0.4 推荐学习路线
如果不确定，就选新手路线：第 1 章 -> 第 9 章按顺序走，每阶段留下一个小产出；只有在项目需要时，再从第 10-12 章里选一个专项。
| 你的目标 | 第一遍路线 |
|---|---|
| 我是新手 | 先按第 1-9 章走，再分支 |
| 我已经会写代码 | 快读 1-6，重点学 7-9，然后选一个专项 |
| 我需要作品集 | 保留 README、截图、日志、指标、trace、失败样本 |
| 我想懂模型 | 多花时间在数学、机器学习、深度学习、Transformer，再选 CV/NLP/多模态深度 |
选择一条路线
| 路线 | 适合谁 | 章节 | 要产出什么 |
|---|---|---|---|
| 新人完整路线 | 新手或转行学习者 | 1 -> 9，然后选 10-12 中一个 | 每个主阶段一个可运行小项目，再加一个专项 demo |
| 应用构建路线 | 想尽快做 LLM 应用的开发者 | 快读 1-6，重点 7 -> 9，如果需要多模态再学 12 | RAG 应用、Agent trace、评估笔记、安全边界 |
| 模型理解路线 | 想补深度 ML 直觉的人 | 1 -> 7，再按数据类型选 10 或 11 | 模型实验、指标对比、失败分析 |
| 作品集路线 | 以求职为目标的人 | 1 -> 9，并加强 README，然后选一个 capstone 方向 | 一个包含设置、截图、日志、指标、trace 和边界的公开项目故事 |
阶段验收
不要用“读了多少页”判断进度，要用证据判断。
| 阶段 | 章节 | 最小证据 | 有经验学习者的深一层证据 |
|---|---|---|---|
| 基础 | 1-3 | 可复现项目文件夹、Python 脚本、清洗后的数据、图表 | README 重跑测试、边界样例、数据质量笔记 |
| 模型理解 | 4-6 | 一个带指标和失败样本的模型实验 | bias/variance 笔记、ablation、训练诊断 |
| LLM 应用 | 7-9 | Prompt 测试、RAG 检索 trace、Agent 工具 trace | 固定评估集、安全边界、成本/延迟笔记 |
| 专项 | 10-12 | 一个视觉、NLP 或多模态 demo，保存输入和输出 | 领域指标、审查清单、部署约束 |
专项章节不是“全部学完后的奖励”，而是有意选择的分支：当项目需要图像、文本管线、多模态资产或领域评估时再进入。
每周循环
每周使用同一个循环：
短读 -> 跑一个东西 -> 改一个条件 -> 记录证据 -> 写一句反思
反思可以很短。好的问题包括：
- 最先失败的是什么？
- 哪个输入变化最影响输出？
- 什么证据能说服另一个开发者？
- 如果这变成真实用户功能，会在哪里坏？
什么时候跳过或放慢
只有当你不用猜也能通过本章检查时，才跳过。不能解释输出、不能重跑代码、不能判断结果好不好时，就放慢。有经验的人即使觉得 demo 很简单，也应该在评估、失败模式和生产约束上放慢。
不要每周换路线。短读，跑起来，留证据，然后进入第 1 章。