AI Knowledge 知识库总目录

本文件是知识库的唯一总索引。新增、移动、重命名或删除知识文档时，必须同步维护这里。

目录

• 1. 推荐学习路线
• 2. 章节规划
• 3. 已有文档
• 4. 项目案例
• 5. 工程经验与故障复盘
• 6. 面试训练
• 7. 后续建设清单
• 8. 状态约定
• 9. 总结

1. 推荐学习路线

建议按以下依赖顺序学习，并根据目标岗位调整深度：

1. 数学、Python、数据处理与 AI 基础；
2. 传统机器学习和评测方法；
3. 深度学习、反向传播和核心网络结构；
4. Transformer、大语言模型训练与推理；
5. Embedding、RAG 与知识库工程；
6. Agent、工具调用、记忆和工作流；
7. 部署、评测、可观测性、性能、安全与成本；
8. AI 系统设计、真实项目复盘与模拟面试。

推荐使用“学习文档 → 技术点与实现栈 → 候选横评 → 架构与调用流程 → 最小实践 → 难点与故障证据 → 项目案例 → 面试追问 → 间隔复习”的闭环，而不是只读文档或只记框架名。

图：从学习到可口述、可验证经验的闭环

替代文本： 学习者先理解主题，再给技术点建立实现栈、候选对比、架构和调用流程，随后完成最小实践、提炼难点和故障证据；面试时先做 30 秒短答，受到追问后展开选型、架构或项目细节，最后把缺口送回复习和回归验证。

图表加载中…

读图结论： 学习的完成标志不是填满文档，而是能把技术点、实现栈、候选权衡、架构和调用时序讲成一条可验证链路。

开始制定计划前，先用 AI 岗位画像与求职能力地图 确定主岗位、相邻岗位和能力证据，再按目标岗位调整学习深度。

完整执行安排见 16 周 AI 面试导向学习计划。

遇到陌生概念时，先查 AI 应用工程核心名词词典，再进入对应专题学习原理、实现与项目边界。

1.1 视觉学习与覆盖规则

仓库内每个 Markdown 文件至少包含一幅与核心内容直接相关的解释性插图；Mermaid、Markdown 图片、SVG 和程序绘图可以计入，纯表格、行内箭头、ASCII 字符画和注释占位不计入。每幅正式插图都要有图题、替代文本、读图结论和关键节点解释，并通过事实、方向、标签、资源链接与渲染检查。

专项题中的通用 L1～L7 路线图只负责说明训练顺序，不能作为唯一插图；每份专项题还必须有主题专属的机制图、边界图、诊断树、状态图或架构图。

以下主题在精确 Mermaid 流程之外，额外提供了教学图片，用于建立空间直觉：

• AI 学习框架与数据集划分：区分随机泄漏、实体分组和时间切分的评测边界；
• 数学基础与梯度优化：对比学习率过小、合适和过大时的损失地形轨迹；
• 神经网络训练与反向传播：理解前向中间值、局部导数、上游梯度和分支梯度累加；
• Token 与 Embedding：理解连续向量空间中的概念邻近关系及其边界；
• Attention 与 Transformer：观察一个 Query 如何匹配多个 Key 并聚合对应 Value；
• LLM 预训练、微调与对齐：区分预训练、SFT 与偏好对齐各自优化的目标；
• LLM 推理与服务优化：区分 KV Cache 的历史复用、增量追加与持续读取成本；
• RAG 系列：基础链路与数据准备/切片篇先建立可追溯数据底座；检索优化与数学排序/数据库篇理解精确匹配、稀疏/稠密、粗排/精排和存储选型；评测生产工程与多模态监控篇完成版本、Trace、指标、灰度和故障定位闭环；
• Agent 核心机制：区分代码预定义路径和模型动态决策，以及运行时权限边界；
• AI 视频生产工作流项目：理解镜头级局部返工，以及跨镜头角色一致性与漂移。
• AI 岗位画像与求职能力地图：用 gpt-image-2 全景图理解 14 类岗位在 AI 产品生命周期中的位置，并展开 AI 应用工程师能力闭环。

生成图片只负责直觉和空间关系；公式、精确方向、状态与工程边界仍以正文和 Mermaid 为准。

1.2 技术栈、横向选型与双图覆盖规则

每个正式主题以主文档为单一事实源，为主要技术点分配稳定 TP-* 编号，并维护两张标准表：技术清单说明使用了什么模型、协议、框架、库、SDK、服务、中间件、存储、基础设施或可观测组件，以及它在链路中的职责和证据边界；横向对比说明同层候选的优点、缺点/代价、适用场景、不适用场景、选择依据和切换条件。

同一技术点至少比较两个真实候选。理论概念不绑定框架时，文档必须明确这一点，并把最小验证栈与生产参考栈分开；比较条件不同只能给条件性结论，不能用“最强”“最好”代替控制变量和验证证据。

每个正式主题还必须有两幅独立、主题专属的 Mermaid：

• 图：架构｜... 静态说明组件职责、系统边界、依赖、数据存储和外部系统；
• 图：技术调用流程｜... 动态说明参与者、接口或协议、输入输出、成功路径，以及相关失败、超时、重试、降级或边界分支。

分册主题可以跨分册共同满足技术清单、横向对比和双图门禁，但同一幅图不能同时冒充架构图和调用流程图。专项题通过链接引用主文档，不复制整套表格；L4 检验实现栈与组件职责，L6 检验横评、架构和调用流程。

1.3 插图审计与优化队列

本轮审计已把检查范围扩展到仓库内全部 257 个 Markdown 文件，并通过 python3 -B scripts/check_markdown_illustrations.py 建立自动门禁。脚本会排除代码围栏和任意长度反引号代码跨度中的伪图片，检查最低覆盖、逐图图题/替代文本/读图结论/正文解释、剥离 frontmatter 后仍含有效语句的 Mermaid、本地图片签名、模板同步，以及专项题不能只保留通用 L1～L7 图；门禁自身用 python3 -B scripts/test_check_markdown_illustrations.py 回归代码示例、普通或带 frontmatter 的空图、共享图注、专项题绕过和伪图片资源场景。

优先级	审计结果	本轮处理	后续动作
P0 覆盖门禁	规则、入口、学习计划等曾有硬缺图；冲刺题图宣称闭环却没有复测回路	已补齐并修正，当前 257 个文件纳入自动检查	新增或重命名 Markdown 后必须立即重跑检查
P0 专项题质量	专项题若只使用同构 L1～L7 图，就无法解释主题知识	当前 52/52 均有主题专属机制、边界、诊断、状态或架构图	后续专项题禁止只换标题复用同一拓扑
P0 技术选型与双图	仅列技术名词或只有一幅泛化图，无法回答“为什么选、何时换、调用如何失败”	52 个正式主题纳入技术清单、横向对比、架构 Mermaid 与技术调用流程 Mermaid 硬门禁	动态版本或候选能力变化时重新核对官方资料和真实项目证据
P0 生产问题闭环	早期主题多用“现象—根因—解决—验证”四列概览，缺少影响范围、定位证据、临时止损和防复发	已为 13 篇薄弱主题补充主题专属故障闭环卡；其余主题复核已有完整表格或工程演练；52/52 纳入样式门禁	后续必须明确真实事故或故障演练边界，并把根因样本固化为测试、告警、Runbook 或发布门禁
P0 误删与并发覆盖	共享脏工作区中的未提交、未跟踪成果曾被广泛回滚或显式删除	knowledge_topic_manifest.json 保护 52 个主题、61 篇主题文档、52 份专项题和 51 个小白讲解段	不清理范围外改动；删除主题须明确授权并先通过清单门禁
P0 核心状态与架构	系统设计、AI 视频、AI 面试教练中的 6 处裸文本流程难以表达失败与恢复	已升级为质量回流、调用时序、会话状态、局部返工、供应商对账与 Trace 图	继续用故障演练验证状态迁移是否完整
P0 新增 Agent 主题	Claude Code 权限时序会误读为拒绝后仍执行，Prompt Cache 与排障链还是裸文本	已补权限分支，并升级缓存失效图和证据优先诊断树；Claude Code 与 Codex 长文已按运行机制篇、工程实践篇拆分	版本变化时重新核对公开文档与产品行为
P1 旧式裸流程	核心名词词典、Prompt 与结构化输出、RAG 基础链路、RAG 评测与生产工程、Agent 核心机制 曾以裸文本表达安全或调用关系	已分别升级为纵深防御图、工单业务时序图、离线/在线双泳道图、评测发布三泳道图和受控 Agent 时序图	后续修改调用链时同步检查失败、拒绝、回滚、终止和证据分支，不退回单行箭头
P2 重复表达	RAG 检索优化 曾有两个文字漏斗与正式检索漏斗重复	已删除重复箭头链；概念章节和项目案例改为引用正式图并补充主题专属步骤	后续以正式图为视觉单一事实源，正文只解释项目参数、降级和 Trace 差异

自动检查负责发现结构性缺口，但当前环境没有 Mermaid parser/renderer，因此只做静态指令检查，不能声称已经真实渲染。主题准确性、箭头语义、生活类比是否失真和生成图片文字质量仍需人工审阅；静态门禁、真实渲染和人工审图三者不能互相冒充。

1.4 单文件体量与分册规则

仓库内每个 Markdown 文件最多 1000 个物理行，frontmatter、空行、代码围栏和正文全部计入。预计继续增长的长文应优先在完整主题或 H2 边界拆分，并为后续修订预留余量；不得通过压缩段落、删除必要换行或制造超长行绕过门禁。

拆分后的每个分册都要独立具备元信息、目录、主题专属插图和末尾总结。分册之间通过相对链接互相导航，但仍共同构成一个正式主题，只对应一份 L1～L7 专项题，避免把同一知识单元重复计数。

2. 章节规划

序号	目录	主题范围	状态
01	01-foundations/	数学、Python、数据与 AI 基础	建设中
02	02-machine-learning/	传统机器学习、特征工程与评测	建设中
03	03-deep-learning/	神经网络、训练机制与核心架构	建设中
04	04-llm/	Transformer、大模型训练、微调与推理	建设中
05	05-rag/	Embedding、切块、索引、召回与重排	建设中
06	06-agents/	Agent、工具调用、状态、记忆与工作流	建设中
07	07-ai-engineering/	部署、评测、可观测性、性能与安全	建设中
08	08-system-design/	AI 系统设计与架构面试题	建设中
09	09-projects/	真实项目案例与复盘	建设中
10	10-interviews/	学习计划、面试题库与模拟面试记录	建设中
11	11-troubleshooting	生产故障、根因分析、排障路径、修复验证、防复发与经验沉淀	首批 7 篇草稿及教学图片已形成，待审图与故障注入
12	12-blog	3 分钟速学干货卡、面试高频博客与图文深挖入口	56 篇均已评审，教学图片已审核并公开发布

12-blog 公开状态

12-blog/ 的 56 篇博客已全部进入 reviewed，56 张教学图片均为 verified。本批次于 2026-07-16 根据维护者确认完成图片文字、箭头、事实与渲染审核，正文现已纳入公网构建、顶部导航、侧边栏和搜索入口。

目录在第一篇实际文档产生时创建，避免空目录和失效链接。

3. 已有文档

新增文档后按以下字段登记：

文档	章节	难度	文档状态	学习状态	前置知识	关联主题	最后更新
AI 学习框架与数据集划分	01-foundations	入门	reviewed	todo	基本编程能力	数学优化、机器学习	2026-07-11
数学基础与梯度优化	01-foundations	中级	reviewed	todo	代数与函数基础	神经网络、Transformer	2026-07-11
AI 应用工程核心名词词典	01-foundations	入门	draft	todo	无	Prompt、RAG、Agent、AI 系统设计	2026-07-11
Go、Python 与 Java 在大模型时代的工程选型	01-foundations	中级	draft	todo	AI 应用工程核心名词	AI 工程、系统设计、多语言架构	2026-07-14
传统机器学习与评测	02-machine-learning	中级	reviewed	todo	数据集划分、基础数学	深度学习、RAG 评测	2026-07-11
神经网络训练与反向传播	03-deep-learning	中级	reviewed	todo	梯度、链式法则	Transformer、LLM 训练	2026-07-11
Token 与 Embedding	04-llm	中级	draft	todo	向量与神经网络基础	Transformer、RAG	2026-07-11
Attention 与 Transformer	04-llm	中级	draft	todo	矩阵、神经网络、Embedding	LLM 训练与推理	2026-07-11
LLM 预训练、微调与对齐	04-llm	高级	draft	todo	Transformer	RAG、模型选型	2026-07-11
LLM 推理与服务优化	04-llm	高级	draft	todo	Transformer、生成机制	系统设计、成本治理	2026-07-11
Prompt 与结构化输出	04-llm	中级	draft	todo	LLM 调用基础	RAG、Agent	2026-07-11
RAG 基础链路：主篇 / 数据准备与切片篇	05-rag	中级	draft	todo	Embedding、Prompt	数据清洗、Chunk、元数据、版本、检索优化	2026-07-13
RAG 检索优化：主篇 / 数学排序与数据库篇	05-rag	高级	draft	todo	RAG 基础链路	距离度量、Sparse/Dense、粗排精排、向量数据库	2026-07-13
RAG 评测与生产工程：主篇 / 多模态监控篇	05-rag	高级	draft	todo	RAG 基础与检索优化	多模态、Trace、指标、灰度、Agent、系统设计	2026-07-13
Milvus：架构原理与应用实践 / 生产问题与性能调优	05-rag	高级	draft	todo	RAG 检索优化与生产工程	向量数据库、Segment、Consistency、ANN、排障与调优	2026-07-14
Agent 核心机制	06-agents	中级	draft	todo	Prompt、结构化输出	Agent 工程化	2026-07-11
Agent 工程化与安全	06-agents	高级	draft	todo	Agent 核心机制	系统设计、项目案例	2026-07-11
Claude Code 运行机制与工程优化：运行机制篇 / 工程实践篇	06-agents	高级	draft	todo	Agent 核心机制、Agent 工程化	Coding Agent、Claude Code 项目配置、Context Engineering、系统设计	2026-07-11
Codex 运行机制与工程优化：运行机制篇 / 工程实践篇	06-agents	高级	draft	todo	Agent 核心机制、Agent 工程化	Coding Agent、Codex 源码、Context Engineering、系统设计	2026-07-11
Vibe Coding 最佳实践	06-agents	高级	draft	todo	Agent 核心机制、Agent 工程化	AI 辅助开发、任务契约、验证闭环、开发经验、团队治理	2026-07-13
多 Agent、Memory 与 Loop	06-agents	高级	draft	todo	Agent 核心机制、Agent 工程化	多 Agent 编排、Memory 生命周期、循环收敛、状态恢复	2026-07-14
LangChain 核心架构与 Agent 开发	06-agents	高级	draft	todo	Agent 核心机制	消息、工具、中间件、Agent Loop	2026-07-14
LangGraph 状态图与执行语义	06-agents	高级	draft	todo	Agent 状态与循环	State、Node、Edge、Reducer	2026-07-14
LangGraph 持久化恢复与人工介入	06-agents	高级	draft	todo	LangGraph 状态图	Checkpoint、Interrupt、幂等恢复	2026-07-14
Tool Calling 与工具系统设计	06-agents	高级	draft	todo	Prompt、Agent	Schema、授权、执行器、审计	2026-07-14
MCP 协议与 Server 工程	06-agents	高级	draft	todo	Tool Calling	Client、Server、Tools、Resources	2026-07-14
Agent Memory 与 Context Engineering	06-agents	高级	draft	todo	Agent 状态	Context 构造、Memory 治理	2026-07-14
Agent 评测、Trace 与 LangSmith 实践	06-agents	高级	draft	todo	Agent 工程化	Dataset、Trace、Evaluator	2026-07-14
LoRA、QLoRA 与 PEFT 工程实践	04-llm	高级	draft	todo	LLM 训练	低秩适配、量化底座、评测	2026-07-14
RLHF、PPO、DPO 与偏好优化	04-llm	高级	draft	todo	SFT、概率建模	奖励模型、策略优化、偏好对	2026-07-14
分布式训练、混合精度与显存优化	04-llm	高级	draft	todo	深度学习训练	并行、分片、BF16、通信	2026-07-14
数据配比、去重、污染与训练评测	04-llm	高级	draft	todo	数据治理、训练评测	数据血缘、近重复、污染	2026-07-14
CNN、VAE、GAN 与 Diffusion 基础	03-deep-learning	高级	draft	todo	神经网络训练	生成机制、目标函数、采样	2026-07-14
CLIP 与多模态对齐	03-deep-learning	高级	draft	todo	Embedding、对比学习	双编码器、共享空间	2026-07-14
图像与视频生成模型原理	03-deep-learning	高级	draft	todo	Diffusion、Transformer	条件生成、潜空间、时序	2026-07-14
视频时空一致性与可控生成	03-deep-learning	高级	draft	todo	视频生成	连续状态、参考条件、镜头路由	2026-07-14
RAG 框架实现与选型	05-rag	高级	draft	todo	RAG 全链路	LangChain、LlamaIndex、自研	2026-07-14
Python 异步 AI 服务与流式接口	07-ai-engineering	高级	draft	todo	Python、网络 I/O	asyncio、SSE、背压、取消	2026-07-14
LLM API 与模型网关可靠性	07-ai-engineering	高级	draft	todo	LLM API	路由、重试、熔断、对账	2026-07-14
持久化工作流与异步任务系统	07-ai-engineering	高级	draft	todo	队列、状态机	恢复、幂等、补偿	2026-07-14
AI 应用安全与红队测试	07-ai-engineering	高级	draft	todo	Agent、RAG	注入、越权、隔离、红队	2026-07-14
AI 应用可观测性与 LLMOps	07-ai-engineering	高级	draft	todo	日志、指标、Trace	版本、质量、发布闭环	2026-07-14
模型部署与 GPU 资源治理	07-ai-engineering	高级	draft	todo	LLM 推理	批处理、KV Cache、容量	2026-07-14
Python 数据处理、实验复现与数据版本	07-ai-engineering	高级	draft	todo	Python、数据集	快照、血缘、环境复现	2026-07-14
缓存、限流与成本治理	07-ai-engineering	高级	draft	todo	分布式系统	缓存键、配额、成本归因	2026-07-14
AI 系统容量估算与压测	07-ai-engineering	高级	draft	todo	性能工程	Token 分布、队列、SLO	2026-07-14
多模态评测与人工验收	07-ai-engineering	高级	draft	todo	多模态生成	自动预筛、盲评、业务实验	2026-07-14
AI 应用系统设计	08-system-design	高级	draft	todo	LLM 推理、RAG、Agent	综合项目、架构面试	2026-07-11
AI 面试教练项目	09-projects	高级	draft	todo	RAG、Agent、系统设计	面试冲刺与项目表达	2026-07-11
AI 视频生产工作流项目：架构与媒体底座 / 实战问题与增长篇	09-projects	高级	draft	todo	Prompt/结构化输出、Agent 工程化	多模态、工作流、媒体工程、投放增长	2026-07-13
AI 知识库项目：知识治理与 RAG 架构 / 内部系统与客服增强检索篇	09-projects	高级	draft	todo	RAG 基础、检索优化、评测与系统设计	企业知识问答、业务专有名词、客服业务逻辑与生产治理	2026-07-13
AI 游戏项目：智能 NPC 与动态剧情篇 / 美术资产与 Godot 引擎实践篇	09-projects	高级	draft	todo	RAG、Agent、系统设计	在线 RPG、五层状态、动态任务、3D 资产、Godot 与引擎选型	2026-07-14
检索服务降级与质量回退故障复盘	11-troubleshooting	高级	draft	todo	RAG 基础链路、评测与生产工程	ACL、混合检索、索引发布、质量降级、RCA	2026-07-15
Agent 重复副作用与幂等补偿故障复盘	11-troubleshooting	高级	draft	todo	Agent 工具调用、状态机	幂等键、执行台账、结果未知、补偿	2026-07-15
AI 视频时间线、音画同步与局部返工故障复盘	11-troubleshooting	高级	draft	todo	AI 视频工作流、媒体工程	最终音频、时间线版本、Forced Alignment、局部返工	2026-07-15
模型网关超时重试与级联故障复盘	11-troubleshooting	高级	draft	todo	LLM 网关、服务治理	Deadline、重试预算、熔断、容量降级	2026-07-15
异步任务卡死、重复消费与状态恢复故障复盘	11-troubleshooting	高级	draft	todo	消息队列、分布式状态	Inbox、Outbox、租约、对账、DLQ	2026-07-15
权限过滤失效与敏感数据暴露 Near Miss 复盘	11-troubleshooting	高级	draft	todo	RAG 权限与缓存	权限指纹、文档级鉴权、Fail Closed、安全审计	2026-07-15
GPU 资源耗尽与推理服务雪崩故障复盘	11-troubleshooting	高级	draft	todo	推理服务、容量工程	Token 准入、KV Cache、OOM、连续批处理、预热恢复	2026-07-15
16 周 AI 面试导向学习计划	10-interviews	中级	draft	todo	建议：基本编程能力	全部 16 周主题	2026-07-11
AI 面试冲刺题库与复盘	10-interviews	高级	draft	todo	前 15 周主题	模拟面试、错题复测	2026-07-11
AI 岗位画像与求职能力地图	10-interviews	入门	draft	todo	无	16 周计划、系统设计、项目证据	2026-07-10
AI 知识体系记忆脑图	10-interviews	入门	draft	todo	无	岗位画像、16 周计划、专项题库	2026-07-14
AI 项目简历内容与面试伏笔	10-interviews	高级	draft	todo	AI 视频与 AI 知识库项目	简历项目经历、技术指标、亮点与面试深挖	2026-07-13
AI 知识图谱专题	10-interviews	入门	draft	todo	无	记忆脑图、RAG、Agent、工程治理、面试证据	2026-07-14
生产级 AI 应用连环追问专题	10-interviews	高级	draft	todo	AI 应用系统设计	输入、证据、工具、输出、兜底、观测与成本	2026-07-14
AI 全栈极简一问一答	10-interviews	中级	draft	todo	无	185 个一分钟问答卡、全栈脑图、选型与排障速查	2026-07-16
RAG、Agent 与 AI 工程高频一问一答	10-interviews	高级	draft	todo	RAG、Agent 与 AI 工程基础	18 道企业客服知识库项目化口述题、简历表达与证据边界	2026-08-11
王佳鹏简历高频面试题：一问一答 / 口述速答版	10-interviews	高级	draft	todo	RAG、Agent、模型网关、后端工程	36 道简历高频一问一答与 30 秒口述版：定位、Coding Agent、Agent 安全、RAG、AI 视频、网关、指标与项目复盘	2026-08-20
AI 专题极简一问一答目录	10-interviews	中级	draft	todo	无	52 个专题、520 个一分钟问答卡、十题主题脑图	2026-07-17

4. 项目案例

当前项目案例：

• AI 视频生产工作流项目：架构与媒体底座覆盖脚本、分镜、状态机、合成和局部返工；实战问题与增长篇覆盖纯语音恢复 Timeline、口播一致性、首轮镜头可用率、无穿帮拼接、平台档案、模型横评，以及游戏高光剪辑生成与投放引流业务案例。
• AI 面试教练项目：覆盖能力图谱、RAG 证据、受控 Agent、评分量表、状态机、评测与系统设计。
• AI 知识库项目：知识治理与 RAG 架构覆盖文档接入、混合检索、重排、证据化回答、评测、权限隔离与生产排障；内部系统与客服增强检索篇覆盖业务专有名词、实时业务状态、规则版本、客服指标、确定性动作边界与业务经验沉淀。
• AI 游戏项目：智能 NPC 与动态剧情篇覆盖权威服务器、五层状态、RAG、记忆、动态任务和故障演练；美术资产与 Godot 引擎实践篇覆盖 Art Bible、AI 辅助 3D 管线、AssetManifest、Godot 导入加载及 Unity/Unreal 横评。

新案例使用 项目案例模板，并遵守 09-projects 子目录规则：项目必须同时讲清业务问题、技术方案、业务验证和经验沉淀，并链接到对应知识主题。

5. 工程经验与故障复盘

技术积累不只记录“最终方案”，还要保留关键判断和失败路径：

类型	必答问题	推荐落点
难点卡	约束是什么、为什么难、如何拆解、失败信号和验证方式是什么？	对应知识主题或项目案例
亮点卡	原问题或基线是什么、关键决策有什么差异化价值、证据和边界是什么？	对应知识主题或项目案例
生产问题卡	现象、影响、证据、根因、止损、修复、验证和防复发如何闭环？	主题风险写入知识文档；真实项目问题写入项目案例；独立 RCA 写入 11-troubleshooting/
经验卡	哪条原则可迁移、何时不适用、如何转化为清单、Runbook、测试或告警？	原事实的单一事实源，其他文档只做相对链接

面试时不要逐项朗读卡片：30 秒用“结论/定义 → 核心机制 → 边界或验证”三句话回答后停止；60～90 秒再展开流程、实现证据和权衡；项目或故障题用 2～3 分钟讲“背景角色 → 约束难点 → 决策亮点 → 生产排障 → 验证贡献 → 经验演进”。完整示例见 RAG 难点、亮点与生产问题怎么回答。

跨主题的工程能力进入 07-ai-engineering/，独立生产事故、Near Miss 或故障演练进入 11-troubleshooting/。新复盘使用 生产故障复盘模板，并遵守 11-troubleshooting 子目录规则；没有真实事故或实测证据时，必须标注为“生产风险”“故障演练”或“工程建议”。

当前 故障排查系列目录收录 7 篇草稿，覆盖 RAG、Agent、AI 视频、模型网关、异步任务、权限 Near Miss 和 GPU 推理雪崩。除明确标记的 Near Miss 设计稿外，其余均为故障演练；它们提供合成 Trace 或 Schema、止损、根因、修复横评、故障注入与防复发设计，不代表本仓库发生过真实生产事故。

6. 面试训练

当前学习入口：

• AI 岗位画像与求职能力地图：先按核心产出识别 14 类岗位，再确定主攻方向、学习重点和作品集证据。
• AI 知识体系记忆脑图：用“基、机、深、模、检、智、工、战”八条主干串联知识主题，用于建立全局结构、快速回忆和间隔复习；它属于训练工具，不计入正式主题与专项题数量。
• AI 知识图谱专题：集中展示 gpt-image-2 全景图、学习依赖、RAG、Agent、工程治理和面试证据图谱；它是视觉画廊与导航入口，不计入正式主题与专项题数量。
• 生产级 AI 应用连环追问专题：把输入完整性、幻觉与依据、数据库和业务接口、结构化输出、失败兜底、日志追踪与成本控制串成一套可直接口述的生产级面试回答；它是跨主题训练入口，不计入正式主题与专项题数量。
• AI 全栈极简一问一答：用一张脑图和 185 个 10～60 秒问答卡覆盖基础、ML/DL、多模态、LLM、RAG、Agent、AI 工程、系统设计、项目与排障；它是关键词速查入口，不复制正式主题。
• RAG、Agent 与 AI 工程高频一问一答：围绕简历中的“企业内部系统与客服业务增强检索知识库”，以锁单退款、新旧制度、实时状态和权限边界贯穿 18 道 RAG、Agent、AI 工程与开放题；回答按“业务冲突—个人决策—验证证据—事实边界”组织，不新增正式知识主题。
• 王佳鹏简历高频面试题一问一答：围绕简历 王佳鹏简历20260724.docx 整理 36 道 AI Agent 应用工程师与后端岗位高频追问，覆盖定位动机、AI-Native 开发、Agent 原理与安全、RAG 客服与实时行情、AI 视频工作流、模型网关、数据平台、召回/TTFT/成本指标与项目复盘；每题给项目化口述答案、考察点、加分项、高频误区和下一问，未确认指标统一以 [待补] 或“设计/演练”表达，不新增正式知识主题。
• 王佳鹏简历高频面试题口述速答版：同题库分册，每题只保留关键词锚点和 30 秒可直接背诵的口述（结论 → 机制 → 证据与边界三句话），用于面试前一天快速过题；完整答案、加分项与误区以一问一答版为单一事实源。
• AI 专题极简一问一答目录：为 52 个正式主题分别提供一份十题极简速答页，共 520 个 10～60 秒问答卡；每页在 L1～L7 后增加误区、最小自测和证据边界，只保留主题脑图、加粗问题、引用式短答与深挖入口，并由脚本与专项题库保持同步。
• AI 项目简历内容与面试伏笔：将 Steam CSGO 饰品高光交易引流和企业客服知识库整理为精炼简历项目经历，提供负责内容、技术/业务指标和面试伏笔。
• 16 周 AI 面试导向学习计划：覆盖 AI 基础、LLM、RAG、Agent、综合项目与阶段面试验收。
• AI 面试冲刺题库与复盘：覆盖 16 个核心问题、三层回答深度、三轮模拟方案和失分修复闭环。
• AI 知识专项面试题库：把 52 个正式知识与项目主题分成 9 类，每个主题配置 7 道 L1～L7 递进一问一答，共 364 题；分册主题仍只计一个知识单元；答案统一采用“专业短答 + 生活化解释”。
• AI 面试高频问题博客：按六类整理 56 个核心高频问题，每篇先提供包含 30 秒口述、本质、机制、判断、项目与边界的 3 分钟速学卡，再展开生活化解释、原理流程、工程边界和追问；56 篇均已评审，主题 Mermaid 与 gpt-image-2 教学图片均已通过发布门禁并公开展示。

题集应按难度分层并包含考察点、答案要点、加分项、常见错误和递进追问；模拟面试复盘还应记录评分和后续学习计划。

7. 后续建设清单

三档核心专题和首批 7 篇故障排查系列均已落盘。后续清单只登记取得新证据、能够独立形成 RCA 且不存在既有单一事实源的主题；没有真实材料或可执行演练时不为凑数量扩写。

8. 状态约定

文档质量状态 doc_status：

• draft：内容已形成，但仍需事实、代码或结构复核；
• reviewed：完成一次系统复核和实践验证；正式主题还必须通过技术清单、横向对比、架构图和技术调用流程图门禁，适用时包含生产风险、排障路径或故障注入，未实测内容明确事实边界；
• stable：在 reviewed 基础上，动态框架/库/服务能力已按官方资料或源码复核，选型结论、切换条件和双图结构稳定，可作为长期复习材料。

缺少主题相关插图、标准技术清单/横向对比、独立架构图或独立技术调用流程图，或插图说明不完整时，正式主题只能保持 draft，不能进入 reviewed 或 stable。

个人学习状态 learning_status：

• todo：待学习；
• learning：学习中；
• review：已学完，等待复习或面试检验；
• mastered：已掌握并通过实践或面试验证。

两类状态必须分开记录，不能用文档写得是否完善代替个人是否真正掌握。

9. 总结

一句话记忆： docs/README.md 是学习顺序、文档位置和掌握状态的唯一总入口。

• 新增、移动或删除文档时同步维护本目录，且只链接真实存在的文件；
• 每个 Markdown 至少一幅主题相关插图；每个正式主题还要维护技术清单、横向对比和架构/调用流程双图，缺任一项不得进入 reviewed 或 stable；
• 文档质量和个人学习进度使用两套状态分别记录；
• 难点、亮点、生产问题和可复用经验必须进入对应单一事实源并保持证据边界，生产问题还要按从现象到防复发的闭环沉淀；
• 每个正式主题配套递进专项题，16 周计划按每周“完成标志”验收。