AI 学习计划

一、学习目标（总目标）

构建完整 AI 能力体系：
概念理解 → 应用实践 → 模型原理 → 工程化 → 企业级落地

---

二、阶段学习路径（可执行）

阶段 0：AI 基础认知（1–2 周）

目标：理解 AI、ML、DL、LLM 的基本概念

重点内容

• 什么是 AI、机器学习、深度学习的区别与联系
• LLM 的基本构成：Token、Embedding、Transformer、推理
• AI 的应用场景：文本、图像、表格、自动化、Agent

输出成果

• 一张 AI 概念框架图
• 能解释“AI 是怎么做推理的”

---

阶段 1：机器学习基础（2–4 周）

目标：掌握 ML 的必要数学与算法

关键主题

• 数学基础：线性代数、微积分、概率、统计
• 算法基础：
  • 线性回归、逻辑回归
  • 决策树、随机森林
  • SVM
  • KMeans、KNN

实践

• 用 Python（scikit-learn）实现：
  • 二分类模型
  • 小型预测模型

---

阶段 2：深度学习基础（4–6 周）

目标：理解并掌握神经网络

关键内容

• 神经网络结构：输入层 → 隐层 → 输出层
• CNN / RNN / LSTM 基础
• PyTorch 基本操作

实践

• 手写数字识别（MNIST）
• 图像分类模型

---

阶段 3：LLM 原理与实践（6–8 周）

目标：理解 Transformer + 现代 LLM

学习主题

• Transformer 结构：Self-Attention、Encoder、Decoder
• 预训练/微调/对齐（RLHF/SFT）
• Embedding、向量搜索、RAG

实践

• 使用 HuggingFace 加载开源模型
• 构建简单的 RAG 系统
• 本地模型部署（如：Qwen、LLaMA）

---

阶段 4：AI 工程化（8–12 周）

目标：将模型用于实际开发

主题

• Prompt Engineering（提示词工程）
• LangChain / LlamaIndex 架构
• RAG 优化策略
• 本地 + 云混合推理
• 模型压缩（量化、蒸馏）

实践

• 构建一个企业级问答系统
• 构建文档问答 + 工作流自动化

---

阶段 5：AI Agent（12–16 周）

目标：掌握 AI Agent 的结构与工作方式

内容

• Agent 的 Planner/Executor/Memory 设计
• 多智能体协作
• 自动化测试 Agent（与你的 SDET Copilot 方向高度相关）

实践

• 构建一个自动测试生成 Agent
• 让 Agent 调用 API、PowerShell、自动执行任务

---

阶段 6：AI + 自动化（结合你自身方向）（长期）

结合你当前的专业方向：
AI 测试 → 自动化 → SDET Copilot → 企业级落地

可学习内容包括：

• 使用 LLM 分析测试需求
• 自动生成测试步骤
• 自动生成自动化脚本（Python/Pywinauto/Playwright/WinAppDriver）
• 测试结果分析 Agent
• CI/CD 集成 AI 测试
• Token 成本优化、本地模型混合

---

三、最终成果（达成情况）

完成后你将具备：

• AI 核心理论
• 实战模型训练/部署能力
• RAG/Agent 系统开发能力
• 结合自动化测试的 AI 工程能力
• 能独立设计 AI 产品（如 SDET Copilot 全路径）