AI 与大数据专题导读
大约 4 分钟约 1273 字
AI 与大数据专题导读
专题简介
本专题覆盖人工智能与大数据的核心知识体系，从机器学习基础、深度学习、NLP、计算机视觉，到 LLM、Prompt 工程、RAG、向量数据库、Agent 框架、LangChain、Semantic Kernel，再到模型微调、评估、部署与 MLOps。既适合零基础入门，也适合想深入某一方向的工程师作为系统性参考。
适合谁读
- 想系统了解 AI/ML/DL 基础概念的软件开发者
- 正在做 LLM 应用开发（RAG、Agent、Prompt 工程）的人
- 需要理解模型训练、评估、部署全流程的 AI 工程师
- 想把 AI 能力集成到 .NET / Python 项目中的开发者
推荐阅读主线
路线一：AI 基础与核心概念
路线二：LLM 应用开发（Prompt / RAG / Agent）
- 大语言模型与 Prompt 工程
- Prompt 工程
- 向量数据库与嵌入
- RAG 检索增强生成
- rag advanced
- AI Agent 开发实践
- Agent 框架
- LangChain 应用开发
- Semantic Kernel .NET AI 开发
路线三：模型训练、评估与部署
路线四：从实际问题切入
- 做图像识别：
- 做文本分类 / NLP：
- 做知识图谱：
- 做图像生成：
专题结构总览
一、AI 基础与核心概念
- 人工智能与机器学习基础
- 深度学习与神经网络
- 自然语言处理基础
- 计算机视觉基础
- 神经网络 basics
- CNN 架构
- RNN LSTM
- 注意力机制
- BERT GPT
- ✨ Transformer 架构详解
- 扩散模型
- GAN basics
二、Prompt / RAG / Agent 应用
- ✨ 大语言模型与 Prompt 工程
- ✨ Prompt 工程
- ✨ Prompt 工程进阶
- ✨ 向量数据库与嵌入
- ✨ RAG 检索增强生成
- rag advanced
- ✨ AI Agent 开发实践
- Agent 框架
- ✨ LangChain 应用开发
- ✨ Semantic Kernel .NET AI 开发
- ✨ AI 应用架构设计
- AI 应用成本优化
- RAG 生产化实践
- AI Agent 进阶
三、模型训练、评估与部署
- 大模型微调技术
- 强化学习与 RLHF
- AI 评估
- AI 数据预处理
- AI 特征工程
- 模型 compression
- AI 模型部署与推理
- AI 工程化与 MLOps
- 边缘 AI 与模型部署
- PyTorch 深度学习框架
- AI 模型版本管理与实验追踪
- AI 测试与质量保障
四、多模态、知识与平台能力
- 知识图谱与图神经网络
- 多模态 AI 与视觉语言模型
- AI 图像生成
- Stable Diffusion 图像生成
- Azure AI 服务集成
- AI 安全与伦理
- 联邦学习
- NLP 分词
- NLP 文本分类
- NLP 命名实体识别
- 计算机视觉目标检测
- 计算机视觉分割
怎么读最有效
- 如果你是软件开发者转 AI，先从"AI 基础与核心概念"建立全局认知，再选一个应用方向深入。
- 如果你想做 LLM 应用，优先走"Prompt / RAG / Agent"路线，不需要先学完所有底层理论。
- 每篇文章都关注：它解决了什么问题、输入输出是什么、适用边界在哪里。
项目落地建议
- LLM 应用优先关注：Prompt 设计、RAG 检索质量、向量数据库选型、成本控制。
- 模型部署优先关注：推理性能、模型压缩、AOT 编译、边缘部署方案。
- AI 安全与伦理不能忽视，尤其是数据隐私、模型偏见和输出合规。
常见误区
- 一上来就啃数学公式，不先建立"解决什么问题"的直觉。
- 只关注模型精度，不考虑推理成本、延迟和部署复杂度。
- RAG 只看检索，不关注文档质量、分块策略和重排序。
- 微调当成万能方案，不做 baseline 对比就上 LoRA。
学完后要能做到
- 能说清机器学习、深度学习、NLP、CV 的核心概念和发展脉络。
- 能独立设计一个 RAG 或 Agent 应用，并评估检索质量和生成效果。
- 能根据场景选择合适的模型部署方案（云端 / 边缘 / ONNX / AOT）。
- 能判断一个 AI 需求更适合用 Prompt 工程、RAG、微调还是传统 ML。