企业官网建设流程全解析

Python AI工程师学习路线图

定位区分：Python AI工程师分两大方向，按需选择

• ① AI应用开发/大模型应用工程师（RAG、Agent、LLM工程，岗位多、上手快）
• ② 机器学习/深度学习算法工程师（模型训练、微调，门槛更高）

下面路线优先覆盖【大模型应用开发】，同时标注算法方向拓展内容。

阶段1：Python编程与数据基础（3~6周）

目标：熟练Python，掌握数据处理能力

1.Python核心

• 基础语法、函数、类、异常、装饰器、生成器
• 异步编程：async/await，大模型流式调用必备
• 包管理：pip、poetry、虚拟环境

2.数据科学库

• NumPy：数组、矩阵运算
• Pandas：表格数据清洗、处理
• Matplotlib / Seaborn：数据可视化

工程基础

• Git、Linux常用命令
• 单元测试 pytest、日志、配置管理

阶段2：机器学习基础（4~6周）

应用方向：重在理解原理，不用深挖数学推导；算法方向要吃透数学

1. 核心概念：监督/无监督学习、训练集/验证集/测试集、过拟合欠拟合、评估指标
2. 常用模型：线性回归、逻辑回归、决策树、随机森林、Kmeans
3. Scikit-learn：模型训练、特征工程、交叉验证
4. 数学基础（可选）：线性代数、概率论、微积分（算法方向必学）

阶段3：深度学习 & LLM基础（5~7周）

1.深度学习基础

• 神经网络、激活函数、反向传播、梯度下降
• 框架：PyTorch（优先，LLM生态更好），了解TensorFlow

2.大模型基础概念

• Transformer架构、Attention机制
• Token、Embedding、上下文窗口、temperature、top_p
• 预训练、微调SFT、RLHF、推理

阶段4：大模型应用开发（核心阶段，6~8周）

岗位主流：RAG、Agent、工具调用，重点工程落地

1.LLM调用
OpenAI / 通义 / 文心 / 豆包等API调用
流式输出 SSE、多轮对话管理
2.LLM开发框架
LangChain / LlamaIndex（主流）
Prompt工程、Few-shot、思维链CoT
3.向量数据库
Chroma、FAISS、Milvus、Qdrant
Embedding模型、文本切片、向量检索、混合检索
4.RAG完整链路
文档加载（PDF/Markdown/Word）→文本分割→向量化→入库→检索召回→Prompt组装→LLM生成→结果溯源
5.Agent智能体
Function Calling工具调用
记忆模块、多Agent协作

阶段5：工程化部署 & 性能优化（4周）

1.模型本地推理：Ollama、vLLM、Transformers库加载开源模型
2.Web服务：FastAPI（首选）、Streamlit、Gradio快速原型
3.部署

• Docker容器打包
• 基础K8s知识（可选）
• 接口限流、超时、重试、异步任务

4.优化方向

• Token开销优化、上下文压缩
• 向量检索优化、重排模型
• 模型量化、推理加速（vLLM/TensorRT-LLM）

阶段6：项目实战（贯穿全程）

1.入门项目
FastAPI封装大模型对话接口，实现流式问答
简易本地知识库RAG（LangChain + Chroma）
2.中级项目（简历主力）
企业文档问答系统：支持PDF上传、文档增量更新、引用来源、权限控制
Agent业务助手：Function Calling调用内部业务接口
3.高级项目
多租户RAG平台，混合检索+重排优化
开源大模型微调（SFT）+私有化部署
多模态应用（图文理解）

阶段7：面试准备 & 进阶拓展

面试高频考点
Python异步、Pandas/NumPy
Transformer、Embedding原理
RAG全流程，召回效果差常见原因与优化手段
Agent、Function Calling
向量库选型，LLM服务稳定性问题（限流、超时、成本控制）
两条路线分支
✅ 大模型应用工程师（推荐）：重点RAG/Agent、FastAPI、向量库、LangChain，弱化模型训练
✅ 深度学习算法工程师：补充CNN、Transformer细节、数据集构建、SFT微调、多模态、模型压缩、更多数学知识

学习资源

• 文档：LangChain官方文档、LlamaIndex文档、PyTorch官网
• 实战：Hugging Face、transformers、sentence-transformers
• 课程：吴恩达机器学习、吴恩达大模型专项课
• 代码：github上langchain examples、llama-index examples

时间预估

• 全职学习：4~6个月
• 业余学习：8~12个月
  

最后说一句，技术成长不只是写代码，职业规划和自我包装同样重要。我整理了一份简历、面试和职业规划的学习资料，适合想在职场上走得更远的朋友看看。

资料展示

下面是我整理的AI大模型学习资料和工具包预览，适合收藏后按主题逐步学习。

如果你想看完整资料目录，可以在评论区留言「资料」；也欢迎告诉我你更关注AI大模型里的哪类内容。