历时半年，我完成了一份AI学习路径的思维导图。目前思维导图已经公开，今天这篇文章我们着重讲两件事：
- 讲一下如何学习AI以及如何利用这份思维导图更高效的学习。
- 讲一下这份思维导图的后续规划。
这份思维导图拥有八百多个主题节点、九千九百多字、以及相关配图，认真说起来，这不仅仅是一份学习路径思维导图，它更像是一份详实的具有AI学习路径、实践结果、思考过程的学习内容，包含了AI应用的技术工程、AI产品的设计思路、AI需求挖掘方案等几个大模块，每个模块又详细解释具体落地方案。
例如：function call部分，包含了function call的应用，提示词代替function call的方案与优缺点，function call 落地的问题与解决方案，落地应用的实现方案，function call与MCP。
而function call这一部分知识，只是AI技术工程中的一个节点，AI技术工程中我提供了prompt、RAG、function call、workflow、agent、微调、模型的选择方案、AI产品的辅助系统实现八个模块的内容。
例如：AI需求挖掘部分，什么算是AI需求，现有产品升级AI时的思考方案，AI+ 和 +AI的应用等。
AI需求挖掘是AI产品部分中的一个节点，AI产品部分提供了AI需求、AI语音产品、AI项目、AI产品测试、AI产品日志、TOB的AI应用落地注意事项、TOC的AI应用落地注意事项、TOG的AI应用落地注意事项等内容
再例如：很多人知道SSE交互是new EventSource，但是有很多人并不知道fetch也能实现SSE。
这些内容都在这份思维导图中可查。
略微看一下这份思维导图的好评，然后我们开始正文：
关于学习路径
最开始，是因为群里不断有人在问，AI到底应该怎么学？
绝大多数人学习AI的过程是：
决定学习AI => 陷入AI专业技术中 => 被大量的概念冲击 => 一部分人就此放弃；
而坚持下来的人，最终发现AI技术与自身工作偏离太远，而AI工作的门槛又极高，最终坚持不住放弃。
为什么会出现这个情况？
其实本质上大家搞错了学习方向。
实际上我们的学习，尤其是我们成人之后在工作领域的学习，大多都应该以实用与落地为主的，凡是不能落地的学习，最终的结局都是遗忘。
而AI的学习其实是分为两个方向： 1. AI技术层的学习。 2. AI应用层的学习。
我曾经说过的一句话，科学家下场之后，就是工程师的舞台。 其实对应的就是技术层和应用层的不同实用场景。
科学家在AI技术层的研究，最终让AI有了面向大众的能力。
而随后在这世间的各行各业中，将AI的能力发扬光大的，都是各行各业的工程师们。
我们绝大多数的普通人，其实充当的是工程师的角色，而在学习时，却选择了科学家的学习路径！
我们应当选择应用层的学习，但是却在学习时大量学习了技术层的内容，这就是为什么总是学习无果的原因。
接下来回到我们的思维导图，来聊聊如何学习AI
学习方式
学习开始之前最重要的是确定自己要学习哪些东西，设定阶段性的边界。切记目标不清晰、目标错误。
这份思维导图中，包含了大量的技术点、概念、思考结论等内容。
初期的学习者要从明确的了解AI应用所需的相关的概念开始学习，随后对概念有了正确的了解就可以开始实践相关的技术点。
这里需要着重说一下：很多朋友一上来就想着说，我要做个什么项目，才能学会这些东西吧？
其实不是的，在这个阶段各位所需要的是有目的性的刻意练习。
你在实践function call，你就搞function call。 你在实践RAG，你就搞RAG。
当你对每个技术点都足够掌握之后，就可以动手实现一个项目（如果你没项目，可以看我写的售前项目专栏），然后你就会发现项目中有各种各样的问题。
这时候，你就会发现思维导图中有许多思考和实践后的结论，那些内容可以帮助你度过项目落地的困境。
让我们回到最开始，有很多人会纠结这个问题：我要怎么开始，我是百度？还是刷视频？还是买书？
这里给大家一个建议：我们要学习是所有在应用层的概念、应用和最佳实践。
那么各大厂商的官方文档就是各位最好的新手村。
这里的知识是最新的，你不用担心学到过期知识。从这里开始，你会少走很多弯路。
一：各大模型厂商的官方文档
各大模型厂商的官方文档中都存在于自身模型最匹配、最权威、且有效的落地方案。
每个模型的厂商都有自己的方案，我们在学习与实现各个厂商不同的方案时，能让我们快速的增长大量经验。
对比学习法 + 带脑子的思考，我们的学习进度会远超平时的看视频、看文章。
厂商的文档地址给大家放在这里，可以自行查看。
| 厂商/模型 | 官方文档地址 |
|---|---|
| OpenAI (GPT系列) | platform.openai.com/docs |
| Google (Gemini系列) | ai.google.dev/docs |
| Anthropic (Claude系列) | docs.anthropic.com/claude/docs |
| Meta (Llama系列) | www.llama.com/docs/overvi... |
| 百度 (文心一言) | cloud.baidu.com/doc/WENXINW... |
| 阿里云 (通义千问) | help.aliyun.com/zh/model-st... |
| 腾讯 (混元大模型) | cloud.tencent.com/document/pr... |
| 华为 (盘古大模型) | support.huaweicloud.com/modelarts/i... |
| 科大讯飞 (星火大模型) | www.xfyun.cn/doc/spark/W... |
| 智谱AI (ChatGLM) | open.bigmodel.cn/dev/api |
| 月之暗面 (Kimi) | platform.moonshot.cn/docs |
| DeepSeek | api-docs.deepseek.com/zh-cn/ |
| 字节跳动 (豆包) | www.volcengine.com/docs/82379 |
二：AI是学习好伙伴
AI是学习好伙伴，但是你要有一个基础判断，什么内容相信AI，什么内容需要验证。
记住两件事：一定要使用AI来学习 、一定不能全部相信AI内容
我的经验是，通用的、概念性的内容，在我没有产生疑问之前，我默认选择相信AI。
例如：深度学习和机器学习的对比、function call的概念、微调时选择SFT和DPO的区别
这类内容，AI的输出大概率都是对的。
而在应用方案上的内容，我通常以AI的输出作为参考，需要加以验证。
三：提取方法论
学习一定要实践，现在有AI来协助编程，编写一些基础的代码来配合自己进行学习是很方便的。
例如，可以直接把某个文档扔给AI，告诉AI按照这个文档帮我写一份python代码，并指导我运行。
通常你都会得到一份可用的代码。
当我们学习、实践了之后，我们要做的就是总结经验，提取方法论，优化方法论。
当各位有了自己的方法论之后，这份思维导图也就完成了它的价值。
未来的修行全靠各位自己了。
关于后续规划
目前这份万字思维导图已经公开，但是我后续将不再继续维护这份思维导图了，原因有两点：
1. 对于学习者来说，学习路径已经足够清晰了。
对于学习者来说，这份思维导图已经足够清晰，大家按照思维导图去学习、去思考。
花上一些时间去学习，这份思维导图可以保证你的学习路径不会出错。
坚持学完之后，足够掌握工作所需的全部技能了。
2. 对于我来说，时间投入太多了。
这份思维导图维护了半年多，逐渐积累到目前的一万字，期间也接了很多同学的1V1培训，说实话，已经有点忙不过来了。
但是我还是打算开一份新的思维导图进行持续维护。
新的思维导图继续扩展下去，将是不间断的对现有知识体系的细化和对新技术、新方案的补充。
未来将我这几年的实战、学习、思考全部都写进去，所以这不是一份单纯的思维导图，而是一套与AI相关落地相关的全面的方案。
为了保证我的动力，以及学习者的纯粹性（防止广告等行为）， 这个会有一个较低的门槛。
我是华洛，关注我，学习更多AI落地的实战经验与技巧。
加油，共勉。
☺️你好，我是华洛，All in AI多年，专注于AI在产品侧的应用以及企业AI员工的设计。
专栏文章
# 从0到1打造企业级AI售前机器人------实战指南二：RAG工程落地之数据处理篇🧐