0.4 规划主线节奏

主线节奏与项目线规划图

不要一开始就拆出很多路线。先走同一条主线：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，或进入第 13 章学习开源模型运行时。

你的情况	同一条主线怎样调整节奏
我是新手	第 1-9 章按顺序走，不跳过证据卡
我已经会写代码	1-3 章可以快一点，但仍要留下可复现环境和数据笔记
我需要作品集	每个阶段都加强 README、截图、日志、指标、trace 和失败样本
我想懂模型	在数学、机器学习、深度学习、Transformer 上多花时间，但仍要完成 LLM/RAG/Agent 应用闭环

三档学习节奏

快速路线：2-4 周 适合已经会写代码、想先获得全局地图的人。每章只跑入口页的第一个可运行闭环和阶段工作坊，保留 README、输出和失败记录。第 10-13 章只选一个和项目最相关的方向。

标准路线：8-12 周 适合从工程基础稳步进入 AI 应用的人。第 1-9 章按顺序走，每章完成 study guide 和阶段项目；第 10-13 章按项目需求选择 1-2 个专项。

深度路线：16 周以上 适合想把课程转成完整作品集的人。每个阶段都要做一次 before/after 对比，固定评估集，补失败样本和决策说明。第 13 章要跑通一个真实小模型或 GPU 服务路径。

选择一个能随着课程成长的小项目想法。第一天不需要很厉害。

项目线	它怎样随着课程成长
学习或文档助手	Python 脚本 -> 数据清洗 -> RAG -> Agent 工具 -> 多模态 PDF 审查
求职或简历助手	结构化数据 -> Prompt 测试 -> 从保存材料中检索 -> 评估笔记
客服或运营自动化	脚本 -> 日志 -> LLM 分类 -> 有权限边界的 Agent 动作
领域分析 Notebook	数据集 -> 图表 -> baseline 模型 -> LLM 解释 -> 可交付报告

项目线不是新路线。它是把分散章节串成一份可解释作品的连续装置。

如果你不知道选什么，默认使用 0.5 贯穿项目线：课程知识助手。它会把每章产物串成一个能展示的 AI 应用。

完成第 9 章后，不需要把第 10-13 章全部顺序啃完。按项目问题选择：

还有一条模型运行时捷径：如果你在第 7 章已经跑过 mini GPT-2，并且最关心“模型怎样训练、下载、服务化和评估”，可以走 第 7 章 -> 第 13 章 -> 第 8/9 章。这样先建立模型运行时手感，再把它接入 RAG 和 Agent。

不要用“读了多少页”判断进度，要用证据判断。每个阶段都应该留下一个小型可审阅包，而不只是记得“好像跑通过”。

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、决策备忘
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、演示脚本
专项与运行时	10-13	一个视觉、NLP、多模态或开源大模型运行演示，保存输入和输出	领域指标、审查清单、部署/运行时约束、作品集说明

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、开源模型部署或领域评估时再进入。

每个阶段结束时，打包一个小产物：

这个节奏会让课程更适合转岗和作品集审阅：每个阶段都留下别人能检查的东西。

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：

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演示很简单，也应该在评估、失败模式和生产约束上放慢。

不要每周重新设计学习计划。短读，跑起来，留证据，然后进入第 1 章。

学完这一页，至少保留这张证据卡：