站点标志Map the AI
  • 每日短课
  • AI 新闻
  • 学习轨道
  • 主题
  • 我的路径
  • 路线图
站点标志Map the AI

AI 不断向前，学习有路可循。

地图
  • 学习轨道
  • 主题
  • 我的路径
  • 路线图
公司
  • 关于我们
  • 联系我们
法律
  • Cookie 政策
  • 隐私政策
  • 服务条款
© 2026 Map the AI。由 NeatSeed LLC 运营。保留所有权利。

你的学习路径

选择你想学多深、每周有多少时间。深度决定学哪些文章；时间只决定多久学完。

水平
专家
文章
146
阅读时间
193h
周
77

以每周 3 小时计，这是 77 周。提高每周小时数能让同样的内容在更短时间内学完——或者降到更低的目标水平，学更少的文章。

  1. 第 1 周

    2h
    1. 1
      机器学习基础1h
    2. 2
      机器学习基础1h

  2. 第 2 周

    2.3h
    1. 3
      机器学习基础1.25h
    2. 4
      机器学习基础1h

  3. 第 3 周

    3h
    1. 5
      机器学习基础1h
    2. 6
      机器学习基础1h
    3. 7
      机器学习基础1h

  4. 第 4 周

    2.6h
    1. 8
      机器学习基础1.25h
    2. 9
      机器学习基础1.25h

  5. 第 5 周

    3h
    1. 10
      机器学习基础1h
    2. 11
      机器学习基础1h
    3. 12
      机器学习基础1h

  6. 第 6 周

    2.8h
    1. 13
      基础概念1h
    2. 14
      经典 NLP0.75h
    3. 15
      经典 NLP1h

  7. 第 7 周

    2.8h
    1. 16
      基础概念1.5h
    2. 17
      经典 NLP1.25h

  8. 第 8 周

    2.6h
    1. 18
      经典 NLP1.25h
    2. 19
      经典 NLP1.25h

  9. 第 9 周

    2.6h
    1. 20
      经典 NLP1.25h
    2. 21
      经典 NLP1.25h

  10. 第 10 周

    2.3h
    1. 22
      基础概念1.25h
    2. 23
      基础概念1h

  11. 第 11 周

    2.3h
    1. 24
      基础概念1.25h可视化讲解
    2. 25
      基础概念1h

  12. 第 12 周

    2.8h
    1. 26
      基础概念1h
    2. 27
      基础概念1h
    3. 28
      基础概念0.75h

  13. 第 13 周

    2h
    1. 29
      基础概念1h可视化讲解
    2. 30
      基础概念1h

  14. 第 14 周

    2.5h
    1. 31
      基础概念1.5h
    2. 32
      基础概念1h

  15. 第 15 周

    3h
    1. 33
      模型内部1h
    2. 34
      模型内部2h可视化讲解

  16. 第 16 周

    2.5h
    1. 35
      模型内部2.5h可视化讲解

  17. 第 17 周

    2.3h
    1. 36
      模型内部1.25h
    2. 37
      模型内部1h

  18. 第 18 周

    2.5h
    1. 38
      模型内部1.5h
    2. 39
      模型内部1h

  19. 第 19 周

    1h
    1. 40
      模型内部1h

  20. 第 20 周

    3h
    1. 41
      模型内部3h可视化讲解

  21. 第 21 周

    2.8h
    1. 42
      经典 NLP1.25h
    2. 43
      模型内部1.5h

  22. 第 22 周

    2h
    1. 44
      模型内部2h可视化讲解

  23. 第 23 周

    3h
    1. 45
      模型内部1.5h
    2. 46
      模型内部1.5h

  24. 第 24 周

    2.6h
    1. 47
      提示工程1.25h
    2. 48
      提示工程1.25h

  25. 第 25 周

    2.5h
    1. 49
      提示工程1.5h可视化讲解
    2. 50
      提示工程1h

  26. 第 26 周

    2h
    1. 51
      提示工程1h
    2. 52
      提示工程1h

  27. 第 27 周

    2.3h
    1. 53
      提示工程1.25h
    2. 54
      提示工程1h

  28. 第 28 周

    2.1h
    1. 55
      提示工程1.25h
    2. 56
      提示工程0.75h

  29. 第 29 周

    3h
    1. 57
      RAG1h
    2. 58
      RAG2h可视化讲解

  30. 第 30 周

    3h
    1. 59
      RAG1.5h
    2. 60
      RAG1.5h

  31. 第 31 周

    2.6h
    1. 61
      RAG1.25h
    2. 62
      RAG1.25h

  32. 第 32 周

    2.8h
    1. 63
      RAG1.5h可视化讲解
    2. 64
      Agent1.25h

  33. 第 33 周

    2h
    1. 65
      Agent2h可视化讲解

  34. 第 34 周

    2h
    1. 66
      Agent2h可视化讲解

  35. 第 35 周

    2.8h
    1. 67
      Agent1.25h
    2. 68
      Agent1.5h

  36. 第 36 周

    2.8h
    1. 69
      Agent1.5h
    2. 70
      Agent1.25h

  37. 第 37 周

    2.8h
    1. 71
      Agent1.5h
    2. 72
      Agent1.25h

  38. 第 38 周

    3h
    1. 73
      应用落地1.5h
    2. 74
      应用落地1.5h

  39. 第 39 周

    1.8h
    1. 75
      应用落地1.75h

  40. 第 40 周

    2.6h
    1. 76
      应用落地1.25h
    2. 77
      应用落地1.25h

  41. 第 41 周

    3h
    1. 78
      应用落地1h
    2. 79
      评测1h
    3. 80
      评测1h

  42. 第 42 周

    2.8h
    1. 81
      评测1h
    2. 82
      评测0.75h
    3. 83
      评测1h

  43. 第 43 周

    2.3h
    1. 84
      评测1h
    2. 85
      评测1.25h

  44. 第 44 周

    2h
    1. 86
      评测1h
    2. 87
      评测1h

  45. 第 45 周

    2h
    1. 88
      多模态2h可视化讲解

  46. 第 46 周

    2h
    1. 89
      多模态2h可视化讲解

  47. 第 47 周

    2.8h
    1. 90
      多模态1.5h
    2. 91
      多模态1.25h

  48. 第 48 周

    2.8h
    1. 92
      多模态1.5h
    2. 93
      多模态1.25h

  49. 第 49 周

    3h
    1. 94
      多模态1.5h
    2. 95
      多模态1.5h

  50. 第 50 周

    2.8h
    1. 96
      训练与适配1.5h
    2. 97
      训练与适配1.25h

  51. 第 51 周

    2.8h
    1. 98
      训练与适配1.25h
    2. 99
      训练与适配1.5h

  52. 第 52 周

    2.3h
    1. 100
      训练与适配1.25h
    2. 101
      评测1h

  53. 第 53 周

    2.8h
    1. 102
      训练与适配1.25h
    2. 103
      训练与适配1.5h

  54. 第 54 周

    2.8h
    1. 104
      训练与适配1h
    2. 105
      训练与适配1.75h

  55. 第 55 周

    2.8h
    1. 106
      训练与适配1.5h
    2. 107
      训练与适配1.25h

  56. 第 56 周

    2.8h
    1. 108
      训练与适配1.25h
    2. 109
      进阶架构1.5h

  57. 第 57 周

    3h
    1. 110
      进阶架构1.5h
    2. 111
      进阶架构1.5h

  58. 第 58 周

    3h
    1. 112
      进阶架构1.5h
    2. 113
      进阶架构1.5h

  59. 第 59 周

    2.6h
    1. 114
      进阶架构1.25h
    2. 115
      进阶架构1.25h

  60. 第 60 周

    3h
    1. 116
      进阶架构1.5h
    2. 117
      进阶 RAG1.5h

  61. 第 61 周

    1.3h
    1. 118
      进阶 RAG1.25h

  62. 第 62 周

    2h
    1. 119
      进阶 RAG2h可视化讲解

  63. 第 63 周

    3h
    1. 120
      进阶 RAG1.5h可视化讲解
    2. 121
      进阶 RAG1.5h

  64. 第 64 周

    3h
    1. 122
      进阶 RAG1.5h可视化讲解
    2. 123
      进阶 RAG1.5h

  65. 第 65 周

    3h
    1. 124
      进阶 Agent1.5h
    2. 125
      进阶 Agent1.5h

  66. 第 66 周

    3h
    1. 126
      进阶 Agent1.5h
    2. 127
      进阶 Agent1.5h

  67. 第 67 周

    2.8h
    1. 128
      进阶 Agent1.5h
    2. 129
      进阶 Agent1.25h

  68. 第 68 周

    1.8h
    1. 130
      进阶 Agent1.75h

  69. 第 69 周

    2.8h
    1. 131
      安全防护1.25h
    2. 132
      安全防护1.5h

  70. 第 70 周

    2.8h
    1. 133
      安全防护1.25h
    2. 134
      安全防护1.5h

  71. 第 71 周

    2.8h
    1. 135
      安全防护1.5h
    2. 136
      安全防护1.25h

  72. 第 72 周

    2.8h
    1. 137
      安全防护1.5h
    2. 138
      生产实践1.25h

  73. 第 73 周

    2.8h
    1. 139
      生产实践1.5h
    2. 140
      生产实践1.25h

  74. 第 74 周

    2.3h
    1. 141
      生产实践1h
    2. 142
      生产实践1.25h

  75. 第 75 周

    2.3h
    1. 143
      评测1h
    2. 144
      生产实践1.25h

  76. 第 76 周

    1.5h
    1. 145
      生产实践1.5h

  77. 第 77 周

    1.8h
    1. 146
      生产实践1.75h
机器学习是什么？
数据如何变成数字
什么是神经网络？
权重与偏置
前向传播
激活函数
损失函数
梯度下降
反向传播
过拟合与泛化
AI 中的概率
训练集、验证集、测试集
什么是 AI 中的 token？
经典文本预处理
词袋模型与 N-gram
什么是 embedding？
word2vec：词向量的起点
循环神经网络
LSTM 与 GRU：留得住的记忆
序列到序列与编码器-解码器
注意力的起源
词表是从哪来的？
LLM 是什么？
LLM 到底是怎么写字的？
基座模型 vs 对话模型
语言建模目标
logit 与 softmax
困惑度：语言模型的内在度量
温度和 top-p 详解
训练与推理
预训练究竟发生了什么？
「7B 参数」是什么意思？
解码策略：贪心搜索与束搜索
语义的几何结构
transformer 是怎么工作的？
编码器、解码器与编码器-解码器架构
transformer 里的前馈网络
层、残差与深度
归一化层：LayerNorm 与 RMSNorm
输出投影：从隐藏状态到词表 logit
自注意力图解
transformer 为什么胜出
什么是 KV cache？
为什么要多个注意力头？
模型怎么知道词序？
长上下文为什么这么贵
AI 模型为什么会产生幻觉？
Prompt 基础
让模型一步步思考
什么是上下文窗口？
别描述，给例子：few-shot prompting
上下文学习：few-shot prompting 为什么有效
Prompt 不灵了，接下来怎么办？
Prompt 模式与反模式
从 LLM 里取出 JSON
什么是 system prompt？
为什么需要 RAG
RAG 是怎么一步步工作的
如何为 RAG 做文档分块
RAG 还是微调？
为什么你需要重排序模型
什么是向量数据库？
相似度检索到底是怎么运作的
什么是 AI agent？
工具调用是怎么运作的？
Agent 循环
Agent 架构：从固定规则到自主决策
Agent 如何失效
把工具定义写好
MCP 是什么？
多步规划
ReAct 范式
你的第一次 LLM API 调用
你怎么知道它管用？
从 Demo 到生产环境
该用哪个模型？
砍掉 API 账单
响应为什么要流式输出
偏差-方差权衡
评测为什么比训练更难
精确率、召回率、F1 与准确率
混淆矩阵：准确率为何会骗人
人工评估与标注者一致性
回归指标：MSE、MAE 与 R²
检索与排序指标
ROC 与 AUC：不依赖阈值的评测
文本生成指标：BLEU、ROUGE、METEOR
模型是怎么看图像的？
图像生成是怎么工作的
多模态 embedding
对比学习与 CLIP
语音识别是怎么运作的
文本转语音是怎么工作的
视觉语言模型
文档理解与 OCR
微调到底是怎么工作的
模型蒸馏
超参数调优
LoRA 与参数高效微调
读懂模型基准测试
基准测试污染与古德哈特定律
优化器与学习率
什么是量化？
正则化：dropout 与 weight decay
模型是怎么被对齐的
推理模型是怎么工作的
合成数据
迁移学习：预训练为什么可以被复用
注意力变体：稀疏、线性与滑动窗口
embedding 模型如何训练
推理服务是怎么运作的
长上下文是怎么成为可能的
专家混合
模型融合与组合
投机解码
状态空间模型
Agentic RAG
上下文检索
GraphRAG
混合检索
面向图像与表格的 RAG
查询改写与扩展
评测 RAG
评测 agent
Agent 记忆
编程 agent
操作电脑的 agent
上下文工程
人在回路的设计
多 agent 系统
模型供应链风险
处理 PII 与敏感数据
AI 治理与合规
提示注入
越狱与护栏
内容审核
对 AI 系统做红队测试
延迟优化
LLM 系统的可观测性
成本监控与归因
Prompt 版本管理
A/B 测试 AI 功能
统计显著性：为什么只比一次会骗人
在模型之间迁移
可靠性模式
自托管模型