一份好的 AI 学习路线，至少要包含这 6 个模块

一条 AI 学习路线如果只有模型和框架，通常会在 Demo 之后失去方向。更完整的路线应覆盖模型、数据、工具、系统、评估和复盘；六块不需要等量学习，但每块都要留下可检查产物。

六份资料的课程画像

| 模块 | 资料 | 结构与前置 | 建议投入与产物 | | --- | --- | --- | --- | | 模型 | Hugging Face Course | 按 NLP/Transformers 生态分章，适合会 Python 的读者 | 先读 tokenizer、model 与 inference 相关章节；产出概念对照笔记 | | 数据 | Unstructured | 文档分区、解析与连接器；需会 Python 和文件处理 | 用半天检查三种文档；留下失败样本 | | 工具 | LangGraph | 状态图、节点、持久化与中断；需会 Python/状态机 | 用一天做可暂停工具流 | | 系统 | AI Infra Engineer Learning | 十个基础设施模块和三个项目；需 Linux、Docker、云基础 | 只选 Project 01 或一个模块，完整体系是长期投入 | | 评估 | Ragas | 数据集、指标与实验；先要有 RAG 样本 | 用半天把已有问题整理为评估集 | | 复盘 | MLflow Tracking 文档 | 运行、参数、指标与产物记录；需会 Python 和基本实验对照 | 保存一次基线与一次改动的运行记录、失败样本和结论 |

表中的投入是本站为“第一次取样”设计的学习预算，不是资料官方课时。AI Infra 仓库首页的 500+ 小时属于当前 Engineer 路线；440 小时属于推荐的 Junior 前置路线。仓库同时存在“模块与项目 100% COMPLETE”和“练习 32/119”的说明，选择系统模块时必须保留这两个完成度边界。以上按 2026-07-15 官方仓库核验。

模型模块解决语言，不解决交付

Hugging Face Course 适合建立 tokenizer、模型任务和生态概念。对应用开发者而言，不必从训练章节一路通读；先把推理输入输出、上下文限制和任务类型讲清楚即可。

数据模块决定系统上限

Unstructured 的价值在于让你面对 PDF、表格和扫描件的差异。完成标准是一组有代表性的坏样本及处理决定，不是“成功解析一份文件”。

一句话解读：模型让系统会回答，数据模块决定它拿什么回答。

一句话解读：六模块不是六门并行课程，而是一次项目失败时用来定位能力缺口的坐标系。

工具与系统要分开学

LangGraph 负责应用内部的状态与控制，AI Infra 路线关注部署、监控和资源。能画出状态图不代表服务可运行；能把容器部署起来也不代表任务可以恢复。两个模块应由不同产物验收。

评估与复盘组成反馈环

Ragas 可以组织评估，但标准仍需来自真实问题。MLflow Tracking 则提供运行、参数、指标和产物的记录入口；它不会自动替你得出结论。每次改动后，把失败样本、人工判断、配置、成本和对应 run 放进同一记录，复盘才不是心得体会。

一条六周学习曲线，而非六章目录

前置知识是 Python、HTTP、基本文件处理和 Git。进入每个模块前还要复核资料维护、更新与许可证信号。

第一周完成结构化调用和模型概念；第二周处理一组真实文档；第三周做有状态工具流；第四周只部署最小服务；第五周建立评估集；第六周重跑旧样本并写复盘。某一周没有产物就停下补齐，不自动进入下一块。

曲线可以归并为三段。前两周是“输入输出可解释”，需要 Python、HTTP 和基本文件处理，产物是调用契约与坏数据；第三、四周是“流程可以恢复”，需要状态机、容器和日志基础，产物是状态图与部署记录；后两周是“变化可以比较”，需要测试思维和业务样本，产物是评估集与版本复盘。难点从写代码转向定义证据，不会因为使用低代码工具而消失。

一句话解读：路线后半程的门槛不是模型更复杂，而是你必须对“为什么这版更好”给出可复查证据。

谁可以删掉某些模块

纯内容创作者可以弱化基础设施；只做结构化数据分类的人可能不需要文档解析；研究型读者会把模型模块拉长。六模块是自查框架，不是统一课程表。

常见失败是每块都学一点：模型笔记、解析 Demo、Agent 示例和监控截图各自存在，却没有共同任务和同一批样本。结果看似覆盖完整，任何失败都无法跨模块追踪。六模块的边界也很明确：它面向应用交付，不替代数学、训练系统、行业合规或组织治理的专门路线。

判断是否学会

拿出六件东西：任务说明、坏数据样本、状态图、运行记录、评估集、版本复盘。它们能互相解释，路线才形成闭环。只有课程链接和完成勾选，仍然只是收藏夹。

若只想试学，最低可行路径是四步：先定义一个结构化任务并保存十条输入；再加入一类真实坏数据；第三步让流程可以中断后恢复；最后用同一组输入比较修改前后并写失败归因。系统部署只做到可重建，暂不追求完整平台化。

路线调整清单

每两周检查一次六件产物：若坏数据样本越来越多，就把时间从模型模块转给数据治理；若状态图无法解释中断，把工具模块延长；若评估集长期不变，说明复盘没有吸收真实问题。路线应随证据移动，而不是为了保持六块整齐而平均用力。

下一步把当前项目的六件产物各写一行；空白最多的那一行就是下一周的主模块。不要先找新课程，先用已有资料补出一个可以检查的东西。