里，不在参数里：RAG比微调更灵活
复杂任务必须拆分：从文档切割到SubAgent
检索质量决定生成质量：RAG的功夫在检索，但场景决定检索方式
记忆是Agent的连续性：CLAUDE.md文件比向量数据库更适合代码项目
反思让Agent从错误中学习：grill-me把反思前置
框架是加速器，不是依赖：Claude Code自己手搓了所有机制
评估是工程化的前提：40万次会话研究驱动了方法论的诞生
Harness Engineering让Agent越用越聪明：优化外围框架比换模型更有效
从Prompt到Loop是范式转变：AI编程重新定义了人机协作

十、结语

AI工程不是一个可以速成的领域，但它也并非高不可攀。关键在于：

按正确的顺序学：先原理后应用，先基础后框架
动手实践：每学一个概念就写代码
建立体系：把碎片知识串联成知识树
持续迭代：AI在演进，你的知识也要迭代
用好AI工具：用Claude Code等工具加速你的学习和开发

本系列文章提供了一个完整的知识框架和学习路径，但真正的成长发生在你合上这份文档、打开编辑器、开始写代码的那一刻。

祝你在AI时代不掉队，甚至走在前面。

全系列完。

本系列共8篇文章，覆盖大模型基础、RAG、工具调用、LangChain框架、Agent智能体、Claude Code实战六大核心主题，形成完整的AI知识成长体系。

素材来源：小林面试笔记（xiaolinnote.com）七大板块共97篇深度文章，经带cookie完整抓取、系统性遍历、深度提取、改写重构而成。

本文是「AI知识成长体系」系列第07篇（收官篇）。

AI Engineering on SelfTechHub

AI知识成长体系总纲——学习路径与进阶指南

AI知识成长体系总纲——学习路径与进阶指南

一、本文要回答的问题

二、知识体系全景回顾

三、七级成长路径

Level 0：认知建立期（0-2周）

Level 1：基础理解期（2-6周）

Level 2：RAG实战期（6-10周）

Level 3：工具调用期（10-14周）

Level 4：框架应用期（14-20周）

Level 5：Agent架构师期（20-28周）

Level 6：AI编程实战期（28周+）

四、不同岗位的AI学习重点

后端工程师

前端工程师

数据工程师

AI应用工程师

五、面试高频考点速查

大模型工程（出现频率：★★★★★）

RAG（出现频率：★★★★☆）

工具调用（出现频率：★★★★☆）

Agent（出现频率：★★★★★）

Claude Code（出现频率：★★★☆☆，新兴考点）

六、高质量学习资源推荐

系统课程

官方文档

开源项目

社区与资讯

七、持续成长策略

1. 建立信息源

2. 动手优先

3. 以项目驱动学习

4. 建立知识图谱

5. 教是最好的学

八、常见学习陷阱

陷阱1：跳过基础直接学框架

陷阱2：只看不练

陷阱3：追新成瘾

陷阱4：忽视评估

陷阱5：不会用AI编程工具

陷阱6：忽视Harness Engineering

九、本系列知识体系总结

贯穿全系列的核心认知

十、结语