全课程能力评估与通关标准

这页用来回答一个核心问题：学到什么程度才算真正掌握？AI 全栈学习不能只用“看完章节”判断进度，更应该看你能不能解释概念、跑通代码、完成项目、评估结果、复盘失败，并把这些证据整理成可展示成果。

四级能力标准

等级	状态	能力表现	典型证据
了解级	看懂概念	能说出这个技术解决什么问题	学习笔记、概念图、关键术语解释
实操级	跑通最小闭环	能独立运行示例并修改关键参数	可运行脚本、命令记录、截图
项目级	做出完整小项目	有输入、处理流程、输出、异常处理和 README	项目仓库、示例输入输出、结果说明
工程级	能评估和迭代	有 baseline、指标、日志、失败样本和改进记录	评估表、日志、失败样本、复盘报告

学习早期不需要每一章都达到工程级，但每个主阶段至少要有一个项目达到项目级。进入 RAG、Agent 和毕业项目后，评估、日志和失败样本应该成为默认要求。

阶段通关矩阵

阶段	最低通关标准	推荐通关标准	进入下一阶段前要确认
1 开发者工具基础	能使用命令行、Git 和开发环境运行项目	能创建仓库、提交代码、写清运行说明	不再依赖复制粘贴路径和命令
2 Python 编程基础	能写函数、读写文件、处理异常	能把脚本拆成模块并做一个小 API 或 CLI	能独立排查常见 Python 报错
3 数据分析与可视化	能读取数据、清洗、统计和画图	能写一份有结论的数据分析报告	能解释数据质量如何影响结论
4 AI 数学基础	能解释向量、概率、梯度的直觉	能用小实验展示数学概念如何影响模型	不把公式当成黑箱记忆
5 机器学习	能训练 baseline 并看懂指标	能做特征处理、模型对比和错误分析	能区分训练效果、泛化效果和数据问题
6 深度学习与 Transformer	能跑通训练循环并看曲线	能分析过拟合、欠拟合和迁移学习结果	能理解 Transformer 为什么适合序列建模
7 大模型与 Prompt	能设计可复用 Prompt 并比较输出	能做结构化输出、版本记录和回归样本	不再只凭感觉判断 Prompt 好坏
8 LLM 应用与 RAG	能完成带来源引用的问答原型	有切块、检索日志、评估集和失败样本	能判断失败来自检索、生成还是引用
9 AI Agent	能定义工具并完成多步骤任务	有 trace、工具日志、权限边界和安全测试	能说明 Agent 何时应该停止和确认
10 多模态与 AIGC	能完成一个图片、语音、视频或多模态理解实验	有输入素材、生成/理解流程、质量标准和人工审核	不把生成效果只交给主观感觉判断
11 自然语言处理	能完成文本分类、抽取或摘要任务	能比较传统 NLP、深度学习和 LLM 方案	能说明文本表示、标签边界和评估方式
12 计算机视觉	能完成图像分类、检测或 OCR 实验	有数据标注、指标、错误样本和可视化结果	能解释视觉模型失败来自数据、标注还是模型
毕业项目	能运行完整 AI 应用	有部署说明、评估报告、失败复盘和演示脚本	能在 3 分钟内讲清架构、指标、限制和下一步

每阶段复盘问题

每完成一个阶段，不要只问“我看完了吗”，而要问：我能不能用自己的话解释这一阶段解决了什么问题；我是否亲手跑过一个最小项目；我是否留下了 README、运行命令和示例输出；我是否记录过至少一个失败样本；如果下周重新运行项目，我是否还能复现结果。

如果这些问题里有两项以上答不上来，建议先补项目证据，再进入下一阶段。课程进度不是越快越好，而是每一步都能留下可验证成果。

AI 应用阶段的额外验收

从 Prompt、RAG、Agent 开始，项目不能只看“回答是否像样”。AI 应用项目还要检查模型调用是否有错误处理，Prompt 是否有版本，RAG 是否能展示来源和检索日志，Agent 是否有工具边界和执行轨迹，系统是否能记录成本、延迟和失败原因。

项目类型	必须保留的证据	不合格信号
Prompt 项目	Prompt 版本、固定输入、输出对比、失败样本	只展示一次成功输出
RAG 项目	chunks、retrieval logs、eval questions、citation check	答案有引用但引用不支持结论
Agent 项目	tool schema、agent trace、max_steps、安全边界	Agent 做了什么说不清，失败无法回放
部署项目	环境变量说明、启动命令、日志、错误处理	只能在个人电脑上运行

最终判断标准

当你能把一个项目从问题定义讲到运行方式，从技术路线讲到评估结果，从成功样本讲到失败样本，再从当前限制讲到下一步迭代，就说明它已经接近作品集级。真正的 AI 全栈能力不是知道多少工具名，而是能把问题、数据、模型、工程、评估和复盘连接成一个稳定闭环。