人工智能专业到了大三，身边很多同学开始焦虑：深度学习、大模型、推荐系统、向量数据库、RAG、Agent，新名词一个接一个，仿佛哪个不学就掉队。

我给自己划了几条线，不追热点，按能力而不是名词来组织学习。

第一条线：基础必须能亲手推导和实现。

线性代数、概率统计、机器学习经典算法（线性回归、逻辑回归、SVM、决策树），这些是底层语言。标准不是「看过」，而是能在不看教程的情况下，用 NumPy 从零实现一遍，并说清楚每一步为什么存在。我在 MNIST 多模型对比项目里做过这件事，收获比刷十篇博客都大。

第二条线：工程能力是分水岭。

很多同学能跑通 notebook，但不会把一个模型变成一个「服务」。我反过来练：学一点后端、学一点数据库、学一点部署，能把自己的东西放到服务器上让别人访问。这个博客和之前的小项目，都是为了练这条线。面试时「我做过一个能跑的东西」比「我学过某个框架」有说服力得多。

第三条线：深度学习抓主线，不追每一个新模型。

CNN、RNN、Transformer 这三个主线结构吃透，理解注意力机制、损失函数、训练流程和常见调参逻辑，比追每一个新出的模型名字重要。新模型可以需要时再查，底层结构看不懂就永远在复述。

第四条线：数据处理和评估的诚实度。

训练集测试集泄漏、评估指标选错、只会看 accuracy 不看混淆矩阵，这些问题在课程作业里很常见。我要求自己每个项目都写清楚：数据怎么划分、指标怎么定义、结果有多大可信度、哪些是观察而不是结论。

第五条线：暂时不碰的东西。

大模型微调、分布式训练、复杂的推荐系统，这些要么需要超出我现有条件的算力，要么需要大规模工程团队才能真正做好。我先把「一个人能完整闭环」的能力练扎实，而不是在这些领域停留在 demo 水平。

最后，输出倒逼输入。

这个博客就是我给自己设的机制：学过的东西写出来，写不清楚说明没真懂；做过的项目复盘，对了错了都留痕。一年以后回看，我希望看到的是一条清晰的能力曲线，而不是一堆收藏夹链接。