# Datawhale 人工智能培养方案 3.0

## 课程摘要

> **Note**  
> 版本号：V3.0
> 本培养方案面向希望系统学习人工智能、构建 AI 应用、使用 AI 提升生产力的学习者。培养方案按照学习目标组织路线，并为每个阶段提供推荐课程、可选分支和项目验收标准。学习者不需要完成表中的全部课程，应根据自己的目标选择一条主线，再按项目需要补充相关知识。

## 前言

本培养方案是 Datawhale 社区围绕人工智能学习路线的一次系统整理。

在 2.0 版本中，我们主要按照自然语言处理、计算机视觉、推荐系统、数据分析、大数据开发等专业方向组织课程。这样的划分适合经典机器学习和深度学习时代，因为许多学习者的目标是掌握一个算法方向，再进入论文、竞赛、工程或岗位场景。

到了大模型时代，学习目标变得更加多元：有人希望理解 Transformer、预训练、后训练和推理部署；有人希望构建 RAG、Agent、MCP 和 AI 工作流；也有人并不准备训练模型，但希望把 AI 用在学习、办公、科研、写作、编程和个人生产系统中。

因此，3.0 版本希望回答一个更实际的问题：在今天的 AI 环境中，一个人应该如何根据自己的目标选择学习路线，并逐步做出真正能帮助自己和他人的作品？

本培养方案主要由以下部分组成：

- **故事汇**：通过具体的学习或工作场景，说明一条路线为什么值得学习、会在什么地方用到。
- **课程表**：按照学习关系、课程类型、课程名称和课程资料，列出推荐学习顺序。
- **能力标准**：为每个阶段提供可观察、可验收的学习产出。
- **项目实践**：让课程学习最终收束到一个可以运行、可以解释、可以复现、可以评估的项目。

3.0 版本继续遵循“Datawhale 内部项目优先、外部优秀资源补位”的收录原则。当 Datawhale 已有较完整项目时，优先作为主线资源；当关键模块暂时缺少内部项目时，再补充官方文档、经典课程或主流开源项目。

## 如何阅读课程表

课程表中的“学习关系”分为以下几类：

- **必达**：这条路线需要掌握的核心能力，建议按顺序完成并通过项目验收。
- **择一**：多门课程覆盖相近能力，学习者选择其中一门完成即可。
- **按需**：只有进入特定方向或遇到相应项目需求时才需要学习。
- **实践**：用于综合运用前面知识的项目，不以阅读完教程为完成标准。
- **参考**：资料导航、知识地图或扩展阅读，不需要从头到尾学习。

课程类型用于说明课程主要解决什么问题，例如 AI 素养、Python、RAG、Agent、评测或部署。学习关系回答“要不要学”，课程类型回答“学的是什么”，两者不再混在一起。

## 如何选择路线

学习者可以先根据自己的目标选择一条主线。公共起点只包含最少的 AI 素养与学习工具，不要求所有人先完成科学计算、数据分析、SQL、机器学习和深度学习。

| 你的目标 | 推荐路线 |
| --- | --- |
| 先学会正确使用 AI | 公共起点与 AI 素养 → AI 使用与个人生产力 |
| 用 AI 改造学习、办公或内容工作 | 公共起点与 AI 素养 → AI 使用与个人生产力 → 个人工作流项目 |
| 构建知识库问答 | 开发者最小工具包 → AI 应用开发 → RAG 分支 → 可靠交付关卡 |
| 构建智能体应用 | 开发者最小工具包 → AI 应用开发 → Agent 分支 → 可靠交付关卡 |
| 使用低代码平台搭建工作流 | 公共起点与 AI 素养 → 工作流分支 → 业务工作流项目 |
| 构建图片、音频或视频应用 | 开发者最小工具包 → AI 应用开发 → 多模态交互分支 → 可靠交付关卡 |
| 构建数据问答或分析助手 | 开发者最小工具包 → AI 应用开发 → 结构化数据与数据智能分支 → 可靠交付关卡 |
| 理解大模型原理 | 算法路线补给包 → 大模型原理、训练与推理 → 模型实验 |
| 进入 CV、推荐、强化学习等方向 | 算法路线补给包 → 选择一个专业方向 → 方向项目 |
| 进入多模态模型方向 | 深度学习与视觉基础 → 多模态模型 → 多模态项目 |
| 进入具身智能方向 | 视觉、强化学习与机器人补给 → 具身智能 → 仿真或机器人项目 |
| 提升科研与内容产出 | AI 使用与个人生产力 → 科研阅读、绘图或内容插件 → 作品实践 |
| 面向真实客户交付 AI 方案 | AI 应用开发 → 可靠交付关卡 → FDE 预备路线 |
| 建立个人生产与商业系统 | AI 使用与个人生产力 → AI 应用开发 → OPC 与个人生产系统 |

如果仍然不确定，可以先从“公共起点与 AI 素养”开始，完成一个小任务后再选择方向。路线不是一次性的终身选择，学习者可以在完成项目后切换或组合新的分支。

## 能力阶段与 OPC 九级人才能力标准

培养方案回答“学什么、怎么学、用什么项目学”，能力标准回答“学到什么程度算过关”。

3.0 版本保留 OPC 九级人才能力标准作为个人生产与商业交付方向的参考，同时不把它作为所有研究、算法和工程路线唯一的高低排序。对于多数学习者，L1—L6 可以作为通用的学习与构建阶段；L7—L9 是面向业务闭环、系统协作和生态贡献的进阶分支。

| 阶段 | 等级 | 能力目标 | 对应学习内容 |
| --- | --- | --- | --- |
| Learner | L1 认知者 | 理解 AI 与 OPC 概念，具备基本 AI 素养 | AI 通识、模型边界、提示与验证 |
| Learner | L2 工具使用者 | 熟悉主流 AI 工具，能够正确完成真实任务 | AI 办公、写作、科研与编程基础 |
| Learner | L3 场景识别者 | 识别可改造场景，完成需求和流程分析 | 业务流程拆解、数据与场景建模 |
| Builder | L4 工作流搭建者 | 组合模型和工具，替代部分重复工作 | Dify、Coze、n8n、RAG、MCP |
| Builder | L5 应用构建者 | 独立做出可运行的 AI 应用 | 工作流、RAG、Agent、多模态、数据智能 |
| Builder | L6 价值交付者 | 完成真实交付并形成明确价值 | 评测、部署、安全、用户反馈 |
| Founder | L7 业务闭环者 | 获客、交付、收款，形成持续收入 | OPC、产品设计、商业闭环 |
| Founder | L8 系统协作者 | 调度多种工具与智能体，一人多角色运作 | Agent Harness、多智能体、组织协作 |
| Founder | L9 生态贡献者 | 输出方法论，培养他人并参与生态共建 | 开源项目、课程共建、社区组织 |

学习者也可以使用更简洁的四阶段检查自己：

- **理解**：能够解释概念、能力边界和风险。
- **使用**：能够用 AI 稳定完成一个真实任务。
- **构建**：能够做出可以运行、可以复现的系统。
- **交付**：能够让真实用户采用，并用指标验证价值。

## Datawhale 书系与常见别名

Datawhale 有不少项目会以“某某书”或昵称传播。为了方便学习者识别，这里把常见叫法和正式项目对应起来。

| 常见叫法 | 正式项目 / 书名 | 适合放入路线 | 说明 |
| --- | --- | --- | --- |
| 南瓜书 | [`pumpkin-book`](https://github.com/datawhalechina/pumpkin-book) | 机器学习理论 | 《机器学习》（西瓜书）公式详解 |
| 西瓜书代码实战 | [`machine-learning-toy-code`](https://github.com/datawhalechina/machine-learning-toy-code) | 机器学习实践 | 机器学习经典算法代码实践 |
| 宝箱书 | [`key-book`](https://github.com/datawhalechina/key-book) | 机器学习理论进阶 | 《机器学习理论导引》的证明、案例和概念补充 |
| 熊猫书 | [`joyful-pandas`](https://github.com/datawhalechina/joyful-pandas) | 数据分析 | Pandas 中文教程，适合系统掌握表格数据处理 |
| 葡萄书 | [`grape-book`](https://github.com/datawhalechina/grape-book) | 图学习 / GNN | 图深度学习教程 |
| 蘑菇书 | [`easy-rl`](https://github.com/datawhalechina/easy-rl) | 强化学习 | 强化学习中文教程 |
| 苹果书 | [`leedl-tutorial`](https://github.com/datawhalechina/leedl-tutorial) | 深度学习 | 李宏毅深度学习教程 |
| 杨桃书 | [`happy-llm`](https://github.com/datawhalechina/happy-llm) | 大模型原理与实践 | 从 NLP、Transformer、训练到 RAG、Agent 的系统路线 |
| 香蕉书 | [`happy-figure`](https://github.com/datawhalechina/happy-figure) | AI 科研绘图 | 科研绘图、提示策略、矢量化后处理和期刊合规 |

# 专业方向

## 公共起点与 AI 素养

### 故事汇

小鲸第一次接触大模型时，最先学会的是向模型提问。它可以帮他总结资料、修改文字、解释代码，看起来什么都能做。但在真正使用时，他很快遇到了新的问题：答案有时会编造事实，引用可能不存在，把内部资料直接上传也会带来隐私风险。

公共起点的目标不是让所有人先学完一整套计算机和数学课程，而是让学习者知道什么时候可以相信 AI、什么时候必须查证、如何保护数据，以及如何把一个模糊任务表达清楚。完成这个起点后，学习者应当马上选择自己的目标路线，在项目中继续补充知识。

### 课程表

| 学习关系 | 课程类型 | 课程名称 | 课程资料 |
| --- | --- | --- | --- |
| 必达 | AI 工具素养 | AI Skills for Everyone | [`ai-skills-for-everyone`](https://github.com/datawhalechina/ai-skills-for-everyone) |
| 择一 | Prompt 入门 | AI Prompting for Everyone | [`ai-prompting-for-everyone`](https://github.com/datawhalechina/ai-prompting-for-everyone) |
| 择一 | Prompt 工程 | 构建“听话”提示词教程 | [`smart-prompt`](https://github.com/datawhalechina/smart-prompt) |
| 必达 | 负责任使用 | 模型边界、事实核查、隐私与版权基础 | 培养方案公共任务 |
| 实践 | AI 素养任务 | 完成一次带来源核查的 AI 辅助任务 | 公共起点验收项目 |

### 验收标准

- 能够说明生成式 AI 适合和不适合完成的任务。
- 能够对事实、数字和引用进行基本核查。
- 能够写出目标、上下文、约束和输出格式清晰的任务说明。
- 能够列出自己的隐私、版权和人工确认边界。

## 开发者最小工具包

### 故事汇

小雨准备做一个知识库助手。她没有先把 Python、数据库、Docker 和机器学习全部学完，而是从模型 API 开始：运行一段 Python、配置密钥、发送请求、读取 JSON，再把项目放进 Git 仓库。当项目需要部署时，她才补上 Docker；当需要查询业务数据时，她再学习 SQL。

开发者最小工具包不是一条必须从头学到底的独立路线，而是技术学习者的补给站。已经具备相关能力的学习者可以直接跳过；零基础学习者也只需要先掌握足以支持第一个项目的部分。

### 课程表

| 学习关系 | 课程类型 | 课程名称 | 课程资料 |
| --- | --- | --- | --- |
| 按需 | Python 基础 | 聪明办法学 Python | [`learn-python-the-smart-way`](https://github.com/datawhalechina/learn-python-the-smart-way) |
| 必达 | API 与 JSON | 使用模型 API 完成结构化调用 | [`llm-cookbook`](https://github.com/datawhalechina/llm-cookbook) 入门章节 |
| 按需 | Git | Git 教程 | [`faster-git`](https://github.com/datawhalechina/faster-git) |
| 按需 | Docker | Docker 教程 | [`docker-notes`](https://github.com/datawhalechina/docker-notes) |
| 按需 | 数据分析 | 熊猫书：Joyful Pandas | [`joyful-pandas`](https://github.com/datawhalechina/joyful-pandas) |
| 按需 | SQL | 从 0 到 1 掌握 SQL | [`wonderful-sql`](https://github.com/datawhalechina/wonderful-sql) |
| 按需 | 科学计算 | Python 科学计算教程 | [`scientific-computing`](https://github.com/datawhalechina/scientific-computing) |

### 如何判断是否需要学习

| 学习目标 | 科学计算 | 数据分析 | SQL |
| --- | --- | --- | --- |
| AI 工具与个人提效 | 不要求 | 按场景学习 | 按场景学习 |
| 低代码工作流 | 不要求 | 选修 | 选修 |
| RAG / Agent 应用 | 基础了解即可 | 处理数据时学习 | 连接结构化数据时学习 |
| FDE / 企业 AI 交付 | 选修 | 建议掌握 | 建议掌握 |
| 机器学习 / 模型训练 | 建议掌握 | 建议掌握 | 按方向学习 |
| 数据科学 / 推荐系统 | 必学 | 必学 | 必学或强烈建议 |
| CV / 具身智能 | 必学 | 按需 | 通常不是前置 |

## AI 使用与个人生产力

### 故事汇

> **嘉宾分享预留**：计划邀请科研、办公、内容创作或个人知识管理实践者，分享一个真实工作流如何被 AI 改造，以及工具热潮过去后真正留下了哪些长期习惯。

小陈并不准备成为算法工程师。他最希望解决的问题，是每天需要阅读大量资料、整理会议记录、撰写文章和反复处理相似文件。最开始，他收集了很多 AI 工具，却发现工具越多，工作反而越碎。

后来他先画出自己的工作流程，区分资料输入、信息判断、内容生成、人工确认和最终发布，再选择少量工具完成每一步。这条路线关注的不是“会多少工具”，而是能否把 AI 变成一个每周真实使用、能够持续改进的个人生产系统。

### 课程表

| 学习关系 | 课程类型 | 课程名称 | 课程资料 |
| --- | --- | --- | --- |
| 必达 | AI 工具素养 | AI Skills for Everyone | [`ai-skills-for-everyone`](https://github.com/datawhalechina/ai-skills-for-everyone) |
| 择一 | Prompt | AI Prompting for Everyone / Smart Prompt | [`ai-prompting-for-everyone`](https://github.com/datawhalechina/ai-prompting-for-everyone) / [`smart-prompt`](https://github.com/datawhalechina/smart-prompt) |
| 必达 | 场景分析 | 识别可改造任务，拆解现有工作流程 | 路线实践任务 |
| 择一 | 低代码应用 | Self Dify / Coze AI 私人提效助理 | [`self-dify`](https://github.com/datawhalechina/self-dify) / [`coze-ai-assistant`](https://github.com/datawhalechina/coze-ai-assistant) |
| 按需 | 跨工具自动化 | Handy n8n | [`handy-n8n`](https://github.com/datawhalechina/handy-n8n) |
| 按需 | 论文阅读 | Whale Paper | [`whale-paper`](https://github.com/datawhalechina/whale-paper) |
| 按需 | 个人知识系统 | Whale Paper Pal | [`whale-paper-pal`](https://github.com/datawhalechina/whale-paper-pal) |
| 按需 | 科研绘图 | 香蕉书：AI 科研绘图 | [`happy-figure`](https://github.com/datawhalechina/happy-figure) |
| 按需 | 技术博客 | Vibe Blog | [`vibe-blog`](https://github.com/datawhalechina/vibe-blog) |
| 按需 | 视频资料整理 | Video Devour | [`video-devour`](https://github.com/datawhalechina/video-devour) |
| 实践 | 个人工作流 | 我的 AI 生产力系统 | 综合项目 |

### 验收标准

- 能够拆解一个真实、重复发生的工作流程。
- 能够说明 AI 节点和人工负责节点。
- 工作流至少连续完成三次真实任务。
- 能够比较改造前后的时间、质量或体验。

### 进阶选修与扩展材料

| 材料类型 | 名称 | 适合继续探索的问题 |
| --- | --- | --- |
| 设计指南 | [Google People + AI Guidebook](https://pair.withgoogle.com/guidebook-v2/) | 场景选择、用户控制、反馈与信任 |
| 案例集 | [PAIR Case Studies](https://pair.withgoogle.com/guidebook-v2/case-studies) | 真实团队如何设计和迭代 AI 产品 |
| 官方文档 | [n8n Advanced AI](https://docs.n8n.io/advanced-ai/) | 将个人流程扩展为可运行的自动化系统 |

## AI 应用开发

### 故事汇

> **嘉宾分享预留**：计划邀请完成过 AI 应用上线或内部推广的开发者，介绍一个应用从想法、原型到真实使用的完整过程，并说明最终选择了哪一条技术分支。

小林做出了一个聊天机器人，但用户真正想要的是“帮我查资料、整理表格、看懂图片和视频、生成报告，必要时调用工具并把结果保存下来”。这时，系统要处理的就不只是一次问答，而是数据、检索、工具、不同模态、状态、权限、评测和部署。

AI 应用开发路线关注如何把模型能力组合成一个真正可用的系统。学习者先掌握模型 API 和结构化输出，再根据目标选择工作流、RAG、Agent、多模态交互或数据智能分支。RAG 不再作为所有人都必须单独完成的一条大路线，而是 AI 应用开发中的知识应用分支；Agent、工作流、多模态和数据能力也可以根据项目自由组合。

### 共同主线

| 学习关系 | 课程类型 | 课程名称 | 课程资料 |
| --- | --- | --- | --- |
| 择一 | LLM 应用入门 | 面向开发者的 LLM 入门教程 | [`llm-cookbook`](https://github.com/datawhalechina/llm-cookbook) |
| 择一 | 项目式入门 | 动手学大模型应用开发 | [`llm-universe`](https://github.com/datawhalechina/llm-universe) |
| 必达 | 结构化输出 | API、JSON、错误处理与成本记录 | 共同实践任务 |
| 实践 | 第一个 AI 功能 | 命令行或网页形式的单功能助手 | 共同验收项目 |

### 工作流与低代码分支

#### 故事汇（嘉宾分享预留）

> 计划邀请使用 Dify、Coze 或 n8n 改造真实业务流程的实践者，分享如何选择平台、如何拆解流程、哪些环节必须保留人工确认，以及工作流从演示走向长期运行时遇到的问题。嘉宾、案例和分享链接将在后续共建中补充。

| 学习关系 | 课程类型 | 课程名称 | 课程资料 |
| --- | --- | --- | --- |
| 择一 | Dify | Self Dify | [`self-dify`](https://github.com/datawhalechina/self-dify) |
| 择一 | Coze | Coze AI 私人提效助理 | [`coze-ai-assistant`](https://github.com/datawhalechina/coze-ai-assistant) |
| 按需 | n8n | Handy n8n | [`handy-n8n`](https://github.com/datawhalechina/handy-n8n) |
| 按需 | 跨设备助手 | OpenClaw 学习教程 | [`openclaw-tutorial`](https://github.com/datawhalechina/openclaw-tutorial) |
| 实践 | 业务工作流 | 可交付的自动化工作流 | 综合项目 |

Dify 和 Coze 主要用于完成同类的低代码入门目标，初学者选择一个即可。n8n 更适合需要定时任务、Webhook 和跨系统自动化的场景，不要求所有学习者统一前置。

#### 进阶选修与扩展材料

| 材料类型 | 名称 | 适合继续探索的问题 |
| --- | --- | --- |
| 官方文档 | [Dify Documentation](https://docs.dify.ai/) | 工作流编排、知识库、插件与生产部署 |
| 官方文档 | [n8n Advanced AI](https://docs.n8n.io/advanced-ai/) | AI 节点、工具调用、人工介入和跨系统自动化 |
| 设计指南 | [Google People + AI Guidebook](https://pair.withgoogle.com/guidebook-v2/) | 用户控制、失败回退、信任与 AI 产品体验 |

### RAG 与知识应用分支

#### 故事汇（嘉宾分享预留）

> 计划邀请知识库、搜索或企业问答项目的负责人，分享数据清洗、切分、召回、引用和评测中的真实取舍。故事应包含一个“最初以为是模型问题，后来发现是数据或检索问题”的具体案例。

| 学习关系 | 课程类型 | 课程名称 | 课程资料 |
| --- | --- | --- | --- |
| 必达 | RAG 快速入门 | 动手学大模型应用开发 | [`llm-universe`](https://github.com/datawhalechina/llm-universe) |
| 必达 | RAG 系统主线 | RAG 技术全栈指南 | [`all-in-rag`](https://github.com/datawhalechina/all-in-rag) |
| 择一 | 向量数据库 | 从零开始的向量数据库原理与实践 | [`easy-vecdb`](https://github.com/datawhalechina/easy-vecdb) |
| 择一 | 向量检索 | 向量检索与 RAG 实践 | [`what-is-vs`](https://github.com/datawhalechina/what-is-vs) |
| 按需 | 信息检索 | 信息检索导论 | [`fun-ir`](https://github.com/datawhalechina/fun-ir) |
| 按需 | 数据到 AI | Easy Data x AI | [`easy-data-x-ai`](https://github.com/datawhalechina/easy-data-x-ai) |
| 实践 | RAG 框架 | Wow RAG | [`wow-rag`](https://github.com/datawhalechina/wow-rag) |
| 实践 | 知识应用 | 有依据的知识助手 | 综合项目 |

[`llm-universe`](https://github.com/datawhalechina/llm-universe) 适合作为个人知识库快速入门，[`all-in-rag`](https://github.com/datawhalechina/all-in-rag) 作为系统主线。[`easy-vecdb`](https://github.com/datawhalechina/easy-vecdb) 与 [`what-is-vs`](https://github.com/datawhalechina/what-is-vs) 都包含向量检索相关内容，初学者不需要同时完成，可根据自己更关注数据库原理还是检索实践进行选择。

#### 进阶选修与扩展材料

| 材料类型 | 名称 | 适合继续探索的问题 |
| --- | --- | --- |
| 论文 | [Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks](https://arxiv.org/abs/2005.11401) | RAG 的原始问题设定与基本架构 |
| GitHub | [Microsoft GraphRAG](https://github.com/microsoft/graphrag) | 图结构知识、全局问题与社区摘要 |
| GitHub | [Ragas](https://github.com/explodinggradients/ragas) | RAG 数据集、自动评测和实验闭环 |
| 论文 / 基准 | [BRIGHT](https://github.com/xlang-ai/BRIGHT) | 推理密集型检索与更困难的评测任务 |

### 智能体与工具调用分支

#### 故事汇（嘉宾分享预留）

> 计划邀请 Agent、MCP 或自动化项目的开发者，分享为什么选择 Agent 而不是固定工作流、如何控制工具权限和循环成本，以及一次真实失败如何改变了系统设计。

| 学习关系 | 课程类型 | 课程名称 | 课程资料 |
| --- | --- | --- | --- |
| 参考 | Agent 资料导航 | AI Agent 学习路线与资料库 | [`Agent-Learning-Hub`](https://github.com/datawhalechina/Agent-Learning-Hub) |
| 必达 | Agent 原理与实践 | 从零开始构建智能体 | [`hello-agents`](https://github.com/datawhalechina/hello-agents) |
| 择一 | Agent 框架 | Wow Agent | [`wow-agent`](https://github.com/datawhalechina/wow-agent) |
| 择一 | LangGraph 实战 | Deep Agents 实战 | [`deepagents-in-action`](https://github.com/datawhalechina/deepagents-in-action) |
| 择一 | Langent 教程 | Easy Langent | [`easy-langent`](https://github.com/datawhalechina/easy-langent) |
| 必达 | MCP | MCP 极简开发 | [`mcp-lite-dev`](https://github.com/datawhalechina/mcp-lite-dev) |
| 按需 | Agent Skills | Agent Skills with Anthropic 中文整理 | [`agent-skills-with-anthropic`](https://github.com/datawhalechina/agent-skills-with-anthropic) |
| 按需 | Harness 工程 | Self Harness | [`self-harness`](https://github.com/datawhalechina/self-harness) |
| 按需 | 多智能体 | Handy Multi-Agent | [`handy-multi-agent`](https://github.com/datawhalechina/handy-multi-agent) |
| 实践 | Agent 应用 | 可控的任务智能体 | 综合项目 |

[`hello-agents`](https://github.com/datawhalechina/hello-agents) 作为原理与实践主线。框架类教程选择一门完成即可；只有项目确实需要复杂协作时，再进入 Harness 或多智能体内容。

#### 进阶选修与扩展材料

| 材料类型 | 名称 | 适合继续探索的问题 |
| --- | --- | --- |
| 论文 | [ReAct: Synergizing Reasoning and Acting](https://arxiv.org/abs/2210.03629) | 推理与行动交替的经典 Agent 范式 |
| 工程博客 | [Anthropic：Building Effective Agents](https://www.anthropic.com/engineering/building-effective-agents) | 工作流与 Agent 的边界及常见架构模式 |
| 官方 SDK | [OpenAI Agents SDK](https://openai.github.io/openai-agents-python/) | Agent、Handoff、Guardrail 和 Tracing |
| 开放规范 | [Model Context Protocol](https://modelcontextprotocol.io/specification/) | 模型、工具与数据源之间的标准化连接 |

### 多模态与实时交互分支

#### 故事汇（嘉宾分享预留）

> 计划邀请图片理解、语音助手、视频分析或实时交互应用的开发者，分享不同模态的输入处理、延迟与成本、用户体验和评测方法。故事应说明“能够调用多模态模型”和“做出可用的多模态产品”之间的差距。

这条分支关注使用现有多模态模型构建应用，而不是从头训练多模态模型。希望深入模型原理和训练的学习者，可以继续进入后文的“多模态模型”专业方向。

| 学习关系 | 课程类型 | 课程名称 | 课程资料 |
| --- | --- | --- | --- |
| 必达 | 多模态 API | 图片、音频、视频输入与结构化输出 | 主流模型官方 API 文档 |
| 按需 | 视觉模型 | Hugging Vision | [`hugging-vis`](https://github.com/datawhalechina/hugging-vis) |
| 按需 | 音频模型 | Hugging Audio | [`hugging-audio`](https://github.com/datawhalechina/hugging-audio) |
| 按需 | 视频资料 | Video Devour | [`video-devour`](https://github.com/datawhalechina/video-devour) |
| 实践 | 多模态资料助手 | 处理图片、音频或视频并生成有依据的结果 | 综合项目 |

#### 进阶选修与扩展材料

| 材料类型 | 名称 | 适合继续探索的问题 |
| --- | --- | --- |
| 官方文档 | [Hugging Face Multimodal Chat Templates](https://huggingface.co/docs/transformers/en/chat_templating_multimodal) | 开源多模态模型的输入格式与推理 |
| 官方文档 | [Gemini Image Understanding](https://ai.google.dev/gemini-api/docs/image-understanding) | 图片描述、问答、检测与分割 |
| 官方文档 | [Gemini Audio Understanding](https://ai.google.dev/gemini-api/docs/audio) | 音频理解、转写、时间戳和结构化输出 |
| 官方文档 | [Gemini Video Understanding](https://ai.google.dev/gemini-api/docs/video-understanding) | 长视频、视听联合理解和时间定位 |
| GitHub | [Qwen2.5-VL](https://github.com/QwenLM/Qwen2.5-VL) | 开源视觉语言模型、部署与应用案例 |

### 结构化数据与数据智能分支

#### 故事汇（嘉宾分享预留）

> 计划邀请数据分析、Text-to-SQL 或企业数据助手项目的实践者，分享如何理解表结构和业务口径、怎样限制查询权限、为什么“SQL 能运行”不等于“业务答案正确”，以及如何用真实问题建立评测集。

这条分支面向表格、数据库、数据仓库和业务指标。它与 RAG 的区别是：RAG 主要连接非结构化知识，数据智能主要连接结构化数据和可执行查询；真实项目也可以同时使用两者。

| 学习关系 | 课程类型 | 课程名称 | 课程资料 |
| --- | --- | --- | --- |
| 按需 | SQL | 从 0 到 1 掌握 SQL | [`wonderful-sql`](https://github.com/datawhalechina/wonderful-sql) |
| 按需 | 数据分析 | 熊猫书：Joyful Pandas | [`joyful-pandas`](https://github.com/datawhalechina/joyful-pandas) |
| 必达 | 数据到 AI | Easy Data x AI | [`easy-data-x-ai`](https://github.com/datawhalechina/easy-data-x-ai) |
| 必达 | 数据权限与口径 | Schema、指标定义、只读权限与查询审计 | 分支实践任务 |
| 实践 | 数据问答助手 | 自然语言查询、结果解释与图表报告 | 综合项目 |

#### 进阶选修与扩展材料

| 材料类型 | 名称 | 适合继续探索的问题 |
| --- | --- | --- |
| GitHub | [DB-GPT](https://github.com/eosphoros-ai/DB-GPT) | 数据库、表格、代码分析和数据 Agent |
| 论文 / 基准 | [Spider 2.0](https://github.com/xlang-ai/Spider2) | 真实企业级 Text-to-SQL 工作流与评测 |
| GitHub | [ReFoRCE](https://github.com/Snowflake-Labs/ReFoRCE) | Schema 探索、自我修正和复杂 Text-to-SQL |
| 设计指南 | [Google People + AI Guidebook](https://pair.withgoogle.com/guidebook-v2/) | 数据结果解释、用户信任和失败处理 |

### AI 产品设计与人机交互（共享选修）

#### 故事汇（嘉宾分享预留）

> 计划邀请 AI 产品经理、设计师或一线用户，分享如何设置合理预期、让用户纠正模型、设计人工接管，以及为什么模型指标提升并不一定带来更好的产品体验。

该模块不是一条独立技术路线，而是所有应用分支都可以选择的共享扩展。建议至少在结业项目前完成一次真实用户测试。

| 学习关系 | 课程类型 | 课程名称 | 课程资料 |
| --- | --- | --- | --- |
| 按需 | 人本 AI 设计 | People + AI Guidebook | [Google PAIR](https://pair.withgoogle.com/guidebook-v2/) |
| 实践 | 用户测试 | 观察用户完成任务并记录误解、失败和接管 | 项目实践 |
| 实践 | 反馈闭环 | 让用户评价、纠正或拒绝 AI 结果 | 项目实践 |

## 可靠交付：评测、工程化与安全

### 故事汇

> **嘉宾分享预留**：计划邀请负责 AI 平台、评测、可观测性或安全治理的工程师，分享一次生产事故、评测失效或权限问题如何推动系统改进。

小许的 RAG Demo 在本地运行得很好，但一上线就出现接口超时、答案不稳定、日志缺失、费用不可控和权限过大等问题。他发现，从 Demo 到可交付系统之间，缺少的不是另一个模型框架，而是一组贯穿开发过程的质量关卡。

因此，3.0 版本不再把“AI 工程化、评测与安全”作为一条内容混杂的独立路线，而是把它拆成所有应用项目都需要逐步通过的可靠交付关卡。

### 质量关卡

| 学习关系 | 关卡 | 学习目标 | 推荐资料 |
| --- | --- | --- | --- |
| 必达 | 可评测 | 建立最小评测集，定义成功标准和基线 | All-in-RAG 评测章节、OpenAI Evals |
| 必达 | 可观察 | 记录请求、工具调用、错误、延迟和成本 | Full Stack Deep Learning 相关资料 |
| 必达 | 可控制 | 处理超时、重试、缓存、降级和人工确认 | 项目工程实践 |
| 必达 | 可部署 | 提供依赖、配置、部署和回滚说明 | [`docker-notes`](https://github.com/datawhalechina/docker-notes)、托管平台官方文档 |
| 必达 | 安全与治理 | 检查权限、隐私、提示注入和敏感信息泄漏 | OWASP GenAI Security Top 10 |
| 按需 | 本地模型 | 动手学 Ollama | [`handy-ollama`](https://github.com/datawhalechina/handy-ollama) |
| 按需 | 推理部署 | LLM Deploy | [`llm-deploy`](https://github.com/datawhalechina/llm-deploy) |
| 按需 | GPU | Hello GPU | [`hello-gpu`](https://github.com/datawhalechina/hello-gpu) |
| 按需 | ROCm | Hello ROCm | [`hello-rocm`](https://github.com/datawhalechina/hello-rocm) |

### 验收标准

- 有不少于 20 条的最小评测集，能够重复运行。
- 能够从日志定位至少一次真实失败。
- 记录延迟、成本、模型和关键配置。
- 对高风险工具设置最小权限和人工确认。
- 其他学习者能够根据说明完成部署或访问应用。

### 进阶选修与扩展材料

| 材料类型 | 名称 | 适合继续探索的问题 |
| --- | --- | --- |
| GitHub | [Promptfoo](https://github.com/promptfoo/promptfoo) | 模型与提示评测、红队测试和 CI 集成 |
| GitHub | [Langfuse](https://github.com/langfuse/langfuse) | Trace、数据集、在线评测与可观测性 |
| 安全清单 | [OWASP GenAI Security Project](https://genai.owasp.org/) | LLM 与 Agent 应用的威胁和防护 |
| 公开课程 | [Full Stack Deep Learning](https://fullstackdeeplearning.com/) | AI 产品从数据、测试到部署和监控的生命周期 |

## 大模型原理、训练与推理

### 故事汇

> **嘉宾分享预留**：计划邀请模型训练、后训练或推理系统方向的研究者与工程师，分享一次模型实验从假设、失败到复现的完整过程。

小文已经会使用 ChatGPT、DeepSeek 和 Claude，但在做项目时经常遇到三个问题：模型为什么会答错、怎么让输出更稳定、什么时候应该微调或部署本地模型。

大模型路线的目标，是让学习者从“会调用模型”走向“理解模型结构和系统边界”。它包括 Transformer、预训练、后训练和推理部署，也包括数据、计算资源、评测和实验复现。由于多门课程都包含从零构建模型的内容，初学者应选择一条白盒实践完成，而不是重复手搓相似模块。

### 算法路线补给包

| 学习关系 | 课程类型 | 课程名称 | 课程资料 |
| --- | --- | --- | --- |
| 按需 | 数学基础 | 人工智能的数学基础 | [`math-for-ai`](https://github.com/datawhalechina/math-for-ai) |
| 必达 | 深度学习理论 | 李宏毅深度学习教程（苹果书） | [`leedl-tutorial`](https://github.com/datawhalechina/leedl-tutorial) |
| 必达 | 深度学习框架 | 深入浅出 PyTorch | [`thorough-pytorch`](https://github.com/datawhalechina/thorough-pytorch) |
| 按需 | 机器学习理论 | 南瓜书：《机器学习》公式详解 | [`pumpkin-book`](https://github.com/datawhalechina/pumpkin-book) |
| 按需 | 机器学习实践 | 西瓜书代码实战 | [`machine-learning-toy-code`](https://github.com/datawhalechina/machine-learning-toy-code) |

数学知识可以围绕注意力、损失函数、优化、评测等具体任务按需补齐，不建议把全部数学课程设置为长期统一前置。

### 课程表

| 学习关系 | 课程类型 | 课程名称 | 课程资料 |
| --- | --- | --- | --- |
| 择一 | 大模型通识 | 大模型基础：一文了解大模型基础知识 | [`so-large-lm`](https://github.com/datawhalechina/so-large-lm) |
| 择一 | 大模型入门 | 理工科大模型入门实训课程 | [`llm-preview`](https://github.com/datawhalechina/llm-preview) |
| 按需 | NLP 到 LLM | 从 NLP 到 LLM 的算法全栈教程 | [`base-llm`](https://github.com/datawhalechina/base-llm) |
| 必达 | LLM 系统主线 | 杨桃书：Happy-LLM | [`happy-llm`](https://github.com/datawhalechina/happy-llm) |
| 择一 | 从零构建 | 从 0 构建大语言模型 | [`llms-from-scratch-cn`](https://github.com/datawhalechina/llms-from-scratch-cn) |
| 择一 | 白盒构建 | 大模型白盒子构建指南 | [`tiny-universe`](https://github.com/datawhalechina/tiny-universe) |
| 按需 | 训练系统进阶 | 系统性大语言模型构建课程 | [`diy-llm`](https://github.com/datawhalechina/diy-llm) |
| 按需 | 微调与部署 | 开源大模型食用指南 | [`self-llm`](https://github.com/datawhalechina/self-llm) |
| 按需 | 本地部署 | 动手学 Ollama | [`handy-ollama`](https://github.com/datawhalechina/handy-ollama) |
| 按需 | 推理部署 | 大模型推理和部署理论与实践 | [`llm-deploy`](https://github.com/datawhalechina/llm-deploy) |
| 按需 | 后训练 | Post-Training for LLMs 中文整理 | [`post-training-of-llms`](https://github.com/datawhalechina/post-training-of-llms) |
| 按需 | 前沿解读 | DeepSeek 系列工作解读、扩展和复现 | [`unlock-deepseek`](https://github.com/datawhalechina/unlock-deepseek) |
| 按需 | 推理机制 | 推理王国 | [`reasoning-kingdom`](https://github.com/datawhalechina/reasoning-kingdom) |
| 实践 | 模型实验 | 可复现的模型训练、微调或推理实验 | 综合项目 |

[`happy-llm`](https://github.com/datawhalechina/happy-llm) 作为系统主线；[`llms-from-scratch-cn`](https://github.com/datawhalechina/llms-from-scratch-cn) 与 [`tiny-universe`](https://github.com/datawhalechina/tiny-universe) 选择一个完成白盒实践；[`diy-llm`](https://github.com/datawhalechina/diy-llm) 更适合希望继续进入训练系统、分布式训练和推理优化的学习者。

### 进阶选修与扩展材料

| 材料类型 | 名称 | 适合继续探索的问题 |
| --- | --- | --- |
| 论文 | [Attention Is All You Need](https://arxiv.org/abs/1706.03762) | Transformer 的原始结构与设计动机 |
| 课程 / 实现 | [Stanford CS336: Language Modeling from Scratch](https://stanford-cs336.github.io/spring2025/) | 数据、Tokenizer、训练、系统和 Scaling |
| GitHub | [Hugging Face Transformers](https://github.com/huggingface/transformers) | 主流开源模型实现与训练生态 |
| GitHub | [vLLM](https://github.com/vllm-project/vllm) | 高吞吐推理、调度和服务化 |

## 经典 AI 方向与专业分支

### 故事汇

> **嘉宾分享预留**：各专业方向分别保留嘉宾位置。计划邀请 CV、推荐、强化学习、图学习、数据竞赛及行业应用实践者，介绍该方向最适合初学者的第一个问题、基线和作品。

大模型正在改变 AI 的学习方式，但经典方向并没有消失。CV、推荐系统、强化学习、图学习、数据竞赛、医学影像和量化金融等方向，仍然是科研、竞赛、实习、岗位和行业应用的重要入口。

这些方向彼此并不是一条连续的必修路线。一个希望学习推荐系统的人，不需要先把 CV 和强化学习全部学完。学习者应选择一个具体问题、一个公开数据集和一个可复现基线，在项目中深入对应方向。

### 课程表

| 学习关系 | 专业方向 | 课程名称 | 课程资料 |
| --- | --- | --- | --- |
| 择一 | 数据竞赛 | Competition Baseline | [`competition-baseline`](https://github.com/datawhalechina/competition-baseline) |
| 按需 | 大数据 | Datawhale 大数据处理导论 | [`juicy-bigdata`](https://github.com/datawhalechina/juicy-bigdata) |
| 择一 | 计算机视觉 | 动手学 CV-PyTorch | [`dive-into-cv-pytorch`](https://github.com/datawhalechina/dive-into-cv-pytorch) |
| 按需 | CV 检测 | YOLO Master | [`yolo-master`](https://github.com/datawhalechina/yolo-master) |
| 按需 | OpenMMLab | OpenMMLab Tutorial | [`openmmlab-tutorial`](https://github.com/datawhalechina/openmmlab-tutorial) |
| 择一 | 推荐系统 | 推荐系统入门教程 | [`fun-rec`](https://github.com/datawhalechina/fun-rec) |
| 实践 | 推荐系统 | Torch-RecHub | [`torch-rechub`](https://github.com/datawhalechina/torch-rechub) |
| 择一 | 强化学习 | 强化学习中文教程（蘑菇书） | [`easy-rl`](https://github.com/datawhalechina/easy-rl) |
| 实践 | 强化学习 | JoyRL Book | [`joyrl-book`](https://github.com/datawhalechina/joyrl-book) |
| 择一 | 图深度学习 | 图深度学习（葡萄书） | [`grape-book`](https://github.com/datawhalechina/grape-book) |
| 按需 | AI 安全 | 网络安全中的人工智能方法 | [`ml-for-security`](https://github.com/datawhalechina/ml-for-security) |
| 按需 | 医学影像 | 医学影像处理开源教程 | [`med-imaging-primer`](https://github.com/datawhalechina/med-imaging-primer) |
| 按需 | 金融量化 | Quant for Beginners / Whale Quant | [`quant-for-beginners`](https://github.com/datawhalechina/quant-for-beginners) / [`whale-quant`](https://github.com/datawhalechina/whale-quant) |
| 参考 | AGI 路径 | Path2AGI | [`Path2AGI`](https://github.com/datawhalechina/Path2AGI) |

### 项目验收

- 选择一个明确任务和公开或自有数据集。
- 运行一个可复现基线。
- 完成至少一次有对照的改进实验。
- 报告指标、资源消耗、误差分析和局限。

### 进阶选修与扩展材料

专业方向变化较快，扩展资料优先选择原始论文、官方仓库和公开基准。每个方向的嘉宾分享页可以继续维护一份“论文三篇、仓库两个、基准一个”的精简清单，避免再次堆积成无法选择的资源目录。

| 方向 | 扩展入口 |
| --- | --- |
| 计算机视觉 | [OpenMMLab](https://github.com/open-mmlab)、[Ultralytics](https://github.com/ultralytics/ultralytics) |
| 推荐系统 | [RecBole](https://github.com/RUCAIBox/RecBole)、[TorchRec](https://github.com/pytorch/torchrec) |
| 强化学习 | [CleanRL](https://github.com/vwxyzjn/cleanrl)、[Gymnasium](https://github.com/Farama-Foundation/Gymnasium) |
| 图学习 | [PyTorch Geometric](https://github.com/pyg-team/pytorch_geometric)、[DGL](https://github.com/dmlc/dgl) |

## 多模态模型

### 故事汇

> **嘉宾分享预留**：计划邀请视觉语言、音频或视频模型方向的研究者与开发者，分享多模态数据、训练、评测和应用中的实际经验。

小航想做一个能够看图、听音频、读视频和理解屏幕的资料助手。他发现，文本模型只是入口，多模态系统还需要理解不同模态的数据表示、模型能力和评测方式。

多模态路线适合希望学习视觉语言模型、音频模型、视频理解和多模态生成的学习者。它可以服务于应用开发，也可以继续深入模型训练与研究。

### 课程表

| 学习关系 | 课程类型 | 课程名称 | 课程资料 |
| --- | --- | --- | --- |
| 必达 | 多模态大模型 | Start MLLM | [`start-mllm`](https://github.com/datawhalechina/start-mllm) |
| 按需 | 视觉模型 | Hugging Vision | [`hugging-vis`](https://github.com/datawhalechina/hugging-vis) |
| 按需 | 音频模型 | Hugging Audio | [`hugging-audio`](https://github.com/datawhalechina/hugging-audio) |
| 按需 | 音乐生成 | MusicLM Universe | [`musiclm-universe`](https://github.com/datawhalechina/musiclm-universe) |
| 实践 | 多模态应用 | 多模态资料助手 | 综合项目 |

## 具身智能

### 故事汇

> **嘉宾分享预留**：计划邀请机器人、仿真、VLA 或强化学习方向的实践者，分享从算法到真实环境之间最容易被初学者忽视的工程问题。

小航进一步希望让系统控制机器人。他很快发现，能够理解图片和视频并不等于能够在真实环境中行动。具身智能还需要感知、决策、控制、强化学习、机器人系统和仿真环境等知识。

因此，具身智能不再与多模态入门放在同一条必修序列中。学习者应先根据项目补齐视觉、强化学习或机器人基础，再进入具身智能工程。

### 课程表

| 学习关系 | 课程类型 | 课程名称 | 课程资料 |
| --- | --- | --- | --- |
| 必达 | 具身智能 | Every Embodied | [`every-embodied`](https://github.com/datawhalechina/every-embodied) |
| 必达 | 具身智能工程 | Dive into Embodied AI | [`dive-into-embodied-ai`](https://github.com/datawhalechina/dive-into-embodied-ai) |
| 按需 | World Model | Learn World Model | [`learn-world-model`](https://github.com/datawhalechina/learn-world-model) |
| 实践 | 机器人教程 | Hello Robotics | [`hello-robotics`](https://github.com/datawhalechina/hello-robotics) |
| 实践 | AI 语音小车 | Whale Bot | [`whale-bot`](https://github.com/datawhalechina/whale-bot) |
| 实践 | 具身项目 | 感知、决策、控制或仿真链路 | 综合项目 |

## FDE 预备路线

### 故事汇

> **嘉宾分享预留**：计划邀请 FDE、解决方案工程师或企业 AI 项目负责人，围绕需求发现、现场约束、上线采用和价值指标讲述一次真实交付。

小周已经可以做出 RAG 和 Agent Demo，但第一次面对真实客户时，问题完全不同：客户并不能准确说出需求，数据分散在多个系统中，权限和安全要求复杂，上线之后还需要培训用户、观察采用率并持续迭代。

Forward Deployed Engineer 位于客户问题、产品能力和工程交付的交叉位置。FDE 不只需要会构建 AI 应用，还需要完成需求发现、技术范围界定、系统集成、可靠上线和价值验证。

真实 FDE 岗位通常要求已有工程和客户交付经验，因此本培养方案将其称为“FDE 预备路线”。它适合作为 AI 应用开发后的进阶方向，而不是零基础学习者的第一条路线。

### 课程表

| 学习关系 | 能力模块 | 学习内容 | 验收产出 |
| --- | --- | --- | --- |
| 必达 | 问题发现 | 用户访谈、现有流程、约束和利益相关者 | 访谈记录与现状流程图 |
| 必达 | 技术定界 | 成功指标、方案比较、范围和停止条件 | 技术范围说明与基线指标 |
| 必达 | 快速原型 | 使用真实或脱敏数据完成端到端验证 | 一周价值原型与试用反馈 |
| 必达 | 数据集成 | API、SQL、文件、身份认证与权限 | 架构图、数据字典和权限矩阵 |
| 必达 | 可靠上线 | 评测、安全、日志、成本、灰度与回滚 | 上线检查表和运行手册 |
| 必达 | 用户采用 | 培训、反馈、采用率和工作流影响 | 上线复盘和价值指标 |
| 实践 | 真实交付 | 完成一个真实或高仿真的 AI 交付项目 | FDE 交付档案 |

### FDE 结业要求

- 至少一个真实或高仿真的客户场景。
- 有需求访谈和技术范围界定，而不只是自拟题目。
- 有上线前后的业务、效率或质量指标。
- 有评测集、权限边界、日志和成本记录。
- 有用户反馈、项目迭代和交付文档。
- 将有效方案沉淀为模板、组件或交付手册。

## OPC 与个人生产系统

### 故事汇

> **嘉宾分享预留**：计划邀请独立开发者、内容创业者和社区贡献者，分享从个人效率、首次交付到业务闭环的真实过程。

小玥不只想学习 AI，她希望 AI 能成为自己的生产系统：帮助自己找资料、做内容、写代码、交付项目、复盘收入和沉淀方法论。

OPC 路线对应从个人效率到产品交付、业务闭环和生态贡献的能力升级。它不只是工具使用路线，也不要求所有 AI 学习者都走向创业。希望进行个人商业实践、独立产品和社区共建的学习者，可以在完成 AI 使用或应用构建路线后进入。

### 课程表

| 学习关系 | 课程类型 | 课程名称 | 课程资料 |
| --- | --- | --- | --- |
| 必达 | AI 工具素养 | AI Skills for Everyone | [`ai-skills-for-everyone`](https://github.com/datawhalechina/ai-skills-for-everyone) |
| 按需 | 个人知识系统 | Whale Paper Pal | [`whale-paper-pal`](https://github.com/datawhalechina/whale-paper-pal) |
| 必达 | 工作流 | Handy n8n | [`handy-n8n`](https://github.com/datawhalechina/handy-n8n) |
| 择一 | AI 应用 | Self Dify / Coze AI Assistant | [`self-dify`](https://github.com/datawhalechina/self-dify) / [`coze-ai-assistant`](https://github.com/datawhalechina/coze-ai-assistant) |
| 实践 | 内容生产 | Vibe Blog | [`vibe-blog`](https://github.com/datawhalechina/vibe-blog) |
| 实践 | 产品设计 | VC Lab | [`vc-lab`](https://github.com/datawhalechina/vc-lab) |
| 实践 | 个人交付 | 完成一次真实需求、交付和复盘 | OPC 实践项目 |
| 参考 | 生态共建 | Datawhale 开源项目管理委员会 | DOPMC |

# 自选支线：AI 之外的基础能力

AI 应用并不是只由模型、RAG 和 Agent 构成。真实项目还会遇到数据库、统计、软件工程、产品设计、安全和技术表达等问题。这些内容不适合全部放进公共前置，否则初学者会在做出第一个作品前学习过多知识；但如果完全省略，又容易让项目停留在 Demo 阶段。

因此，3.0 版本将这些非 AI 知识整理为自选支线。学习者可以先进入 AI 主线，在项目遇到具体问题时选择一条支线，再把支线成果带回原项目。

自选支线不要求全部完成，也不用于判断不同学习者能力的高低。

| 自选支线 | 推荐学习路线 | 可以接回的 AI 场景 |
| --- | --- | --- |
| SQL 与业务数据 | SQL → 关系模型 → 数据口径 → 只读查询与审计 → 数据问答项目 | Text-to-SQL、数据智能、RAG、FDE |
| 数据分析与统计 | Pandas → 描述统计 → 可视化 → 实验设计 → 指标与误差分析 | 评测集、模型实验、推荐系统、业务分析 |
| 科学计算与数学 | Python → NumPy → 线性代数 → 概率统计 → 优化与数值实验 | 机器学习、LLM 原理、CV、强化学习 |
| 软件工程与部署 | Git → 命令行 → HTTP/API → 测试 → Docker → CI/CD 与监控 | 所有 Builder 项目、模型服务、FDE |
| 产品与用户研究 | 需求访谈 → 流程分析 → 原型 → 可用性测试 → 指标与反馈 | 工作流、RAG、Agent、多模态、OPC、FDE |
| 安全、隐私与治理 | 网络与 Web 基础 → 身份与权限 → 数据分级 → 威胁建模 → 安全测试 | RAG、Agent、数据智能、企业交付 |
| 科研方法与技术表达 | 文献检索 → 实验设计 → 复现 → 图表 → 写作 → 代码发布 | 模型研究、专业方向、开源共建 |

## SQL 与业务数据支线

### 适合什么时候进入

当项目需要连接数据库、理解业务指标、生成 SQL，或者回答“某项数据为什么发生变化”时进入。这条支线不只学习 SQL 语法，还需要理解表之间的关系、指标口径、权限和查询审计。

### 推荐学习路线

| 阶段 | 学习内容 | 推荐资料或任务 | 支线产出 |
| --- | --- | --- | --- |
| S1 | SQL 查询基础 | 从 0 到 1 掌握 SQL | 完成筛选、聚合、连接和子查询练习 |
| S2 | 关系模型与数据字典 | 主键、外键、范式、事实表与维度表 | 为一个项目绘制 ER 图并编写数据字典 |
| S3 | 业务指标与数据口径 | 指标定义、时间范围、缺失值和异常值 | 建立不少于 10 个业务问题与标准答案 |
| S4 | 权限与查询审计 | 只读账号、危险语句限制、日志 | 提交权限矩阵和查询记录 |
| S5 | 项目实践 | 数据问答或 Text-to-SQL 助手 | 用真实问题验证 SQL 与业务答案 |

完成后可以接入“结构化数据与数据智能”“RAG 与知识应用”或“FDE 预备路线”。

## 数据分析与统计支线

### 适合什么时候进入

当项目需要清洗数据、建立评测集、比较方案效果、解释用户行为或绘制图表时进入。重点不是记住所有统计公式，而是能够正确描述数据、设计比较并识别误导性结论。

### 推荐学习路线

| 阶段 | 学习内容 | 推荐资料或任务 | 支线产出 |
| --- | --- | --- | --- |
| D1 | 表格数据处理 | 熊猫书：Joyful Pandas | 完成读取、清洗、连接和分组统计 |
| D2 | 数据分析实践 | 动手学数据分析 | 提交一份从问题到结论的数据分析报告 |
| D3 | 描述统计与抽样 | 分布、均值、中位数、方差、抽样偏差 | 为项目数据编写统计摘要 |
| D4 | 可视化 | Fantastic Matplotlib / Plotly | 选择合适图表表达一个结论 |
| D5 | 实验与评测 | 基线、对照组、误差分析、置信区间 | 比较两个模型或工作流方案 |

完成后可以接入 AI 评测、推荐系统、数据智能、FDE 价值验证和各类模型实验。

## 科学计算与数学支线

### 适合什么时候进入

当学习者希望理解模型内部原理、阅读公式、实现算法或分析训练过程时进入。应用工作流和低代码路线通常不需要先完成这条支线。

### 推荐学习路线

| 阶段 | 学习内容 | 推荐资料或任务 | 支线产出 |
| --- | --- | --- | --- |
| M1 | Python 与 NumPy | Python 科学计算教程 | 使用数组和向量化完成数值计算 |
| M2 | 线性代数 | 向量、矩阵、特征值和矩阵分解 | 用代码解释一个矩阵运算 |
| M3 | 概率统计 | 随机变量、常见分布、期望与估计 | 完成一次模拟实验并解释结果 |
| M4 | 微积分与优化 | 导数、梯度、链式法则、梯度下降 | 可视化一个优化过程 |
| M5 | 综合实践 | 人工智能的数学基础 | 将公式对应到一个模型或算法实现 |

完成后可以接入机器学习、大模型原理、CV、多模态模型、强化学习和具身智能方向。

## 软件工程与部署支线

### 适合什么时候进入

当项目开始出现“只能在我的电脑运行”、代码难以协作、错误无法定位、部署后不稳定等问题时进入。这条支线是从个人 Demo 走向可复现和可交付系统的重要桥梁。

### 推荐学习路线

| 阶段 | 学习内容 | 推荐资料或任务 | 支线产出 |
| --- | --- | --- | --- |
| E1 | Git 与协作 | Faster Git | 使用分支、提交和 Pull Request 管理项目 |
| E2 | 命令行与环境 | Linux / Shell、环境变量、依赖管理 | 编写一份可复现的环境配置说明 |
| E3 | Web 与 API 基础 | HTTP、JSON、状态码、认证和 Webhook | 调用并调试一个外部 API |
| E4 | 测试与代码质量 | 单元测试、集成测试、日志和错误处理 | 为核心流程加入测试和失败提示 |
| E5 | 容器与部署 | Docker 教程 | 将项目打包并在另一台环境运行 |
| E6 | 持续交付与监控 | CI/CD、配置、回滚、指标和告警 | 完成一次自动检查、部署和运行记录 |

完成后可以接入所有 AI 应用项目、模型服务、可靠交付关卡和 FDE 预备路线。

## 产品与用户研究支线

### 适合什么时候进入

当学习者已经能够实现功能，但不确定用户是否真的需要、是否理解模型边界、是否愿意长期使用时进入。这条支线帮助学习者从“我能做什么”转向“用户的问题是什么”。

### 推荐学习路线

| 阶段 | 学习内容 | 推荐资料或任务 | 支线产出 |
| --- | --- | --- | --- |
| P1 | 问题与需求访谈 | 访谈、观察、现有流程与痛点 | 完成至少两次用户访谈 |
| P2 | 场景和流程分析 | 用户旅程、服务蓝图、人工与 AI 边界 | 绘制当前流程和目标流程 |
| P3 | 原型与范围 | 低保真原型、最小范围和非目标 | 在开发前完成一次原型评审 |
| P4 | 人机交互 | People + AI Guidebook | 设计预期、反馈、解释和人工接管 |
| P5 | 用户测试 | 任务成功率、观察记录和可用性问题 | 让至少三位用户完成真实任务 |
| P6 | 指标与迭代 | 采用率、任务质量、时间和留存 | 根据反馈完成一次产品迭代 |

完成后可以接入工作流、RAG、Agent、多模态应用、OPC 和 FDE 路线。

## 安全、隐私与治理支线

### 适合什么时候进入

当项目开始处理真实用户、内部文件、数据库、外部工具或可能产生现实影响的操作时进入。安全不只是过滤模型输出，还包括身份、权限、数据、依赖和运行环境。

### 推荐学习路线

| 阶段 | 学习内容 | 推荐资料或任务 | 支线产出 |
| --- | --- | --- | --- |
| G1 | 网络与 Web 基础 | 请求、服务、Cookie、Token 和常见攻击面 | 画出项目的数据与信任边界 |
| G2 | 身份与权限 | 认证、授权、最小权限和密钥管理 | 建立角色与权限矩阵 |
| G3 | 数据隐私 | 数据分级、脱敏、保留与删除 | 编写项目数据处理说明 |
| G4 | 威胁建模 | 资产、攻击者、入口、风险和缓解措施 | 完成一次轻量威胁建模 |
| G5 | GenAI 安全 | OWASP GenAI Security Project | 检查提示注入、数据泄漏和不安全工具调用 |
| G6 | 安全测试 | Promptfoo 或同类工具 | 建立一组项目安全测试样例 |

完成后可以接入 RAG、Agent、数据智能、可靠交付和企业 FDE 项目。

## 科研方法与技术表达支线

### 适合什么时候进入

当学习者准备复现论文、比较算法、撰写技术报告或参与开源共建时进入。重点是让结论有证据、实验可复现、图表能够正确表达结果。

### 推荐学习路线

| 阶段 | 学习内容 | 推荐资料或任务 | 支线产出 |
| --- | --- | --- | --- |
| R1 | 文献检索与阅读 | Whale Paper | 建立带来源和阅读状态的文献表 |
| R2 | 研究问题与实验设计 | 假设、基线、变量、数据和指标 | 写出一页实验计划 |
| R3 | 实验复现 | 环境、随机种子、配置和日志 | 复现一个公开基线并解释差异 |
| R4 | 图表表达 | Happy Figure、Matplotlib 或 Plotly | 制作一张可解释、可复用的结果图 |
| R5 | 技术写作 | 方法、结果、局限和引用 | 完成实验报告或技术文章 |
| R6 | 代码发布 | README、许可证、数据说明和发布流程 | 发布一个可复现仓库或共建 PR |

完成后可以接入大模型研究、经典 AI 专业方向、科研内容生产和 Datawhale 开源共建。

# 综合项目池

课程学习最后需要收束到项目。项目不一定要大，但要能运行、能解释、能复现、能评估。

| 项目 | 覆盖方向 | 对应能力阶段 | 核心验收标准 |
| --- | --- | --- | --- |
| 我的 AI 生产力系统 | AI 使用、工作流、个人知识系统 | L2—L4 | 连续完成三次真实任务，有人工确认和效果对比 |
| Datawhale 社区知识库 | RAG、Agent、评测 | L4—L6 | 支持引用、更新、评测和部署 |
| AI 课程助教 | RAG、Agent、工作流 | L4—L6 | 能回答课程问题、整理作业、生成反馈并保留依据 |
| 技术文章生产系统 | 内容创作、Agent、OPC | L5—L7 | 支持选题、调研、写作、配图、发布和复盘 |
| 可控任务智能体 | Agent、MCP、评测、安全 | L5—L6 | 工具可追踪，具有超时、停止、权限和人工确认 |
| 数据问答与分析助手 | SQL、数据智能、评测、安全 | L4—L6 | 查询可审计，口径清晰，有真实问题集与结果验证 |
| 多模态资料助手 | 多模态、RAG、内容创作 | L4—L6 | 处理 PDF、视频或图片并生成有依据的结构化笔记 |
| 本地模型服务 | LLM、推理、部署 | L5—L7 | 支持本地调用、日志、性能和资源记录 |
| 专业方向基线 | CV、推荐、强化学习或图学习 | 方向专项 | 有公开基线、对照实验、指标与误差分析 |
| 具身智能仿真项目 | 多模态、强化学习、机器人 | 方向专项 | 跑通感知、决策、控制或仿真链路 |
| FDE 真实交付档案 | 需求、集成、评测、上线、采用 | L6—L8 | 有访谈、系统、指标、用户反馈和交付复盘 |

## 统一项目验收标准

所有项目至少满足前四项；面向真实交付的项目建议满足全部八项。

| 验收维度 | 验收问题 |
| --- | --- |
| 可运行 | 新用户能否按照说明运行或访问？ |
| 可解释 | 学习者能否解释关键设计选择？ |
| 可复现 | 是否记录依赖、数据、模型和参数？ |
| 可评估 | 是否有样例、评测集和成功标准？ |
| 可观察 | 是否记录错误、延迟、成本和关键行为？ |
| 可控制 | 是否有权限、人工确认、降级和回滚？ |
| 有价值 | 是否改善了真实任务或用户体验？ |
| 可沉淀 | 是否形成 README、报告、模板或可复用组件？ |

# 故事汇共建

故事汇可以邀请各个方向的行业前辈、项目负责人和学习者共同参与。故事的重点不是展示履历，而是帮助读者理解一个人为什么选择这条路线、遇到过什么问题、最后做出了什么。

建议每篇故事包含以下内容：

1. 当时想解决什么问题。
2. 最初误判了什么，走过什么弯路。
3. 哪个项目或事件带来转折。
4. 真正学习了哪些内容，又跳过了哪些内容。
5. 最后做出了什么作品，或产生了什么真实变化。
6. 如果今天重新开始，会如何选择学习路线。
7. 对应本培养方案中的入口、课程和项目。

故事汇既欢迎行业专家，也欢迎普通学习者、转行者、非技术用户和失败复盘。行业前辈的经历可以吸引读者，普通学习者的经历可以让初学者看到一条能够到达的路径。

# 共建方式

欢迎任何有意向为本培养方案贡献新课程、补充现有课程、修正项目状态或提供学习案例的同学参与共建。

建议共建时提供以下信息：

- 项目名称和链接。
- 适合放入的主路线和分支。
- 学习关系：必达、择一、按需、实践或参考。
- 课程类型：教程、实验、项目或资料导航。
- 适合人群和前置知识。
- 建议学习投入。
- 学习目标和最终可验收产出。
- 与现有资源的重合与差异。
- 是否仍在维护，以及最近更新时间。

如果后续 Datawhale 有新的书系、纸质书或开源项目出版，可以同步补充到“Datawhale 书系与常见别名”表格中，方便学习者把常见叫法和正式课程对应起来。

## 编制参考

- [UNESCO AI Competency Framework for Students](https://www.unesco.org/en/articles/ai-competency-framework-students)
- [ACM / IEEE-CS / AAAI CS2023](https://csed.acm.org/)
- [Google Machine Learning Crash Course](https://developers.google.com/machine-learning/crash-course/)
- [Full Stack Deep Learning](https://fullstackdeeplearning.com/)
- [OWASP GenAI Security Project](https://genai.owasp.org/)
- [OpenAI Forward Deployed Engineer](https://openai.com/careers/forward-deployed-engineer-%28fde%29-sf-san-francisco/)