12 个月的地图

本课导读

出发前看一眼全图。学完本课，你能说出五个阶段各学什么、为什么按这个顺序排，以及进度落后时该怎么调整——知道全局的人，走每一步都更踏实。

五个阶段一览

阶段	时间	主题	走完你能
阶段 0	第 1 个月	AI 素养 + 编程启动	建立 AI 认知框架，写出第一批小程序
阶段 1	第 2-3 个月	Python 扎实 + 数据处理	用 pandas 独立完成数据分析，作品上 GitHub
阶段 2	第 3-5 个月	机器学习与深度学习原理	看懂技术讨论，讲清 ChatGPT 的原理不翻车
阶段 3	第 5-8 个月 ⭐	LLM 应用开发（主战场）	独立构建 RAG、Agent 等真实 LLM 应用
阶段 4	第 8-12 个月	深度进阶 + 行业纵深	评估 AI 方案可行性，带着作品集谈下一份工作

时间是区间而不是死线：实际走 10-15 个月都算正常。方向对了，快慢不重要。

为什么这样排

这条路线的核心策略是自上而下：先建认知、再学工具、然后懂原理、最后做应用和纵深。几个你可能会有的疑问：

"为什么不直接学 LLM 应用？那不是主战场吗？" 因为没有 Python 和数据基础，LLM 应用是空中楼阁：API 返回的数据你不会处理，出了 bug 你没法调试，教程一步走岔就全线卡死。阶段 0-1 花两三个月打地基，换来的是主战场上的自由行动能力。

"为什么原理（阶段 2）排在应用（阶段 3）前面？" 你未来的价值恰恰在"懂原理的应用者"：知道模型为什么会产生幻觉，才能设计出防幻觉的产品；知道微调和 RAG 的边界，才能给出靠谱的方案。只会调 API 的人很多，能解释"为什么"的人稀缺。

"数学呢？是不是得先补数学？" 不用。路线里只在需要的位置嵌入直觉级的数学（向量、导数、概率各几小时），用到再学，绝不提前囤积。你的目标是深度使用和行业理解，不是发论文。

进度落后了怎么办

12 个月的马拉松，几乎不可能一路匀速。规则只有三条：

1. 中断不清零：停了一周不代表失败，回来接着上次的课继续就行。学习不是连续剧，错过不用"从头补"。
2. 落后就重排期，不熬夜硬赶：按实际速度把预期时间拉长（比如 12 个月调成 14 个月），而不是靠透支补进度——透支的下场通常是彻底放弃。
3. 临时想学别的，给它设预算：路上你一定会冒出"我想学学 XX"的冲动。可以学，但给它的时间设上限（建议不超过每周总学习时间的 20%），主线永远优先。

你现在的位置

阶段 0，第 1 单元。地图看完了，装备配好了（上上课），方法也有了（上一课）。下一个单元开始建立 AI 认知框架——从把 AI、机器学习这些天天听到的词彻底理清开始。

随堂测验

随堂测验0 / 4 题正确

1. 整条路线的“主战场”是哪个阶段？

A阶段 1：Python 与数据处理B阶段 2：机器学习与深度学习原理C阶段 3：LLM 应用开发D阶段 4：深度进阶与行业纵深

2. 为什么不跳过 Python 和数据处理，直接学 LLM 应用开发？

A因为 Python 证书是行业硬性要求B因为没有编程和数据基础，应用出了问题无法调试，处处卡死C因为 LLM 应用必须先获得授权D其实可以跳过，顺序无所谓

3. 进度落后了两周，路线推荐的做法是？

A熬夜两周把进度赶回来B从阶段 0 第一课重新开始C按实际速度重排预期时间，接着上次的位置继续D说明不适合转行，考虑放弃

4. 关于路线中的数学，正确的说法是？

A开始前要先系统学完高等数学B在需要的位置学“直觉级”的数学，用到再补C完全不涉及任何数学D数学是阶段 4 的主要内容

本课小结

• 五阶段：素养启动 → Python 与数据 → ML/DL 原理 → LLM 应用（主战场）→ 进阶纵深
• 顺序的逻辑：自上而下，先地基后应用，数学按需补
• 弹性三原则：中断不清零、落后重排期、侧线设预算
• 暗线是作品集：转行拼作品，不拼证书

第 1 单元到此结束。下一单元：AI 全景认知——把你天天听到的那些词，一个个变成你真正懂的概念。