---
tags: [AI, MOC, 总索引]
阶段: 全书
难度: ★☆☆
created: 2026-10-18
related: "[[README]], [[MOC-数学基础]], [[MOC-LLM原理]]"
---

# AI 学习笔记库 · 总索引

本库是一部以 Obsidian 为载体的系统性 AI 原理教材，覆盖从数学基础到 LLM、RAG、对齐与 Agent 工程的完整链路。全部笔记使用统一术语与符号约定，按阶段递进；每一阶段以 MOC（Map of Content）组织阅读顺序，每篇笔记自带定义、推导、可运行例子、易错点与达标检测。

> [!summary] 使用方式
> 首次使用先读 [[README]]，确认工具链与笔记约定。按下方学习路径顺序推进；每完成一篇，勾选该篇的达标检测，并在 [[项目日志]] 记录所用时间与未解决问题。遇到前置缺口时沿双链回溯，不要跳读推导。

## 阶段地图

```mermaid
flowchart TD
    M[01 数学基础] --> P[02 Python 与数据处理]
    P --> ML[03 经典机器学习]
    ML --> DL[04 深度学习核心]
    DL --> LLM[05 Transformer 与 LLM 原理]
    LLM --> RAG[06 Prompt 与 RAG]
    LLM --> FT[07 微调与对齐]
    RAG --> AG[08 Agent 与工程化]
    FT --> AG
    AG --> EV[09 评估、安全与前沿]
    EV -.->|研究反馈| LLM
```

## 各阶段入口

| 阶段 | MOC | 核心问题 | 主要产出能力 |
|---|---|---|---|
| 01 数学基础 | [[MOC-数学基础]] | 向量、矩阵、导数、概率与优化如何形式化描述学习问题 | 能读懂并手推后续所有公式 |
| 02 Python 与数据处理 | [[MOC-Python]] | 如何用代码高效、可复现地处理张量与数据 | 能写向量化数值代码与数据管道 |
| 03 经典机器学习 | [[MOC-机器学习]] | 从数据到模型的归纳偏置、损失与评估 | 能实现并评估传统模型 |
| 04 深度学习核心 | [[MOC-深度学习]] | 神经网络如何表示与通过梯度学习 | 能手推反向传播并训练网络 |
| 05 Transformer 与 LLM 原理 | [[MOC-LLM原理]] | 注意力、Transformer、GPT/Llama 与从零实现 | 能复现小型 GPT 并解释每个组件 |
| 06 Prompt 与 RAG | [[MOC-Prompt与RAG]] | 如何组织上下文与外部知识增强生成 | 能构建并评估 RAG 系统 |
| 07 微调与对齐 | [[MOC-微调与对齐]] | 如何用数据改变模型行为并符合偏好 | 能完成 LoRA/SFT/DPO 实验 |
| 08 Agent 与工程化 | [[MOC-Agent与工程化]] | 如何把模型组织为可用的系统 | 能设计工具调用、记忆与部署方案 |
| 09 评估、安全与前沿 | [[MOC-评估与安全]] | 如何度量能力、风险与可靠性 | 能设计评估并识别失效模式 |

## 学习路径

推荐主线为九阶段顺序推进，预计 14–18 周（按每周 8–10 小时计）：

1. 第 1–2 周：[[线性代数]] → [[微积分与梯度]] → [[概率与统计]] → [[矩阵分解-SVD与特征分解]] → [[优化算法-梯度下降与Adam]]。数学阶段以「能推、能用代码验证」为标准，不追求分析学式的完备证明。
2. 第 3 周：[[Python语法速查]] → [[NumPy向量化]] → [[Pandas数据清洗]] → [[Matplotlib可视化]] → [[数据工程入门]]。与 01 阶段交叉进行，用代码验证数学结论。
3. 第 4–5 周：[[机器学习绪论]] → [[线性回归]] → [[逻辑回归]] → [[模型评估与交叉验证]] → [[支持向量机SVM]] → [[树模型与集成学习]] → [[无监督学习与聚类]] → [[PCA与降维]] → [[异常检测]] → [[推荐系统]] → [[机器学习系统设计]]。先建立「损失—优化—评估」闭环，再扩展到模型族。
4. 第 6–7 周：[[神经网络与前向传播]] → [[反向传播详解]] → [[损失函数]] → [[优化器与学习率]] → [[激活函数]] → [[正则化与调参]] → [[卷积神经网络CNN]] → [[循环神经网络RNN]] → [[LSTM与GRU]] → [[数据增广]] → [[PyTorch实战入门]]。反向传播必须手推一遍，不能只调用框架。
5. 第 8–10 周：[[预备知识-token与嵌入]] → [[Tokenizer与BPE]] → [[从RNN到注意力机制]] → [[注意力机制与QKV]] → [[因果注意力与多头注意力]] → [[位置编码-正弦与RoPE]] → [[Transformer架构详解]] → [[自回归生成与采样]] → [[GPT系列架构]] → [[BERT与双向编码模型]] → [[KV缓存]] → [[分组查询注意力GQA]] → [[专家混合MoE]] → [[超长上下文-无限注意力]] → [[Llama-2架构复盘]] → [[预训练-微调-对齐pipeline]] → [[从零实现小型GPT指南]]。本阶段是全库重心，nanoGPT 复现必须完成。
6. 第 11–12 周：[[Prompt工程]] → [[上下文工程与Few-shot]] → [[结构化输出]] → [[Embedding与向量检索]] → [[向量数据库]] → [[RAG原理与流程]] → [[RAG文档分块策略]] → [[检索优化与重排Rerank]] → [[进阶RAG-Self-RAG与Agentic-RAG]] → [[RAG评估]] → [[从零实现RAG指南]]；并行推进 [[微调方法全景]] → [[LoRA与QLoRA]] → [[数据集质量控制]] → [[指令微调SFT]] → [[对齐-RLHF]] → [[DPO与偏好优化]] → [[继续预训练与领域适配]]。
7. 第 13–15 周：[[AI-Agent与工具调用]] → [[Agent工作流与编排]] → [[Agent记忆与上下文]] → [[MCP协议]] → [[Harness与Loop工程]] → [[模型推理优化]] → [[分布式训练与部署]] → [[成本-延迟-质量权衡]] → [[端到端项目模板]]。
8. 第 16 周以后：[[模型评估矩阵]] → [[幻觉与缓解]] → [[越狱与安全对齐]] → [[可解释性]] → [[多模态与生成模型概览]] → [[论文阅读法]] → [[AI技术动态追踪]]。此后以论文与项目驱动，回到 05/06/08 阶段按需深挖。

## 三条能力主线

- 懂底层：01、04、05 三阶段的推导与手算例題构成主干；任何结论都应能回答「它从哪个假设推出」。
- 能复现：02、04 的 PyTorch 训练循环，05 的 [[从零实现小型GPT指南]]，06 的 [[从零实现RAG指南]]，07 的 LoRA/SFT 实验，08 的 [[端到端项目模板]]。
- 会评估：03 的 [[模型评估与交叉验证]]、06 的 [[RAG评估]]、09 的 [[模型评估矩阵]] 构成从指标到实验设计的完整评估能力。

## 阅读标记约定

- 前置依赖在每篇「关联笔记」中标注「前置」，未掌握时先回溯。
- 关键推导使用编号步骤，便于复核；代码块给出预期输出的形状或数值。
- `> [!warning]` 为可检验的错误模式；`> [!tip]` 为机制性直觉，不替代定义与推导。

## 配套文件

- [[README]]：环境、插件、笔记约定与维护流程。
- [[概念笔记模板]]、[[阶段MOC模板]]：新增笔记时复制使用。
- [[学习记录模板]]、[[项目日志]]：进度与实验记录。
