AI Knowledge

外观

AI 知识体系记忆脑图 ​

定位｜ 本文是学习导航和闭卷复习工具，不是新的正式知识主题，也不能代替各主题正文、项目实践和专项面试题。

目录 ​

1. 学习目标 ​

完成本文后，应能够：

  1. 脱稿说出“基础、机器学习、深度学习、LLM、RAG、Agent、工程治理、实战面试”八条主干；
  2. 解释八条主干的依赖关系，而不是只背八个名词；
  3. 从任一主干定位到对应正式主题、项目案例和专项题库；
  4. 用“评测、证据、权限、状态、验证”检查一个 AI 方案是否具备工程闭环；
  5. 通过闭卷复述、项目映射和 L1～L7 追问判断自己是否真正掌握。

2. 面试结论 ​

2.1 30 秒回答 ​

我把 AI 应用工程知识压缩成八条主干：先用基础、机器学习和深度学习建立理论底座，再学习 LLM、RAG 和 Agent 形成智能应用，最后用工程治理、系统设计、项目和面试完成交付验证。它的核心不是记目录，而是沿依赖关系理解“模型怎样产生能力、应用怎样补充知识和执行动作、系统怎样评测并控制风险”。这份脑图适合总览和复习，但不能替代公式、代码、实验、生产证据与专项追问。

2.2 一分钟复述版 ​

我会先用“基、机、深、模、检、智、工、战”记住八个入口。前三个回答模型能力从哪里来，中间三个回答大模型怎样理解上下文、获得外部知识并调用工具，最后两个回答系统如何稳定上线以及怎样用项目和面试验证能力。所有分支都要经过评测、证据、权限、状态和验证五条工程主线；如果只能背出节点，却说不清数据流、失败模式和项目证据，就还没有真正掌握。

3. 面试官为什么问 ​

面试官让候选人画知识图谱或梳理学习路线，通常不是考目录记忆，而是在判断：

  • 是否理解 ML、DL、LLM、RAG 和 Agent 的依赖与边界；
  • 能否把模型原理、应用链路和生产工程连接起来；
  • 遇到陌生问题时，是否有稳定的定位与排障框架；
  • 项目表达能否从“用了什么”推进到“为什么选、如何验证、怎样防复发”；
  • 是否知道自己的证据边界，不把学习计划或示例方案说成已实现结果。

优秀回答不需要一次讲完全部节点，而应先交代主干，再按追问展开原理、实现、工程或项目证据。

4. 小白记忆法：建造一座 AI 城 ​

4.1 生活场景 ​

小林接手了一座还没完工的“AI 城”。他先检查土地和测量工具，避免地基建在错误数据上；再进入机器工坊和深层动力舱，理解模型怎样从样本中调整参数。主楼里的大模型能读写文字，但它不知道公司刚更新的制度，也不能直接替人办事，于是小林又建设了资料检索室和智能调度中心。最后，他必须补上监控、门禁、应急预案和演练场，才能证明整座城不只会演示，还能稳定运行。

如果小林跳过地基，模型评测可能从一开始就失真；如果只有主楼，没有检索室，回答会受训练时知识限制；如果只有智能调度员，没有门禁和状态记录，工具调用可能重复、越权或无法恢复；如果没有演练场，所有“效果很好”都缺少可核验的证据。

4.2 生活元素与技术映射 ​

AI 城中的设施技术对象主要回答的问题
土地、测量工具与术语手册基础数学、数据划分、核心名词输入可靠吗，概念说准确了吗？
机器工坊传统机器学习基线、特征和指标怎样建立？
深层动力舱神经网络与反向传播参数为什么会学习，梯度怎样传递？
模型主楼Transformer 与 LLM文本怎样变成表示并逐 Token 生成？
资料检索室RAG怎样找到外部证据并放入上下文？
智能调度中心Agent 与 Coding Agent怎样规划、调用工具、管理状态并停止？
监控、门禁与应急系统评测、可观测性、权限、性能、安全与降级系统怎样稳定、可查、可控地运行？
演练场与验收室系统设计、项目、题库与复盘怎样证明会做、会讲、会排错？

4.3 回到专业机制 ​

这八条主干不是八门互不相关的课程。数据与数学决定评测是否可信；ML 和 DL 提供学习机制；LLM 把神经网络扩展为通用语言建模能力；RAG 在推理时注入外部证据；Agent 在受控 Runtime 中选择工具和动作；工程治理为所有组件补上质量、成本、权限、状态、观测和恢复；系统设计与项目复盘负责把局部能力组织成可验收的完整系统。

4.4 类比边界 ​

“建城”类比解释了依赖、分工和防护，但真实 AI 项目不是严格的瀑布流程。工程治理应从第一天贯穿数据、模型、检索和工具链，项目也会根据评测结果反复回到前面调整数据、Prompt、索引或架构。不同岗位还会改变学习深度：算法岗位更深入数学和训练，应用或后端岗位更深入 RAG、Agent、服务治理和系统设计。

5. 八分支知识脑图 ​

图：AI 知识体系八分支记忆脑图

替代文本： AI Knowledge 从中心分成理论底座、智能应用和工程实战三组；理论底座包含基础、机器学习和深度学习，智能应用包含 LLM、RAG 和 Agent，工程实战包含工程治理与实战面试；三组共同连接评测、证据、权限、状态和验证五条贯穿主线。

图表加载中…

读图结论： 先记三组结构，再记八条主干；任何分支都不能脱离贯穿主线单独判断“已经完成”。

图中“理论底座”解释能力来源，“智能应用”解释知识注入与行动决策，“工程实战”解释稳定交付和能力验收。虚线不是附加步骤，而是提醒评测、证据、权限、状态和验证必须横跨全部阶段。

6. 八个分支怎么记 ​

当前仓库快照｜ 截至 2026-07-11，正式保护清单包含 22 个逻辑主题、24 篇主题正文和 22 份专项题；每份专项题 7 题，共 154 题。Claude Code 与 Codex 各拆为运行机制篇和工程实践篇，因此正文数大于主题数。

6.1 基：基础决定输入和评测是否可信 ​

记忆钩子： 先把数据边界、数学直觉和核心术语说准。

闭卷自测： 训练集表现很好但上线失败时，为什么不能第一时间只调模型参数？

6.2 机：机器学习负责建立可信基线 ​

记忆钩子： 先建立可解释、可比较的基线，再判断复杂模型是否值得。

闭卷自测： 为什么准确率高不等于业务效果好，指标应怎样与错误成本对齐？

6.3 深：深度学习解释参数怎样学会表示 ​

记忆钩子： 前向算结果，反向算责任，优化器据此更新参数。

闭卷自测： 一个分支节点收到多条反向路径时，梯度为什么需要累加？

6.4 模：LLM 把表示学习扩展为语言生成 ​

记忆钩子： 文本先变成 Token 和向量，Attention 混合上下文，训练获得能力，推理解码输出。

闭卷自测： KV Cache 减少了哪些重复计算，又增加了哪些显存和调度成本？

6.5 检：RAG 负责把外部证据送进上下文 ​

记忆钩子： 先召全，再排准，最后让模型带着可追溯证据回答。

闭卷自测： 检索结果正确但最终答案仍然错误时，应怎样区分上下文构造和生成阶段的问题？

6.6 智：Agent 在受控 Runtime 中选择行动 ​

记忆钩子： 模型提出候选决策，Runtime 管理工具、权限、状态、副作用、终止和恢复。

闭卷自测： 为什么“模型决定调用工具”不等于“模型拥有执行权限”？

6.7 工：工程治理让概率能力可以上线 ​

记忆钩子： 能跑只是起点，还要可测、可查、可控、可降级、可回滚。

当前 07-ai-engineering/ 尚未形成独立正式主题，相关能力分布在 LLM 推理与服务优化、RAG 评测与生产工程、Agent 工程化与安全和AI 应用系统设计中。复习时至少检查质量评测、可观测性、性能与成本、权限与隐私、超时重试、熔断降级、版本追溯和故障恢复。

闭卷自测： 一个 Demo 准确率不错，为什么仍不能证明它具备生产可用性？

6.8 战：用系统、项目和追问验收能力 ​

记忆钩子： 用项目证据证明会做，用连续追问暴露缺口，用复盘完成闭环。

闭卷自测： 介绍项目时，怎样从“用了哪些技术”推进到约束、决策、证据、故障和边界？

7. 闭卷复习与排错方法 ​

7.1 三轮回忆 ​

  1. 20 秒骨架回忆：不看文档，依次说出“基、机、深、模、检、智、工、战”；
  2. 2 分钟机制回忆：每个分支只说一句“解决什么问题”和一句“与前后分支怎样连接”；
  3. 10 分钟证据回忆：任选一个分支，补充一个机制、一段调用链、一个失败模式、一条项目证据和一个适用边界。

复习可沿用 16 周计划中的间隔复习机制，在首次学习后的第 1、3、7、14 和 30 天重复这三轮回忆。先闭卷输出，再打开对应主题核对，不能把重新阅读误当成回忆成功。

7.2 常见失败与修复 ​

现象定位证据常见根因修复方式防复发
能背八个字，不能解释机制L2/L3 追问无法展开只记标签，没有数据流为每个分支补“输入、处理、输出”每次复习强制画一条链路
单点知识熟，系统设计混乱无法说明上下游和故障传播主题之间没有项目连接用一个真实或明确标注的示例项目串联项目图同时标记模型、数据、状态和证据
只会成功路径，不会排错无日志、指标、版本或 Trace 证据把 Demo 当成生产系统做一次故障演练并按证据定位固化回归集、告警和 Runbook
背了答案，场景一变就失效换约束后仍复述固定结论没有理解边界和替代方案对每个结论增加“不适用条件”L4～L7 使用变化场景追问
追逐文档数和题数完成数量增加，脱稿能力不变把覆盖率当掌握度用实践、口述和复测更新状态分开维护 doc_status 与 learning_status

7.3 验收标准 ​

一个分支达到“可复习”至少要满足：

  • 能给出 30 秒定义、核心机制和边界；
  • 能画出主要数据流或控制流；
  • 能说出一个生产失败模式和排障证据；
  • 能关联一个项目实现或明确标注的示例方案；
  • 能回答对应专项题的 L1～L7 连续追问。

8. 使用边界与维护规则 ​

8.1 为什么是八条主干 ​

少于八条时，ML、DL、LLM 或工程治理容易被压成一个模糊的“模型”节点；直接展开全部正式主题时，脑图又会退化成目录，难以闭卷复述。八条主干是本仓库基于当前学习路线做出的组织选择，不是行业唯一分类，也不代表所有岗位必须按同样深度学习。

如果目标是选岗，应先看 AI 岗位画像与求职能力地图；如果目标是执行学习计划，应进入 16 周 AI 面试导向学习计划；如果目标是验证单个主题，应进入专项题库。

8.2 统计与事实边界 ​

本文中的主题数、正文数和题目数来自当前 正式主题保护清单、知识库总目录和专项题库索引。这些数字是 2026-07-11 的仓库快照，不是永久常量；新增、拆分、移动或删除正式主题时必须重新核对。

本文自身属于 10-interviews/ 下的学习入口，不计入正式主题，也不单独生成一份专项题。它通过相对链接引用单一事实源，不复制各主题的完整原理和答案。

8.3 维护检查清单 ​

  • [ ] 新增正式主题后，判断它属于哪条主干并补充入口；
  • [ ] 主题移动或改名后，检查本文全部相对链接；
  • [ ] 同步核对正式主题、主题正文、专项题和题目总数；
  • [ ] 工程治理形成独立文档后，替换“待建设”说明；
  • [ ] 更新脑图后重新执行插图、样式、链接和正式主题保护门禁。

9. 实践任务 ​

  • [ ] 用纸或白板闭卷重画三组、八分支和五条贯穿主线；
  • [ ] 为每个分支录制一段 30 秒口述，不能照读正文；
  • [ ] 任选 LLM、RAG 或 Agent，画出从输入到输出的完整链路；
  • [ ] 任选一个项目，把八条主干中实际用到的节点圈出来，并补充证据路径；
  • [ ] 从专项题库抽取一个主题完成 L1～L7 回答，记录首次失分点；
  • [ ] 在第 1、3、7、14、30 天复测，并根据结果更新对应文档的 learning_status。

10. 相关知识与仓库证据 ​

本文不引入动态外部模型能力、价格、榜单或版本结论；主题与题目统计仍保留 2026-07-11 仓库快照口径。

11. 总结 ​

一句话记忆： 用“基、机、深、模、检、智、工、战”记住 AI 知识主干，再用“评测、证据、权限、状态、验证”检查每条主干是否形成工程闭环。

  • 基础、机器学习和深度学习解释能力从哪里来；
  • LLM、RAG 和 Agent 解释模型怎样生成、补充知识并采取行动；
  • 工程治理和实战面试负责稳定交付、项目证据与能力验收；
  • 脑图只负责导航，真正掌握必须经过实现、故障分析和 L1～L7 追问；
  • 复习时先闭卷回忆，再打开主题文档核对并记录证据边界。