🏠 总目录📚 本教程 16 · 你该挖哪一块 ←
📑 本页目录（点开跳转）

16 · 你该挖哪一块

⏱ 20 分钟 ｜ ⭐⭐ 这一章是整份导论的目的

🎯 一句话

前面 15 章给了你地图，这一章帮你画路线。三种方法：看结论、做决策树、或者打分。

📚 零、先看看站里已经有什么

这份导论只是索引，不是终点。选方向前先知道哪些路已经铺好了——挖到哪一块，顺着链接就能接着往下走：

站内的板块 它覆盖了本导论的哪几章 深度
智能体工程教程 09 推理范式、11 评测、13 LLMOps、12 安全的工程部分 ⭐⭐ 完整 23 章
机器学习与深度学习基础 02 Transformer 的前置（CNN/RNN/注意力起源）、15 数学 ⭐⭐ 完整 23 章
机器学习的数学原理 15 数学地基的深层版 ⭐⭐ 完整 16 章
推荐算法 08 RAG 的一半（召回/排序/向量检索/评估）⭐ ⭐⭐ 完整 26 章
Kaggle 竞赛方法论 11 评测的实战方法论 ⭐⭐ 完整 25 章

🔑 两条会直接改变取舍的事实： ① 下面的结论表把「09 推理范式、11 评测、13 LLMOps」标成 ⚠️「不值得当成一个独立方向」—— 这不等于「别学」，而是它们已经被《智能体工程教程》完整覆盖了，去那里学就行。 ② 08 RAG 的召回/排序那一半，《推荐算法》已经讲透了—— 去挖 RAG 时，真正需要新学的只有「文档切分、embedding 选型、上下文组装」这几块。

📊 方法一：直接看结论表

我把 14 个方向按两个维度排了序。第四列不是在猜你会什么——它说的是「从哪个背景过来，这一块最省力」，对上了是省力，没对上不影响学：

方向 实用价值 认知价值 门槛 从哪个背景来最省力 我的建议
08 RAG 深水区 ★★★★★ ★★★ 低 ⭐⭐ 推荐 / 搜索 ✅ 首选
02 Transformer 原理 ★★★ ★★★★★ 中 ⭐ 学过神经网络 ✅ 次选
06 推理优化 ★★★★ ★★★ 中 ⭐ 后端 / 运维 ✅ 有账单压力就上
04 训练三阶段 ★★ ★★★★★ 中高 ⭐ 训过模型 🟡 重点看对齐部分
10 多模态 ★★★★ ★★★★ 中高 ⭐ 做过对比学习 / 双塔 🟡 看业务方向
05 微调 LoRA ★★★ ★★★ 低 ⭐ 训过模型 🟡 排在 RAG 之后
12 对齐与安全 ★★ ★★★★ 高 ⭐ 几乎不吃背景 🟡 研究向
07 本地部署 ★★★ ★★ 极低 ⭐ 运维 ⚠️ 跟 06 一起看
03 Tokenizer ★★★ ★★★ 低 ⭐ 几乎不吃背景 ⚠️ 跟 02 一起看
09 推理范式 ★★ ★★★ 低 ⭐⭐ 写过 Agent ⚠️ 去智能体工程学
11 评测体系 ★★★ ★★ 低 ⭐⭐ 写过 Agent / 打过比赛 ⚠️ 去智能体工程学
13 LLMOps ★★★ ★ 低 ⭐⭐ 后端 / 运维 ⚠️ 去智能体工程学
14 合规伦理 ★★★ ★★ 低 ⭐ 几乎不吃背景 ⚠️ 本章已给 80%
15 数学 — — — ⭐⭐ 学过线代 / 概率 ⚠️ 按需查阅

图例：✅ 值得当成一个独立方向系统啃 ｜ 🟡 看你的情况 ｜ ⚠️ 内容量不足以独立成一个方向——跟相邻方向一起看，或直接去站内已有的板块学

🌳 方法二：决策树（30 秒出答案）

关键信息

🎯 方法三：打分表（拿不定主意时用）

给每个方向按三个问题打分，总分最高的就是答案：

方向 ① 我最近三个月会用上吗？
(0/2/5)		 ② 想到学它我兴奋吗？
(0/2/5)		 ③ 门槛对我合适吗？
(0/2/5)		 总分
08 RAG 深水区
02 Transformer 原理
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

💡 ADHD 专属提醒：第 ② 列（兴奋度）权重要加倍。 你能坚持学完的，一定是让你有兴趣的那个，不是「理论上最该学」的那个。 一个学完的次优选择，胜过三个半途而废的最优选择。

🏆 如果你要我直接推荐

🥇 首选：08 RAG 深水区

理由： - 实用价值第一——企业知识库是当前最主流的落地形态 - 迁移余地最大——⭐ 如果你做过推荐或搜索，召回/粗排/精排/重排、Recall@K/NDCG、向量检索至少一半直接复用（本站《推荐算法》讲的就是这一套）；没做过也不吃亏，它是全表门槛最低的几块之一 - 见效最快——一周能做出可用的东西 - 零硬件门槛——不需要 GPU，不需要新数学

这块有多大：大致是 15–18 章的量，其中必须有一个「从 demo 版做到生产版」的完整改造练习——RAG 的难全在这一段，只做 demo 学不到。

🥈 次选：02 Transformer 原理（含 03 Tokenizer）

理由： - 认知价值第一——补完这块，你前面学的所有结论会突然通透（为什么上下文腐烂、为什么长上下文贵、为什么数不清字母） - 不大——手写一个 GPT 一个周末能搞定 - 是其他方向的地基——想挖 04/05/06/10 任何一个都得先有它

这块有多大：大致是 12–15 章的量，核心是一个「手写 GPT 并训起来」的项目——那个项目做完才算真的过了这一关。

🥉 第三：看你的具体情况

🗺️ 三条推荐路线（如果想连着学）

流程图

【路线 A · 实用派】—— 最快产出价值
08 RAG→06 推理优化→05 微调
适合：做应用、做交付、要出成果
【路线 B · 原理派】—— 建立完整认知
02 Transformer→04 训练三阶段→05 微调→12 对齐
适合：想搞懂本质、想转模型岗
【路线 C · 全栈派】—— 端到端能力
02 原理→08 RAG→06 推理优化→07 部署
适合：想独立做完整的私有化 AI 系统

✋ 四个「先别急」的提醒

① 别一次选三个。 选一个，学完，再选下一个。这份导论会一直在这，不会跑。

💡 为什么这条对 ADHD 特别重要：同时开三个方向的真实结果是 三个都停在第 3 章——因为每次回来都要重新加载上下文，切换成本高得惊人。 一个学完的次优选择，胜过三个半途而废的最优选择。

② 别选「应该学」的，选「想学」的。 ADHD 大脑对「应该」的东西抵抗力极强，对「好奇」的东西续航惊人。

③ 有些方向真的不用单独挖。 标 ⚠️ 的那几个（03/07/14/15），内容量撑不起一个独立方向—— 本导论对应的那一章已经给了 70–80% 的价值。 而 09/11/13 在《智能体工程教程》里有完整版，直接去那儿。

④ 先做一个能跑的小东西，再决定要不要深挖。 ⭐

结果对照

❌ 花两周读完一个方向的所有材料，再决定要不要做
✅ 花一个下午做一个最小 demo，用手感来决定 ⭐
例：想挖 RAG？
先花 2 小时用 20 行代码做一个「读 PDF + 问答」的玩具
做完你会立刻知道：这条路是不是你想走的

这比任何决策树都准。

🏁 现在做一件事

回到上面的决策树，30 秒内给自己一个答案。写在这：

对照

我选：____________________

理由：____________________

然后直接开始第一步——不是"准备开始"，是打开编辑器写第一行代码， 或者点开对应教程的第一章。决定的价值只在被执行时才兑现。

✅ 检查点

  1. 站内已有的板块覆盖了本导论的哪几章？这对结论表里标 ⚠️ 的那几章意味着什么？
  2. 挖 RAG 时，哪一半站内已经讲透了？真正需要新学的是什么？
  3. 三种决策方法各适合什么情况？
  4. 打分表里哪一列该加倍权重？为什么？
  5. 为什么"别一次选三个"对 ADHD 特别重要？
  6. 第 ④ 条提醒说了什么？为什么它比决策树更准？
👀 答案
  1. 《智能体工程教程》覆盖了 09 推理范式、11 评测、13 LLMOps；《推荐算法》覆盖了 08 RAG 的召回/排序那一半；《机器学习基础》覆盖了 02 的前置和 15 数学。意味着 09/11/13 那三个 ⚠️ 不是「别学」，而是「别在这儿学，去《智能体工程教程》」。
  2. 站内已讲透的那一半：召回、粗排/精排、向量检索、Recall@K/NDCG 评估（在《推荐算法》里）。真正要新学的只有文档切分、embedding 选型、上下文组装这几块。
  3. 看结论表——想快速对比多个方向；决策树——已经有明确的痛点，30 秒出答案；打分表——拿不定主意，需要把模糊的感觉量化。
  4. 第 ② 列（兴奋度）。因为你能坚持学完的一定是有兴趣的那个，不是"理论上最该学"的那个。
  5. 因为同时开三个方向的真实结果是三个都停在第 3 章——每次回来都要重新加载上下文，切换成本高得惊人。
  6. 先做一个能跑的小东西，再决定要不要深挖（比如 2 小时写一个 PDF 问答玩具）。它更准是因为手感是最诚实的信号——读两周材料只能告诉你"这个方向听起来怎样"，做一个 demo 能告诉你"你实际做起来是什么感觉"。

🛑 导论到此结束

⚡ 走神救援

先记住这几件事

👉 回到导论首页 ｜ 智能体工程教程 ｜ 推荐算法教程

打卡记录保存在你的浏览器里，首页能看到总进度