16 · 你该挖哪一块
先说明手头任务需要什么。若有几个方向都相关,再用已有基础、兴趣和现实条件比较。
🎯 一句话
本页帮助你做一个可调整的小决定:先尝试哪个方向,用什么观察判断要不要继续。 不是替你选职业,也不要求一次决定长期路线。
方法一:按任务定位主题
文档问答、部署、模型原理和多模态各有不同的技术重点。
下表列出更具体的目标和相关章节。
| 当前问题 | 可直接打开的下一站 | 先确认什么 |
|---|---|---|
| 风格或格式不符合要求;想适配小模型 | 05 微调与 LoRA | 是行为问题还是知识缺失;先比较提示词、检索与训练的适用范围 |
| 想了解模型团队的研究工作 | 02 原理,之后04 训练、12 对齐 | 这是认识路线,不是岗位能力清单 |
| 企业交付 | 08 RAG、07 部署、14 合规 | 还需要11 评测与13 运行维护,不能只跑通演示 |
| 没有明确目标,只想了解全貌 | 01 全景图 | 选一个愿意解释给别人听的问题即可 |
已经选出来,就可以离开本页开始。 完整的四条入口路线与可选专题在00 使用方法。
📚 零、先看看站里已经有什么
导论之外已有深入材料。下面是衔接关系,不表示这些主题“已经学完”或“没有研究价值”。
| 站内板块 | 对应主题 | 可以补什么 |
|---|---|---|
| 智能体工程教程 | 09 推理、11 评测、13 LLMOps、12 安全的工程部分 | 工具调用、实验、运行与防护 |
| 机器学习与深度学习基础 | 02 的前置、15 的基础工具 | 神经网络、反向传播、CNN/RNN 与注意力 |
| 机器学习的数学原理 | 15 数学地基 | 解释损失、优化、概率与表示 |
| 推荐算法 | 08 的检索与排序部分 | 召回、排序、向量索引与指标 |
| Kaggle 竞赛方法论 | 11 评测 | 实验设计、验证与比较 |
搜索经验可以迁移到 RAG 的检索环节,但还要学文档治理、切分、embedding 配置、上下文组装、忠实度、来源与权限。不能把它概括成“只有三件新东西”。
📊 方法二:按条件比较方向
下面比较 14 个方向。它们不是统一排名:同一个方向,对不同目标的价值不同。 阅读难度也不等于实现、研究或生产门槛。
| 方向 | 何时值得优先看 | 可能用得上的背景 | 边界 |
|---|---|---|---|
| 08 RAG | 要使用外部资料并提供证据 | 搜索 / 推荐 | 不只是向量库;要评测检索与回答 |
| 02 Transformer | 想解释模型各模块的作用 | 神经网络 | 可以零基础入门,深入实现另需练习 |
| 06 推理优化 | 已有资源、吞吐或延迟约束 | 后端 / 运维 | 优化先测量,不只看模型参数量 |
| 04 训练三阶段 | 想区分预训练、SFT 与偏好优化 | 训练经验 | 不承诺读完即可训练可用模型 |
| 10 多模态 | 输入或输出不只有文字 | 视觉 / 语音 / 对比学习 | 按产品目标分支 |
| 05 微调 LoRA | 有稳定任务、数据与行为适配需求 | 训练经验 | 不固定排在 RAG 之后;看问题性质 |
| 12 对齐与安全 | 想理解偏好、风险与模型行为 | 概率、实验、训练 | 入门与前沿研究的门槛不同 |
| 07 本地部署 | 需要自己运行或控制数据边界 | 运维 | 不是“一张卡就一定能上线” |
| 03 Tokenizer | 不懂文字、token 和上下文长度 | 无需特定背景 | 可配合 02 阅读,也可单独查 |
| 09 推理范式 | 复杂任务要拆解、使用工具 | Agent 实践 | 看执行结果,不能只看推理文字长短 |
| 11 评测体系 | 要比较系统或追踪退步 | 实验 / 比赛 | 是持续工作,不是一次打分 |
| 13 LLMOps | 系统准备上线或持续运行 | 后端 / 运维 | 涉及监控、版本与回归 |
| 14 合规伦理 | 有数据、授权或交付风险 | 无需特定背景 | 导论不能替代具体合规审查 |
| 15 数学 | 被公式或维度卡住 | 线代 / 概率有帮助 | 按当前问题补,不要求先全学 |
先看哪种条件触发你的需求,再看适用边界。没有一套对所有人有效的“首选/次选”,导论也不能替代深入学习。
🎯 方法三:打分表(拿不定主意时用)
这不是能力测评。它只是把“近期是否用得上、是否有兴趣、当前基础是否合适”放在一起比较。
每格可选 0 / 2 / 5:不符合 / 部分符合 / 很符合。默认三项等权,总分 0–15;缺项时不显示一个假总分。
加倍是个人选择,不是针对 ADHD 的统一规则。选 2 倍后总分范围变为 0–20。
| 方向 | 近期需要 | 兴趣 | 当前基础 | 总分 |
|---|---|---|---|---|
| 08 RAG | ||||
| 02 Transformer | ||||
| 06 推理优化 | ||||
| 04 训练三阶段 | ||||
| 10 多模态 | ||||
| 05 微调 LoRA | ||||
| 12 对齐与安全 |
只保存在当前浏览器;不会自动替你选路线。
最高分可以帮助选一个试验入口,但不能盖过预算、权限、安全或任务期限。分数相近时,选一个小任务试试,再回来调整。
🏆 如果你要我直接推荐
不先给全体读者统一排名,而是看你是否有明确任务。
有自己的资料:用 RAG 试一次证据问答
先选少量文档与真实问题,观察是否找对证据、能否正确引用。可以使用托管服务,也可以用本地方案;不一定要自己买 GPU,但 API、隐私、实现与评测都有成本。
深入时,项目目标是从演示走向可验证的系统。入库、切分、检索、排序、组装、回答、权限和监控都需要根据失败案例逐步补齐,不以“一周就够”作为统一期限。
想懂内部机制:跟踪一次 Transformer 的输入输出
先把 token、注意力、FFN、残差和输出联系起来;需要生成细节再补 02c。
深入时,可以把手写一个小型 GPT 并训练作为项目。它需要编程、自动微分、训练数据与验证,不能用“一个周末”作为零基础门槛,也不是读完导论必须交的作业。
已有工程或产品限制:让限制决定下一站
- 账单、吞吐、内网要求:06、07,再接 13。
- 内容、视觉或语音任务:10,再按模态分支。
- 想研究训练过程:04;需要机制时补 02,需要对齐时补 12。
三条专题学习路线
下面按三类兴趣串读。箭头表示可选的学习顺序,不代表必须采用这些技术。
| 兴趣路线 | 有链接的顺序 | 何时跳过 |
|---|---|---|
| A · 应用实验 | 08 RAG → 06 优化 → 05 微调 | 没有资源瓶颈可暂缓优化;不存在训练适配需求就不必微调 |
| B · 机制与训练 | 02 原理 → 04 训练 → 05 微调 → 12 对齐 | 只想理解基础结构,可以在能解释输入输出后停 |
| C · 自建系统 | 02 原理 → 08 RAG → 06 优化 → 07 部署 | 可从已有经验处进入;上线还要补评测、运行、安全和合规 |
✋ 四个“先别急”的提醒
① 先保留一个当前任务
不是规定只能有一个兴趣,而是让下次回来时知道先继续哪里。想读的其他方向可以记下,不必立即展开。
② 同时考虑兴趣与现实约束
兴趣能支持投入,但不能保证每个人都能坚持;任务重要性、精力与资源也值得考虑。这里不对 ADHD 读者的行为作统一推断。
③ 导论简短,不代表学科很小
03、07、14、15 都可以深入;09、11、13 也不是“内容不足以独立成方向”。站内有对应材料时,可以直接接过去,避免重复入门。
④ 用小实验收集证据,再决定是否深入
例如 RAG:挑一份 PDF,检查解析结果,准备几个问题,保存召回片段与答案。这些观察能帮助判断你缺什么、是否喜欢这类工作。
无需卡在“20 行、两小时”的承诺上。小实验提供新证据,但并不比所有其他决策方法都准确,也不代表系统已能生产使用。
🏁 现在做一件事
选定下一站与一个可观察的结果,不要求写代码才算开始。
只保存在当前浏览器,不上传、不代表已完成。
保存后,回到本页入口打开对应章节。
✅ 检查点
- 站内有更深的材料,是否意味着该方向不值得独立学习?
- 搜索经验可以迁移到 RAG 的哪些部分?还要补什么?
- 目标入口、方向表和打分表分别适合什么情况?
- 兴趣权重是否必须加倍?两种总分范围是多少?
- 中断后想容易回来,怎样安排当前任务?
- 最小实验能证明什么,不能证明什么?
展开核对
- 不是;它只是提供已有的深入入口。
- 可迁移召回、排序、索引和检索指标;还要处理文档、上下文、忠实度、权限等。
- 已有问题用入口,比较主题看方向表,犹豫时用打分整理偏好。
- 不必须。等权是 0–15,兴趣 2 倍时是 0–20;选择由个人决定。
- 记录一个明确的当前任务及其下一步。
- 它提供可观察的结果与失败样本,不证明长期适合、全面掌握或生产可靠。
选择学习方向回顾
先记住这几件事
- 结合手头的问题与章节所覆盖的技术主题选择学习方向。
- 兴趣、基础和现实约束一起考虑,打分不是标准答案。
- 留下一步,用小实验决定继续还是调整。