A.9 学习资源速查表

先用第一张图定位项目阶段，再用第二张图按错误类型回到对应检查项。

做项目时查这一页，不需要从头读到尾。

环境检查

python --version
which python
pip --version
pip list
pwd
ls

文档站点：

npm install
npm run start
npm run build

NVIDIA GPU：

nvidia-smi

先做基线

任务	优先尝试
表格分类/回归	线性模型或树模型
文本分类	TF-IDF + LogisticRegression
图像分类	迁移学习
命名实体识别	规则/词典 baseline，再上序列模型
文档问答	关键词/BM25 检索，再上 RAG
Agent 工具调用	单 Agent + 一个安全工具

指标

任务	先看哪些指标
类别均衡分类	Accuracy、F1
类别不均衡分类	Precision、Recall、F1、混淆矩阵
回归	MAE、RMSE、残差复盘
检索 / RAG	Hit@K、MRR、引用准确率、人工复查
Agent	成功率、工具错误、成本、trace 复盘

训练警报

现象	先检查
loss 不下降	标签、loss 函数、学习率、输入格式
训练好、验证差	过拟合、数据泄漏、分布不一致
accuracy 不变	特征弱、标签错、模型没学到
GPU OOM	batch size、输入长度、模型大小
结果不稳定	随机种子、数据太少、划分不一致

RAG 检查表

1. 文档是否正确切分？
2. 检索能否召回正确 chunk？
3. 答案是否包含来源？
4. 答案是否真的使用了检索内容？
5. 是否有权限过滤和无法回答策略？

Agent 检查表

1. 从单轮问答开始。
2. 加一个工具。
3. 加严格参数 schema。
4. 加日志和 trace 回放。
5. 加权限边界和停止条件。

Prompt 模板

你是 ____。
你的任务是 ____。
输入：
输出格式：
约束：
如果信息不足，请明确说明。

最小训练循环

data = [(1.0, 2.0), (2.0, 4.0), (3.0, 6.0)]
w = 0.0
lr = 0.01

for epoch in range(3):
    total_loss = 0.0
    for x, y in data:
        pred = w * x
        error = pred - y
        total_loss += error * error
        grad = 2 * error * x
        w -= lr * grad
    print(f"epoch={epoch} w={w:.3f} loss={total_loss:.3f}")

预期输出：

epoch=0 w=0.521 loss=48.630
epoch=1 w=0.907 loss=26.580
epoch=2 w=1.192 loss=14.528

按这个顺序读：数据 -> 预测 -> 损失 -> 梯度 -> 参数更新。

留下的证据

学完这一页，至少保留这张证据卡：

学习差距

需要加强的概念、代码技能、项目技能、论文或部署技能

资源选择

一个主要资源，以及它为何适合当前瓶颈

时间盒

在回到项目之前使用它的时长

风险检查

收集资源而不是产出证据

期望产出

一份简短的资源计划，附带阅读后要产出的一个成果