16 周 AI 面试导向学习计划

目录

• 1. 学习目标
• 2. 计划结论
• 3. 默认假设与成功标准
• 4. 每周学习节奏
• 5. 16 周学习路线
• 6. 实际项目主线
• 7. 阶段验收
• 8. 面试问题地图
• 9. 文档与复习机制
• 10. 调整规则与常见误区
• 11. 三档专题强化路线
• 12. 简明总结

1. 学习目标

16 周结束时，应达到以下结果：

1. 能准确解释机器学习、深度学习、Transformer、LLM、RAG 和 Agent 的核心概念与边界；
2. 能从直觉、原理、实现、工程和架构五个层次回答面试问题；
3. 能完成最小算法实现，并解释公式、复杂度和关键代码；
4. 能独立设计、实现、评测和排查一个 RAG 系统；
5. 能实现带工具调用、状态管理和失败恢复的 Agent；
6. 能用 30 秒、3 分钟和连续追问三种深度表达项目经历；
7. 最终形成一个可以展示并深入讲解的“AI 面试教练”综合项目。

2. 计划结论

这套计划的核心不是按顺序记忆 AI 名词，而是建立一个循环：

基础原理 → 最小实现 → 实际项目 → 工程验证 → 面试表达 → 错题复盘

学习时间按照“理论 30% + 编码 30% + 项目 25% + 面试复盘 15%”分配。每四周进行一次阶段验收，验收未通过时先补齐薄弱项，再进入下一阶段。

图 1：16 周四阶段学习与验收回退路线

替代文本： 第 1～4 周建立 AI、机器学习和深度学习基础，第 5～8 周学习 Transformer 与 LLM，第 9～12 周完成 Prompt 与 RAG，第 13～16 周完成 Agent、系统设计、综合项目和面试冲刺；每四周都有验收门禁，未通过则返回该阶段补原理、实验或表达，最后形成项目证据和复盘资产。

图表加载中…

读图结论： 16 周计划不是只向前推进的课程表，而是四个带回退门禁的能力阶段；验收失败必须先修复薄弱项，不能靠进入下一周掩盖欠账。

四个阶段分别检验基础机制、LLM 原理与服务、RAG 生产链路、Agent/架构与项目表达。回退节点要求产生新的实验、错题或项目证据，而不是重复阅读同一份材料。

3. 默认假设与成功标准

3.1 默认假设

• 目标岗位：中高级 AI 应用工程师或 AI 后端工程师；
• 时间投入：每周 10～12 小时；
• 学习周期：16 周；
• 基础要求：具备基本编程能力，能够阅读 Python 代码；
• 学习重点：LLM、RAG、Agent、AI 工程化和系统设计；
• 当前计划是通用初稿，后续应根据已有基础、目标岗位和面试时间调整。

3.2 成功标准

完成计划不等于“看完资料”，而是同时满足：

• 知识：能解释概念、原理、边界和关联；
• 实现：有可运行代码、实验记录和错误分析；
• 项目：有架构、调用链、评测、监控和复盘；
• 面试：能先给结论，并承受至少三层递进追问；
• 文档：形成可检索、可复习、带状态的结构化知识库。

4. 每周学习节奏

4.1 时间分配

模块	建议时间	目标
概念与原理	3 小时	建立知识框架，理解公式和机制
编码与实验	3～4 小时	手写关键实现，验证输入输出和边界
项目实践	3 小时	将知识接入完整调用链
面试与复盘	1～2 小时	口述、追问、评分和错题修正

4.2 每周固定产出

每周至少完成：

1. 一篇结构化知识文档；
2. 一个最小可运行实验；
3. 5 道由浅入深的面试题；
4. 一个 30 秒回答和一个 3 分钟回答；
5. 一次错题、实验或项目问题复盘；
6. 每篇 Markdown 至少包含一幅主题相关插图；复杂主题应进一步选择 Mermaid、教学图片、SVG 或程序绘图表达最难理解的关系；
7. 每周根据真实学习进度更新 learning_status；只有文档发生实质修订并完成相应事实、代码或结构验证时，才单独更新 doc_status。

4.3 推荐周节奏

• 工作日一：概念、术语和知识边界；
• 工作日二：底层原理、公式或源码流程；
• 工作日三：最小代码实现与实验；
• 周末一天：接入实际项目并验证；
• 周末一天：模拟面试、复盘和更新文档。

5. 16 周学习路线

5.1 第一阶段：AI、机器学习与深度学习基础

周次	核心主题	必须掌握	实践产出	面试验收重点
第 1 周	AI 学习框架	AI、ML、DL、生成式 AI、LLM、RAG、Agent 的关系；训练集、验证集和测试集	绘制 AI 知识图谱；完成数据集切分实验	能讲清各概念的包含关系和适用边界
第 2 周	数学与优化	向量、矩阵、概率、损失函数、梯度下降和链式法则	手写线性回归与梯度下降	能解释梯度下降为什么有效、学习率过大或过小会怎样
第 3 周	传统机器学习	线性模型、逻辑回归、决策树、集成学习、过拟合、类别不平衡和评测指标	完成一个分类任务及错误样本分析	能根据业务目标选择指标，而不是只报准确率
第 4 周	深度学习基础	前向传播、反向传播、激活函数、参数初始化、优化器、归一化和正则化	使用 PyTorch 完成神经网络训练	能从计算图解释反向传播和梯度问题

阶段目标：具备理解 Transformer 和 LLM 的数学、训练与评测基础。

5.2 第二阶段：Transformer 与大语言模型

周次	核心主题	必须掌握	实践产出	面试验收重点
第 5 周	Token 与 Embedding	Tokenization、词表、向量表示、语义相似度和位置编码	实现文本向量化和相似度检索	能解释 Token、Embedding 和上下文长度之间的关系
第 6 周	Attention 与 Transformer	Q/K/V、自注意力、多头注意力、Mask、残差连接和 LayerNorm	手写简化版 Self-Attention	能解释矩阵维度、缩放点积和时间复杂度
第 7 周	LLM 训练与对齐	预训练、SFT、LoRA、RLHF、奖励模型和 DPO	设计一个领域模型微调方案	能比较 RAG、全量微调和参数高效微调
第 8 周	LLM 推理与服务	解码策略、Temperature、Top-k、Top-p、KV Cache、Batching、量化、吞吐和延迟	对比不同解码参数；记录延迟和输出差异	能讲清 KV Cache 的收益、显存代价和失效边界

阶段目标：不仅会调用模型 API，还能解释模型训练、生成和推理优化的核心机制。

5.3 第三阶段：Prompt、RAG 与知识库工程

周次	核心主题	必须掌握	实践产出	面试验收重点
第 9 周	Prompt 与结构化输出	System Prompt、Few-shot、上下文组织、JSON Schema 和 Function Calling	实现结构化信息抽取	能区分 Prompt 问题、模型能力问题和数据问题
第 10 周	RAG 基础链路	文档解析、Chunk、Embedding、向量索引、Top-k 和上下文拼接	实现最小 RAG 系统	能完整讲清从文档到回答的调用链
第 11 周	RAG 检索优化	混合检索、Metadata Filter、查询改写、召回、Rerank 和上下文压缩	完成检索方案对比实验	能定位“没有召回”和“召回错误”的不同原因
第 12 周	RAG 工程化	评测集、召回率、忠实度、幻觉、引用、无答案拒答、缓存、监控和成本	建立 RAG 评测与排障流程	能回答如何证明优化有效、如何处理线上质量下降

阶段目标：完成一套可评测、可观测、可排障的 RAG 系统，而不只是一个演示页面。

5.4 第四阶段：Agent、系统设计与面试冲刺

周次	核心主题	必须掌握	实践产出	面试验收重点
第 13 周	Agent 核心机制	Agent Loop、规划、工具调用、状态、记忆、上下文和终止条件	实现一个工具调用 Agent	能区分 Agent、Workflow 和普通 Function Calling
第 14 周	Agent 工程化	超时、重试、幂等、权限、循环失控、人工确认、状态持久化和可观测性	增加安全控制与失败恢复	能分析错误工具调用、无限循环和越权执行
第 15 周	综合项目与系统设计	架构、数据流、模型调用、RAG、Agent、评测、部署、降级和成本	完成“AI 面试教练”核心链路	能完成项目介绍和 AI 系统设计题
第 16 周	面试冲刺	高频题、项目深挖、系统设计、压力追问和薄弱点补齐	至少完成 3 轮模拟面试和复盘	能先给结论，再逐层展开并用项目证据支撑

阶段目标：将分散知识收敛为可展示项目、系统设计能力和稳定的面试表达。

5.5 每周正式文档入口

下面的文档不是扩展阅读，而是每周学习、实践、面试追问和复盘的主入口。建议先读对应文档的“30 秒回答”，再学习原理和代码，最后完成实践任务与递进追问。

周次	正式文档	本周完成标志
第 1 周	AI 学习框架与数据集划分	能画出概念边界，并通过切分实验识别数据泄漏
第 2 周	数学基础与梯度优化	能从导数、梯度和链式法则推导一次参数更新
第 3 周	传统机器学习与评测	能依据业务代价选指标，并完成错误样本分析
第 4 周	神经网络训练与反向传播	能沿计算图解释梯度来源并定位训练异常
第 5 周	Token 与 Embedding	能解释文本如何变为向量，以及切词对成本和语义的影响
第 6 周	Attention 与 Transformer	能推导 Q/K/V 维度、缩放原因和复杂度
第 7 周	LLM 预训练、微调与对齐	能按知识、行为和成本目标选择 RAG、SFT 或参数高效微调
第 8 周	LLM 推理与服务优化	能解释解码、KV Cache、Batching、量化的收益与代价
第 9 周	Prompt 与结构化输出	能实现 Schema 约束并区分格式失败、能力失败和数据失败
第 10 周	RAG 基础链路	能实现并口述从解析、切块、索引到生成的完整链路
第 11 周	RAG 检索优化	能用分层指标判断召回、排序还是上下文构造出了问题
第 12 周	RAG 评测与生产工程	能用固定评测集证明变化有效，并设计线上质量排障流程
第 13 周	Agent 核心机制	能实现受终止条件约束的工具调用循环
第 14 周	Agent 工程化与安全	能为副作用增加权限、幂等、检查点、审计和人工确认
第 15 周	AI 应用系统设计 + AI 面试教练项目	能完成容量、可靠性、成本和评测均有依据的系统设计
第 16 周	AI 面试冲刺题库与复盘	完成三轮模拟面试，并把失分映射为文档或实验任务

使用规则： 文档写完不代表本周完成；只有“原理能复述、代码能运行、问题能排查、追问能回答”四项同时通过，才更新学习状态。

6. 实际项目主线

6.1 项目一：机器学习完整训练流水线

建议在第 3～4 周完成，至少覆盖：

• 数据清洗、切分和数据泄漏检查；
• 特征处理、模型训练和参数对比；
• 指标选择、错误样本分析和过拟合判断；
• 模型保存、加载和最小推理接口；
• 实验条件、结果与失败案例记录。

面试表达重点：为什么选择该指标、怎样证明模型有效、如何发现并处理过拟合。

6.2 项目二：AI 知识库（可评测 RAG）

建议在第 9～12 周完成，并以 AI 知识库项目 作为项目复盘主文档，至少覆盖：

• 文档解析、清洗、切块和索引；
• 向量检索、关键词检索、过滤和重排；
• 上下文构造、来源引用和无答案拒答；
• 固定评测集、检索指标和回答质量评测；
• Token、延迟和调用成本记录；
• 缓存、超时、重试、日志和问题定位。

面试表达重点：为什么选择 RAG 而不是微调；召回正确但回答错误时如何定位；怎样证明检索优化有效。

6.3 项目三：AI 面试教练 Agent

建议在第 13～15 周完成，核心流程为：

1. 从知识库选择主题和难度；
2. 一次提出一个主要问题；
3. 分析用户回答中的正确点、遗漏和错误；
4. 根据回答动态生成追问；
5. 从准确性、原理深度、工程意识、项目表达和结构清晰度评分；
6. 保存薄弱知识点并生成复习建议；
7. 对工具调用增加白名单、超时、重试和人工确认；
8. 记录模型输入输出、检索结果、工具调用和失败链路。

该项目用于串联 LLM、RAG、Agent、评测、可观测性和系统设计，是最终面试项目案例。

6.4 项目四：AI 视频生产工作流

建议在第 15 周后作为综合拓展项目，详细方案见 AI 视频生产工作流项目。项目至少覆盖：

• 需求、脚本、分镜、素材、配音字幕、合成、质检和发布工作流；
• LLM、视频生成、TTS/STT、FFmpeg、工作流引擎和对象存储技术栈；
• 镜头级状态机、幂等、超时、重试、局部返工和成本统计；
• 人物一致性、音画同步、字幕错位、编码兼容和任务卡死排查；
• 版权、肖像、声音授权、内容审核和生成审计。

面试表达重点：为什么按镜头拆分；如何避免重复生成和全片重跑；如何用技术质检、语义质检和人工门禁保证质量。

7. 阶段验收

7.1 验收节点

• 第 4 周：能解释并实现基础训练流程，完成指标选择和错误分析；
• 第 8 周：能从矩阵维度解释 Transformer，并分析 LLM 推理性能；
• 第 12 周：能独立设计、实现、评测和排查一套 RAG 系统；
• 第 16 周：能完成 AI 系统设计，并经受连续项目追问。

7.2 评分标准

每个阶段按以下维度各 5 分评分：

维度	5 分标准
准确性	术语、结论和因果关系准确，没有关键事实错误
原理深度	能从直觉进入公式、流程、复杂度和底层机制
工程意识	能讨论性能、成本、稳定性、安全、监控和故障处理
项目表达	能说明个人贡献、技术选型、验证证据和复盘
回答结构	先给结论，层次清晰，能根据追问调整深度

总分达到 18/25 才进入下一阶段。低于 18 分时，不盲目追赶周数，应针对最低分维度增加一周补强和再次验收。

8. 面试问题地图

学习过程中应逐步能够回答：

1. 训练集、验证集和测试集为什么不能混用？
2. 反向传播本质上计算的是什么？
3. 为什么分类任务不能只看准确率？
4. Self-Attention 为什么通常是 $O(n^2)$？
5. KV Cache 优化了什么，又增加了什么成本？
6. 什么情况下应该使用 RAG，而不是微调？
7. RAG 检索正确但模型仍然产生幻觉，如何排查？
8. Agent 和固定 Workflow 的边界是什么？
9. 如何防止 Agent 无限循环、重复执行或调用危险工具？
10. 如何评测一个 AI 应用，而不是只看几个演示结果？
11. 请求量扩大十倍后，系统哪里最先成为瓶颈？
12. 如何把一次线上质量事故转化成可靠的评测和防回归机制？

每道题至少准备：30 秒结论、3 分钟完整回答、项目案例和三个递进追问。

9. 文档与复习机制

9.1 文档沉淀

• 每个主题优先更新已有文档，避免重复创建；
• 使用 docs/_templates/知识主题模板.md 创建知识文档；
• 使用 docs/_templates/项目案例模板.md 创建项目案例；
• 每次新建、移动或修改重要文档后更新 docs/README.md；
• 真实项目结论必须附代码、配置、实验或日志证据；
• 外部资料优先论文、官方文档和源码，并记录访问日期。

9.2 间隔复习

建议在首次学习后的第 1、3、7、14 和 30 天进行复习。复习不是重新阅读全文，而是：

1. 不看笔记口述 30 秒答案；
2. 回答三道递进追问；
3. 重新运行关键实验；
4. 修正文档中的错误或模糊表达；
5. 根据结果更新 learning_status。

9.3 学习状态变更

• todo → 尚未开始；
• learning → 正在学习和实践；
• review → 已完成首次学习，等待复习或模拟面试；
• mastered → 能脱稿讲解、完成实践并通过递进追问。

learning_status 记录人的掌握度，doc_status 记录文档质量，两者不能联动推高。即使本周已经学完，文档没有经过系统复核也仍应保持 draft；反之，文档达到 reviewed 也不代表学习者已经掌握。

10. 调整规则与常见误区

10.1 调整规则

• 每周只能投入约 6 小时时，将计划延长到 24 周，不压缩实践和复盘；
• 已有机器学习基础时，可压缩第 1～4 周，但必须通过第 4 周验收；
• 面试时间不足 8 周时，优先学习 Transformer、LLM、RAG、Agent 和目标项目，不平均分配时间；
• 目标偏算法岗时，加强数学推导、训练方法、论文和实验设计；
• 目标偏应用或后端岗时，加强服务架构、评测、监控、数据链路、稳定性和成本；
• 每四周根据验收分数调整下一阶段，不把周数当成完成标准。

10.2 常见误区

• 只会调用框架 API，却不能解释输入输出和底层机制；
• 追逐大量模型和框架，没有完成可验证的项目闭环；
• 只展示成功案例，不建设评测集、不记录失败样本；
• 项目介绍只有“使用了什么”，没有“为什么选择”和“如何验证”；
• 为了让项目显得优秀而编造数据量、准确率、延迟或收益；
• 背诵标准答案，面对场景变化和连续追问就无法展开。

11. 三档专题强化路线

16 周主线完成后，按面试收益分三档复习。每个专题只做四件事：30 秒口述、双图复述、故障闭环、七题压力面试。

11.1 gpt-image-2 教学插图：第一优先级 Agent 核心组件

替代文本： LangChain 接收目标，LangGraph 管理 State，Tool Calling 生成工具意图，MCP Server 提供能力；权限通过后工具结果回填循环，不通过则拒绝、降级或人工审批。Context 与 Memory 提供信息，Checkpoint 支持恢复，Trace 与评测把失败反馈到下一轮。

读图结论： 第一优先级不是七个孤立框架名，而是一条由目标、状态、工具、协议、恢复、记忆和评测共同组成的受控 Agent 闭环。

图中主链回答“请求怎样流转”，上下两层回答“信息从哪里来、失败怎样恢复、效果怎样验证”；精确接口和失败语义以各专题 Mermaid 为准。

11.2 gpt-image-2 教学插图：第二优先级 AI Engineering

替代文本： 请求由异步 API 接收，经模型网关路由和持久化工作流进入模型与 GPU 执行，再流式返回；权限、安全和红队形成上层护栏，Trace、质量和成本进入评测发布门禁，过载或供应商故障进入熔断、降级或人工处理。

读图结论： AI Engineering 的核心不是把模型 API 接通，而是让请求在质量、延迟、成本、安全、故障和恢复约束下稳定闭环。

主链展示正常服务过程，红色分支展示故障止损，绿色反馈展示观测和发布门禁如何反向影响路由策略。

11.3 gpt-image-2 教学插图：第三优先级训练与多模态

替代文本： 数据先完成版本化、配比和污染检查，再进入 LoRA 或偏好训练及分布式验证；能力、安全和成本达标后进入图像视频生成与多模态人工验收，不达标则回退数据、配置或检查点，验收失败样本继续回灌数据环节。

读图结论： 第三优先级应按“数据—训练—验证—生成—验收—回灌”学习，不能把 LoRA、Diffusion、CLIP 和视频评测拆成互不相干的名词。

图中橙色验收不是最终句号，而是下一轮数据治理的入口；所有训练和生成结论都应绑定数据、配置、检查点与评测版本。

优先级	学习范围	完成标准
第一优先级	LangChain → LangGraph 状态图 → 持久化与 HITL → Tool Calling → MCP → Memory → 评测与 Trace	能从 Agent 请求追到状态、工具、恢复、权限和评测证据
第二优先级	异步流式 → 模型网关 → 持久化工作流 → 安全红队 → LLMOps → GPU 治理	能回答超时、重试、幂等、降级、观测、容量和成本
第三优先级	数据复现、RAG 框架、缓存限流、容量压测；LoRA/QLoRA、偏好优化、分布式训练、数据治理；CNN/VAE/GAN/Diffusion、CLIP、图像视频生成、时空一致性、多模态评测	能按目标岗位选一条支线深入，并与主项目形成可验证证据

建议节奏： 第一优先级 7 天，第二优先级 6 天，第三优先级按岗位选择 13 天；每天只学一个专题并完成其配套七题。

12. 简明总结

一句话记忆： 16 周内用“基础原理 → LLM → RAG → Agent → 综合项目”建立 AI 面试能力。

• 每个概念都要讲清问题、原理、实现和边界；
• 每个实验都要记录结果、失败案例和验证方式；
• 每个项目都要准备结论、证据、权衡和复盘，AI 视频项目额外关注时间线、异步恢复和媒体兼容；
• 每四周通过阶段验收决定继续学习还是补强。