学习节奏规划：4 周、8 周、12 周怎么推进
本节定位
这套课程内容很多，如果只按文章数量推进，很容易越学越散。更好的方式是按时间盒学习：每周只抓一个主线目标，并留下一个能展示的交付物。
这一页 不是规定唯一节奏，而是给你三种可执行计划：4 周快速应用路线、8 周作品集路线和 12 周完整路线。你可以根据自己的时间和基础选择一种。
4 周快速应用路线
这条路线适合已有编程经验、想尽快做出 LLM / RAG / Agent 原型的人。它会跳过很多细节，但不能跳过评估、日志和边界。
| 周次 | 学习重点 | 交付物 |
|---|---|---|
| 第 1 周 | 快速浏览 1～6 站，补 Python、数据、模型和 Transformer 最小概念 | 一个能运行的 Python 项目骨架和 README |
| 第 2 周 | 精读第 7～8 站，完成 Prompt 助手和最小 RAG | 带来源引用的课程问答 Demo |
| 第 3 周 | 精读第 9 站，完成最小 Agent 和工具调用 Trace | 一个能拆解任务、调用工具、记录轨迹的 Agent |
| 第 4 周 | 补工程化、评估、成本、安全和部署说明 | 项目 README、评估集、失败样本和部署说明 |
4 周路线的目标不是“学完所有内容”，而是快速得到一个能讲清楚的 AI 应用作品。适合面试前冲刺、已有开发经验转 AI 应用、或者先验证自己是否喜欢这个方向。
8 周作品集路线
这条路线适合大多数想转向 AI 应用、RAG 或 Agent 开发的人。它强调每两周形成一个阶段作品，最后串成一个完整作品集。
| 周次 | 学习重点 | 交付物 |
|---|---|---|
| 第 1 周 | 第 1～2 站：环境、Git、Python 基础 | 命令行学习助手 v0.2 |
| 第 2 周 | 第 3 站：数据分析与可视化 | 学习数据分析报告和图表 |
| 第 3 周 | 第 4～5 站：数学直觉和机器学习 | 学习任务分类或进度预测 baseline |
| 第 4 周 | 第 6 站：深度学习与 Transformer | 一个小型训练实验和训练曲线 |
| 第 5 周 | 第 7 站：大模型原理、Prompt 与微调 | Prompt 助手、Prompt 版本和失败样本 |
| 第 6 周 | 第 8 站：RAG 和应用开发 | 带引用、日志和评估集的 RAG 助手 |
| 第 7 周 | 第 9 站：Agent 系统 | 带工具调用、Trace 和权限边界的 Agent |
| 第 8 周 | 工程化收尾与方向选修预研 | 作品集 README、截图、部署说明和下一步计划 |
8 周路线最重要的是持续沉淀。每周结束时，都要更新 README：本周新增了什么能力，怎么运行，示例输入输出是什么，失败样本是什么，下一步准备怎么改。
12 周完整路线
这条路线适合新人或希望系统补全基础的人。它会更稳地覆盖编程、数据、模型、大模型应用、RAG、Agent 和多模态方向。
| 周次 | 学习重点 | 交付物 |
|---|---|---|
| 第 1 周 | 第 1 站：开发者工具基础 | Git 仓库、环境截图、项目目录 |
| 第 2 周 | 第 2 站：Python 编程基础 | 命令行工具或简单 API |
| 第 3 周 | 第 3 站：数据分析与可视化 | 数据清洗、分析图表和结论 |
| 第 4 周 | 第 4 站：AI 数学最小基础 | 向量、概率、梯度概念卡和小实验 |
| 第 5 周 | 第 5 站：机器学习 | baseline、指标、错误样本分析 |
| 第 6 周 | 第 6 站：深度学习与 Transformer | 训练实验、loss 曲线和复盘 |
| 第 7 周 | 第 7 站：LLM 原理、Prompt 与微调 | Prompt 助手和 Prompt 评估记录 |
| 第 8 周 | 第 8 站：RAG 基础 | 最小 RAG、来源引用和检索日志 |
| 第 9 周 | 第 8 站进阶：RAGOps 与工程化 | 评估集、失败样本、成本记录和部署说明 |
| 第 10 周 | 第 9 站：Agent 基础与工具 | 最小 Agent、工具 schema 和执行轨迹 |
| 第 11 周 | 第 9 站进阶：AgentOps 与安全 | 权限边界、人工确认、失败恢复和评估任务集 |
| 第 12 周 | 第 12 站：多模态或方向毕业项目 | 多模态学习助手、创意工作台或方向作品集 |
12 周路线适合从零建立体系。它的关键不是每天学很多，而是每周都有一个可以保存下来的成果。
每周复盘模板
每周结束时，建议用下面 6 个问题复盘，不要只写“学了某某章节”。
| 复盘问题 | 示例回答方向 |
|---|---|
| 本周解决了什么问题？ | 从不能处理文档，到能做带来源 RAG 回答 |
| 我新增了什么能力？ | 文档切分、检索、引用、评估集 |
| 我跑通了什么代码？ | python -m src.rag.demo |
| 我遇到什么失败？ | 检索召回了不相关片段 |
| 我怎么定位？ | 打印 top-k 片段，发现 chunk 太短 |
| 下周优先改什么？ | 增加 Hybrid Search 和固定评估集 |
不同基础的人怎么调整
如果你已经会 Python，可以把第 1～2 周压缩成几天，把更多时间留给第 8～9 站。如果你做过机器学习，可以快速浏览第 4～6 站，但不要跳过评估、训练曲线和错误样本，因为这些能力会在 RAG 和 Agent 评估中继续出现。
如果你完全是新人，不要因为 4 周路线看起来快就强行选择它。新人更适合 12 周路线，因为 AI 应用工程真正卡住的地方往往不是模型名，而是环境、数据格式、接口错误、日志、评估和项目边界。
过关标准
无论选择哪条路线，最终至少应该留下四类材料：一个能运行的项目仓库，一份能说明项目目标和运行方式的 README，一组评估或测试样例，一份失败样本和改进记录。
如果你能把这些材料讲清楚，就说明你不是只“看过课程”，而是已经把课程变成了自己的项目经验。