基础

编程基础

  1. 编程范式(Programming Paradigm)
  2. 命令式编程(Imperative Programming)
  3. 声明式编程(Declarative Programming)
  4. 函数式编程(Functional Programming)
  5. 面向对象编程(OOP)
  6. 设计模式(Design Patterns)
  7. SOLID 原则
  8. Clean Code(整洁代码)
  9. 代码坏味道(Code Smell)
  10. 重构(Refactoring)
  11. 文档(Documentation)
  12. 代码评审(Code Review)
  13. 调试(Debugging)
  14. 断点(Breakpoint)与交互式调试器
  15. 栈追踪(Stack Trace / Traceback)
  16. 异常处理(Exception Handling)
  17. 日志(Logging)
  18. 变量、对象与引用(Names, Objects and References)
  19. 可变与不可变(Mutable vs Immutable)
  20. 迭代器(Iterator)与可迭代对象
  21. 生成器(Generator)
  22. 装饰器(Decorator)
  23. 上下文管理器(Context Manager)与 with 语句
  24. 类型提示(Type Hints)
  25. 异步编程 async / await
  26. 多进程(Multiprocessing)
  27. 多线程(Threading)、GIL 与自由线程 Python
  28. C/C++(底层性能与 AI 框架根基)
  29. CUDA(NVIDIA GPU 通用计算)
  30. Java(企业后端与 JVM 生态)
  31. Go(并发与云原生服务)
  32. Rust(内存安全的系统语言)
  33. JavaScript / TypeScript 生态(运行时、包与工具链)
  34. SQL(数据处理视角)

数学与算法

  1. 概率:随机变量、分布与 softmax 采样
  2. 统计学:描述统计、置信区间与假设检验
  3. 导数:变化率、数值微分与链式法则
  4. 线性代数总览:线性方程组、线性变换与秩
  5. 向量:范数、点积与余弦相似度
  6. 梯度与反向传播
  7. 矩阵与矩阵运算
  8. 损失函数:MSE、交叉熵与困惑度
  9. 数组(Array)与 Python 列表
  10. 链表(Linked List)
  11. 栈(Stack)
  12. 队列(Queue)
  13. 哈希表(Hash Table)与 dict / set
  14. 树(Tree)
  15. 二叉树与二叉搜索树(BST)
    先修:树(Tree)
  16. 图(Graph)
  17. 堆(Heap)与优先队列
  18. Trie(前缀树 / 字典树)
  19. Big O:时间与空间复杂度
  20. 快速排序(Quicksort)
  21. 归并排序(Merge Sort)
  22. 二分搜索(Binary Search)
  23. 广度优先搜索(BFS)
  24. 深度优先搜索(DFS)
  25. 最短路径问题总览(BFS / Bellman-Ford / Floyd-Warshall)
  26. Dijkstra 最短路径算法
  27. 动态规划(Dynamic Programming)
  28. 贪心算法(Greedy)
  29. 特征值与特征向量
  30. 贝叶斯定理与贝叶斯推断
  31. 优化:梯度下降、动量与 Adam
  32. 正则化:L1、L2、Dropout 与权重衰减
  33. 归一化:特征缩放、BatchNorm、LayerNorm 与 RMSNorm

数据与数据库

  1. NumPy:数值计算的地基
  2. Pandas:表格数据分析(3.x)
  3. Polars:高性能 DataFrame(2.x)
  4. OpenPyXL:读写 Excel 文件
  5. PyArrow:列式内存格式与 Parquet
  6. Matplotlib:Python 绘图的底层标准
  7. Seaborn:统计可视化
  8. Plotly:交互式图表(7.x)
  9. Streamlit:用纯 Python 快速做数据应用
  10. SQL(结构化查询语言)
  11. ETL(抽取—转换—加载)
  12. 数据流水线(Data Pipeline)与编排
  13. 数据清洗(Data Cleaning)
  14. 数据验证(Data Validation)
  15. 数据版本管理(Data Versioning)
  16. 数据仓库(Data Warehouse)
  17. NoSQL(非关系型数据库)
  18. 数据库索引(Database Index)
  19. PostgreSQL(对象关系数据库)
  20. MySQL(InnoDB 关系数据库)
  21. MongoDB(文档数据库)
  22. Redis(内存数据结构服务器)

网络与建站

  1. HTTP(超文本传输协议)
  2. REST API(资源化的 HTTP 接口设计)
  3. WebSocket(全双工实时通信)
  4. FastAPI(基于类型注解的 Python 异步 Web 框架)
  5. Flask(轻量级 Python Web 框架)
  6. Django(“自带电池”的全栈 Python Web 框架)
  7. HTML(网页结构与 DOM)
  8. CSS(层叠样式表:层叠、盒模型与布局)
  9. JavaScript(浏览器与 Node.js 的通用语言)
  10. TypeScript(带静态类型的 JavaScript)
  11. React(声明式组件化 UI 库)
  12. Vue(渐进式响应式前端框架)
  13. Next.js(React 全栈框架)
  14. Linux 命令(文本处理、查找与权限)
  15. Shell 脚本(Bash 脚本的安全写法)
  16. SSH(安全远程登录与隧道)
  17. 进程管理(进程、信号、退出码与资源限制)
  18. 容器(namespace 隔离 + cgroup 限制的进程)
  19. 镜像(容器镜像的分层、缓存与安全)
  20. Docker(构建、运行与管理容器的工具)
  21. Docker Compose(多容器应用编排)
  22. Kubernetes(容器编排)
  23. 云计算(按需租用算力、存储与托管服务)

模型基础

  1. Scikit-learn:经典机器学习工具箱
  2. PyTorch:动态图深度学习框架
  3. TensorFlow 与 Keras
  4. JAX:可组合函数变换的数值计算库
  5. Hugging Face Transformers:预训练模型的统一接口
  6. Diffusers:扩散模型工具库
  7. PEFT 与 LoRA:参数高效微调
  8. 监督学习(Supervised Learning)
  9. 无监督学习(Unsupervised Learning)
  10. 半监督学习(Semi-supervised Learning)
  11. 回归(Regression)
  12. 分类(Classification)
  13. 聚类(Clustering)
  14. 特征工程(Feature Engineering)
  15. 训练集、验证集与测试集划分
  16. 交叉验证(Cross-Validation)
  17. 特征选择(Feature Selection)
  18. 过拟合(Overfitting)
  19. 欠拟合(Underfitting)
  20. 偏差-方差权衡(Bias-Variance Tradeoff)
  21. 神经网络(Neural Network)
  22. 感知机(Perceptron)
  23. 激活函数(Activation Function)
  24. 前向传播(Forward Propagation)
  25. 反向传播(Backpropagation)
  26. 卷积神经网络(CNN)
  27. 循环神经网络(RNN)
  28. 长短期记忆网络(LSTM)
  29. 生成对抗网络(GAN)
  30. 扩散模型(Diffusion Model)
  31. 大语言模型(LLM)
  32. 分词(Tokenization)
  33. 嵌入(Embedding)
  34. 注意力机制(Attention)
  35. Transformer
  36. 视觉 Transformer(ViT)
  37. 上下文窗口(Context Window)
  38. 推理(Inference)
  39. 预训练(Pre-training)
  40. 微调(Fine-tuning)
  41. 指令微调(Instruction Tuning / SFT)
  42. 基于人类反馈的强化学习(RLHF)
  43. 直接偏好优化(DPO)
  44. 推理模型(Reasoning Model)
  45. FP32(单精度浮点数)
  46. 量化(Quantization)
  47. FP16(半精度浮点数)
  48. BF16(bfloat16,脑浮点数)
  49. INT8 量化
  50. INT4 / 4 比特量化(含 NF4、GGUF K-quants)
  51. 剪枝(Pruning)
  52. 知识蒸馏(Knowledge Distillation)
  53. LoRA(低秩适配微调)
  54. QLoRA(4-bit 量化底座上的 LoRA 微调)

AI 工程

  1. 提示词设计(Prompt Design)
  2. 系统提示词(System Prompt)
  3. Few-shot(少样本提示)
  4. 思维链(Chain-of-Thought, CoT)
  5. JSON Schema
  6. 结构化输出(Structured Output)
  7. 上下文管理(Context Management)
  8. 嵌入模型(Embedding Model)
  9. 上下文压缩(Context Compression)
  10. RAG(检索增强生成)
  11. 向量数据库(Vector Database)
  12. Chunking(文档切块)
  13. 语义搜索(Semantic Search)
  14. 元数据过滤(Metadata Filtering)
  15. 关键词搜索(Keyword Search / BM25)
  16. 混合搜索(Hybrid Search)
  17. Reranker(重排序模型)
  18. 知识库(Knowledge Base)
  19. FAISS
  20. Milvus
  21. Qdrant
  22. Chroma
  23. pgvector
  24. AI Agent(智能体)
  25. Agent Loop(智能体循环)
  26. 规划(Planning)
  27. 推理(Agent 中的推理与 ReAct)
  28. Tool Calling(工具调用)
  29. Function Calling(函数调用协议)
  30. 记忆系统(Agent Memory)
  31. 反思(Reflection / Self-Refine)
  32. 多智能体(Multi-Agent)
  33. 工作流编排(Workflow Orchestration)
  34. LangChain
  35. LangGraph
  36. LlamaIndex
  37. AutoGen
  38. CrewAI
  39. Benchmark(基准测试)
  40. 人工评价(Human Evaluation)
  41. LLM-as-a-Judge(大模型当裁判)
  42. 金标准数据集(Golden Dataset)
  43. 回归测试(Regression Testing for LLM Apps)
  44. 评测流水线(Evaluation Pipeline)
  45. 幻觉检测(Hallucination Detection)
  46. 质量指标(EM、F1、ROUGE、Recall@k、MRR、nDCG)
  47. AI 可观测性(Observability for AI Systems)
  48. 链路追踪(Distributed Tracing)
  49. 遥测(Telemetry)与 OpenTelemetry
  50. 失败分析(Failure Analysis / Error Analysis)
  51. 错误边界(Error Boundary)
  52. 降级策略(Graceful Degradation:重试、熔断、备用模型、兜底)
  53. 模型路由(Model Routing)
  54. 成本优化(LLM 应用的 Token 成本优化)
  55. 版本控制(Version Control)
  56. Git(分布式版本控制工具)
  57. GitHub(代码托管与协作平台)
  58. GitLab(一体化 DevOps 平台)
  59. 分支策略(Git Flow、GitHub Flow 与主干开发)
  60. CI/CD(持续集成与持续交付/部署)
  61. Pipeline(流水线:DAG、并行与缓存)
  62. 包管理(依赖声明、解析与锁文件)

本地部署

  1. 模型服务(Model Serving)
  2. API 网关(API Gateway / LLM Gateway)
  3. 批量推理(Batch Inference)
  4. 流式推理(Streaming Inference)
  5. 延迟优化(LLM Inference Latency Optimization)
  6. 缓存(LLM 应用中的响应缓存、语义缓存与前缀 KV 缓存)
  7. 负载均衡(Load Balancing for Model Serving)
  8. vLLM(高吞吐 LLM 推理与服务引擎)
  9. llama.cpp(CPU/端侧大模型推理引擎)
  10. Ollama(本地大模型运行与服务工具)
  11. TensorRT(NVIDIA GPU 推理优化引擎)
  12. Triton Inference Server(NVIDIA Triton 推理服务器)

账号安全

  1. Prompt Injection(提示注入)
  2. Jailbreak(越狱:绕过模型安全策略)
  3. 数据泄露(AI 系统中的敏感信息外泄)
  4. 密钥管理(生成、存储、注入与轮换)
  5. 认证(Authentication:你是谁)
  6. 授权(Authorization:你能做什么)
  7. 沙箱(运行不可信代码的隔离环境)
  8. 权限控制(最小权限与默认拒绝)