定制日期：2026-11-11 ｜ 针对：i7-8550U / 16GB / 无 GPU 纯 CPU 路线，目标=能接单变现（Agent 工程 / RAG / 私有化部署 / S2 发票 OCR） 本篇是总地图：盘点你已有的，列清你还缺的。正式开课时每个模块会像 doc/模型训练、doc/LangGraph 一样建成独立阶段体系。
〇、现状盘点：你已经有什么（不重复建设）
| 已建体系 | 覆盖的知识 | 状态 |
|---|---|---|
| LangGraph G0-G8 | Agent 编排：状态机、持久化、人工审批、多智能体、MCP、评测、流式 | G1 进行中 |
| 模型训练 S0-S8 | 训练五步闭环、数据处理、调参、评估、排查、CIFAR/LightGBM/LoRA | S1 进行中 |
| 训练数据集.md | CPU 可训数据集与存储优化 | ✅ |
| 长期价值评估 | 112 类市场价值 + Top50 | ✅ |
两条线教的是"编排"和"训练"。下面是 AI 开发者还必须掌握的其余版图。
一、全景地图：AI 开发知识九层版图
第7层 产品交付：FastAPI / Streamlit / 部署 ← 变现的桥梁（缺）
第6层 合规安全：PII / 备案认知 / 数据不出内网 ← 认知级（缺）
第5层 工程底座：Git / 测试 / asyncio ← 职业习惯（缺，最急）
第4层 数据土壤：pandas / SQL / Parquet ← 一切数据工作的地基（缺）
第3层 推理部署：llama.cpp / GGUF / Ollama 量化 ← Top3 技能·结构性机会（缺！）
第2层 应用深化：RAG 进阶 / Prompt 工程 / OCR ← Top3 技能 + S2 主线（半缺）
第1层 原理直觉：token / embedding / Transformer ← 理解一切的地基（缺）
✅ 已覆盖：编排层（LangGraph 体系）、训练层（模型训练体系）
对应 M1~M9 九个模块，含优先级：
| 模块 | 名称 | 优先级 | 预计时长 | 与已有体系的合流点 |
|---|---|---|---|---|
| M1 | LLM 原理直觉 | P0 必学 | 10h | 帮助理解 G3 检查点 / S8-03 LoRA |
| M2 | Prompt 工程系统化 | P0 必学（贯穿） | 20h | G6-02 评测集驱动 |
| M3 | RAG 进阶 | P0 必学 | 25h | G4-02 的深化 = G8 三岔口方向 |
| M4 | 本地推理与私有化部署 | P0 必学 | 15h | Top3 技能，尚无任何文档 |
| M5 | OCR 与文档处理 | P0 必学 | 15h | S2 发票主线的直接依赖 |
| M6 | 数据工程最小集 | P0 必学 | 15h | S8-02 LightGBM 前置 |
| M7 | Web 服务与产品交付 | P0 必学 | 15h | G7 项目的前端与 API |
| M8 | 软件工程三件套 | P0 最急 | 8h | 保护你所有代码 |
| M9 | AI 安全与合规 | P1 认知 | 3h | 私有化部署的卖点话术 |
二、模块详细大纲
M1 · LLM 原理直觉（P0，先于一切深入）
为什么必学：你在用 LLM 编排、要微调、要算成本、要跟客户解释——不理解原理，每个环节都是黑盒，出了问题无从判断。
知识点： 1. Tokenizer：文本怎么变成 token；为什么中文比英文费 token；token 计费逻辑 2. Embedding：词/句变成向量；相似度=距离——RAG 和语义检索的地基 3. Transformer 直觉：注意力="每个词参考所有词的重要性加权"（不要推导数学，要能画图讲清楚）；上下文窗口为什么有限 4. 生成过程：逐 token 概率采样；temperature / top_p 的实际含义（你一直在设 temperature=0，现在知道为什么） 5. 参数量直觉：0.5B/4B/7B/70B 各对应什么能力档次、什么内存需求（Q4 量化 ≈ 参数量×0.6GB/B）
学到什么程度：给完全外行 5 分钟讲清"LLM 在干什么"；能手工估算一次调用的 token 成本。
实验：tokenizer 可视化（tiktoken 或 transformers 切分中文看 token 数）；temperature 0/0.7/1.5 三档对比同一 prompt；用 0.5B 模型验证"参数量×0.6GB"内存估算公式。
资源：3Blue1Brown《Transformer 入门》视频（直觉神作）；huggingface.co/learn 免费课程（走 hf-mirror）。
M2 · Prompt 工程系统化（P0，贯穿始终）
为什么必学：Prompt 是编排层的"代码"——你的 system_prompt 决定 agent 行为（G1-01 已见证"禁止心算"的作用）。但大多数人凭感觉写，你要用数字迭代。
知识点： 1. Prompt 五件套结构：角色 / 任务 / 约束 / 示例 / 输出格式 2. Few-shot：给 2-3 个范例，比千字描述更管用 3. CoT（思维链）："先分步思考再给答案"——数学与多步任务的提分器 4. 失败模式清单：指令冲突、格式漂移、幻觉——各自的 prompt 修补法 5. Prompt 版本管理：prompt 当代码对待，改动挂评测集（G6-02）跑分对比
学到什么程度：拿到一个效果差的输出，能系统化诊断"是 prompt 哪个组件缺失"并用评测数字证明修复有效。
实验：用你的 30 题评测集（G6-02 建）做一次 prompt A/B：旧版 vs 加 few-shot 版，对比准确率。
资源：Anthropic / OpenAI 官方 prompt 工程指南（免费，中文社区有译本）。
M3 · RAG 进阶：从"能查"到"企业级"（P0，Top3 技能）
为什么必学：G4-02 只教了朴素 RAG。企业级 RAG（调研中 MVP 报价 2万-15万的那条产品线）隔着五道坎，每道都有成熟解法。
知识点（五道坎）：
1. 切块策略：按标题层级/语义切块 vs 朴素 400 字——垃圾进垃圾出
2. 混合检索：关键词（BM25，rank_bm25 库）+ 向量两路召回再合并——专有名词、编号类问题向量检索必挂
3. 重排序 rerank：bge-reranker-base（CPU 可跑）对候选粗排精排，top10→top3
4. 评测体系：RAGAS 框架（忠实度/相关性/召回）或自建评测集——没有数字的 RAG 不可交付
5. 工程化：多文档分区权限（谁查得到哪部分——用你 G3 的 thread+store 组合）
学到什么程度：能把 G4-02 的 RAG 升级到"混合检索+rerank+评测数字"的交付水准。
实验：同一知识库四个版本对比评测：朴素 → 改切块 → +BM25 混合 → +rerank，四个准确率数字写进一张表——这就是你接单方案里的技术证明。
资源：LlamaIndex 官方文档；RAGAS GitHub；BGE 系列模型卡（hf-mirror 下载）。
M4 · 本地推理与私有化部署（P0，Top3 技能·你调研里的"结构性机会"）
为什么必学：这是三条 Top 技能里你唯一还没动的一条，也是国内市场最大的结构性机会（企业数据不出内网）。你的 CPU 路线在这反而是优势：客户私有化环境往往也只有 CPU。
知识点：
1. GGUF 与量化：Q4_K_M / Q8 等量化等级——质量与内存的取舍表
2. llama.cpp：CPU 推理引擎；llama-server 起 OpenAI 兼容 API
3. Ollama：llama.cpp 的便捷封装（拉模型/起服务一条命令；路线图里的备用方案正式启用）
4. 内存核算：0.5B→0.5GB / 1.7B→1.2GB / 3B→2GB / 7B→4.5GB（Q4）——16GB 内存能跑 7B
5. 与 LangGraph 合流：ChatOpenAI(base_url="http://127.0.0.1:11434/v1") 直连本地 Ollama——agent 完全离线运行
学到什么程度：给客户演示"断网环境里跑通你的 agent"——这是私有化交付的核心演示。
实验： 1. Ollama 拉 qwen3:1.7b（约 1.4GB），OpenAI 兼容接口跑通一次对话 2. 你的 handmade ReAct 图（G1-03）切换到本地模型跑通——全程断网验证 3. 同一任务 4B 云端 vs 1.7B 本地质量对比表（成本/延迟/质量三列）
资源：ollama.com；llama.cpp GitHub；Qwen 系列 GGUF（hf-mirror）。
M5 · OCR 与文档处理（P0，S2 主线的直接依赖）
为什么必学：你的 S2 发票 OCR 项目（长远价值项目 主线）至今只有 LLM 侧准备（G4-01 结构化输出），识别侧还没动工。
知识点：
1. RapidOCR：PaddleOCR 模型的 ONNX 版——pip install rapidocr-onnxruntime 即用，CPU 友好、无重依赖
2. PaddleOCR 认知（效果好但依赖重，作为备选）
3. PDF 处理：pdfplumber（文本+表格抽取）/ PyMuPDF（渲染页面为图再 OCR）
4. 图像预处理：旋转校正、裁剪、二值化——识别率的第一道关口
5. 识别→抽取流水线：RapidOCR 出原始文本 → LLM 结构化抽取（G4-01）→ 校验 → 不合格 interrupt 人工复核（G3-02）——S2 项目的技术全景在这条链上
学到什么程度：一张真实发票图片进，发票号/金额/日期三字段出，准确率有数字。
实验：手机拍 5 张不同质量的发票 → RapidOCR 识别 → 观察"哪些字段识别错"→ 预处理修正 → G4-01 抽取 → 记录端到端准确率。
资源：RapidOCR GitHub（中文文档）；PaddleOCR 文档。
M6 · 数据工程最小集（P0，LightGBM 前置）
为什么必学：表格数据处理是金融路线（训练数据集.md 第 1 名）的日常；pandas/SQL 是所有 AI 开发岗位面试必考。
知识点： 1. pandas 核心 50 操作：读入/筛选/分组聚合/合并/透视（能覆盖 90% 日常） 2. SQL 基本功：SELECT/WHERE/GROUP BY/JOIN（用 sqlite3 练，零安装） 3. Parquet：列式存储——你存储优化知识（ZSTD 压缩 70-90%）的落地格式 4. 数据清洗四板斧：缺失值/重复/类型/异常值 5. 数据泄漏识别（呼应 S2-02，换到表格场景）
学到什么程度：给一份脏 CSV，30 分钟内清洗+统计出可用结论。
实验：S8-02 的 Adult 数据集用 pandas 清洗一遍、SQL 查询一遍，两种方式结果对账；CSV→Parquet 转换看体积变化。
资源：pandas 官方 10 minutes to pandas；sqlbolt.com（交互式 SQL 练习）。
M7 · Web 服务与产品交付（P0，变现的桥梁）
为什么必学：agent 在命令行跑 = 自嗨；包成 API + 界面 = 产品。客户买的从来不是脚本，是"打开浏览器就能用的东西"。
知识点：
1. FastAPI：30 分钟入门——把 agent 包成 POST /chat 接口（async + SSE 流式，呼应 G6-01）
2. Streamlit：50 行代码出聊天界面——G7 项目的前端，也是给客户做演示原型的标准件
3. 本机部署形态：局域网访问（同一 WiFi 手机试）、Windows 开机自启（nssm/计划任务）——私有化交付的最小形态
4. Docker 认知级：知道它是什么、什么场景需要；你的低配机不主推（WSL2 吃 2-4GB 内存）——客户环境有再说
学到什么程度：能交付"浏览器打开、手机也能用的知识库问答"，即 G7 项目 A 的最终形态。
实验：Streamlit 给 handmade ReAct 图套壳（聊天界面+历史记录）；FastAPI 暴露 /chat 并用手机局域网访问。
资源：FastAPI 官方文档（中文版全）；Streamlit 官方 30 分钟教程。
M8 · 软件工程三件套（P0，最急——保护你所有代码）
为什么必学：你的工作目录至今不是 git 仓库。模型训练 S 线、LangGraph G 线的代码全靠文件系统裸奔——误删一次就完。接单交付物没有版本管理 = 客户眼里的不专业。
知识点：
1. Git：init / add / commit / log / branch / merge / 远程备份（GitHub 或 Gitee）；.gitignore 排除 .venv/、data/、*.pt、checkpoints.db
2. pytest：给你的工具函数写 5 个测试（S2 校验逻辑天然需要测试）
3. asyncio 直觉：async/await 是"等待网络时不闲着"；MCP client（G4-03）和 streaming 全是 async——会读会用即可，不深入
学到什么程度：所有代码进 git、有远程备份；改坏能回滚。
实验：给 DeepTraining 建 git 仓库 + .gitignore + 首次提交 + 推到私有远程仓库（Gitee 国内快）。
资源：Pro Git 中文版（前 3 章够用）；廖雪峰 Git 教程。
M9 · AI 安全与合规（P1 认知级，渗透进方案）
知识点（知道即可，不成为法务）： 1. PII：客户数据里的身份证/手机号——演示前脱敏；私有化部署的卖点就是"数据不出内网" 2. key 与权限管理：✅ 已做（环境变量+最小权限）；补：给客户交付时 key 的轮换机制 3. 中国合规认知：《生成式人工智能服务管理暂行办法》大意——面向企业内网提供服务通常不触发备案，但方案里要写"合规考虑"一节（客户决策层在意） 4. 内容安全：敏感词过滤你已在 G6-01 做过——知道它在合规里的位置
学到什么程度：能在项目提案里写出一页"安全与合规考虑"。
三、防走偏清单：不需要学什么
| 不学 | 理由 |
|---|---|
| 微积分/线代完整体系 | 用到再补，M1 的直觉层足够支撑你的所有路线 |
| 从零写深度学习框架/手写 Transformer | 理解使用者视角即可，S8-03 已体验 |
| 大模型预训练 | 算力不可及，与你的市场定位无关 |
| CUDA/Triton kernel 编写 | 无 GPU，永远用不上 |
| 强化学习（RLHF/RL）深处 | 认知即可（知道"对齐"是什么）；训练线只到 LoRA |
| 多模态大模型训练 | CPU 不现实；调用层面 G4-01 已覆盖 |
| K8s/分布式训练 | 单机 CPU 路线用不上；客户上规模时再学 |
| 区块链+AI、Web3+AI | 炒作组合，与你的变现路线无关 |
四、总学习顺序（映射到当前位置，不推翻已有两条线）
现在（G1/S1 进行中） → 只插入 M8-Git（1-2 次×30 分钟），立即保护所有代码
G3 学完时 → M1（原理直觉，趁理解 checkpoint 时吃透）+ M4（本地模型接进 agent）
G4 学完时 → M3（RAG 进阶，直接为 G7 项目 A 充值）
G7 开工前 → M5（若项目选 B：OCR）+ M7（FastAPI/Streamlit，交付形态）
S8-02 前 → M6（pandas/SQL）
贯穿始终 → M2（每次实验都在练 prompt，G6-02 后升级为数字驱动）
渗透 → M9（写提案时用）
总时长约 126 小时——按你每天 1.5-2h 的节奏，与两条主线穿插推进约 10-12 周（不是串行另加 10 周）。每开一个模块，正式建独立阶段体系（像 S/G 一样）。
五、验收里程碑（每模块"毕业"标准速查）
| 模块 | 毕业标准 |
|---|---|
| M1 | 外行版 5 分钟讲清 LLM；token 成本手算正确 |
| M2 | prompt 改动全部带评测数字 |
| M3 | 四版本 RAG 对比表（四个准确率） |
| M4 | 断网演示：本地模型跑通 agent（录屏） |
| M5 | 真实发票端到端准确率 ≥ 90%（5 张实测） |
| M6 | 脏 CSV 30 分钟出结论；pandas/SQL 对账一致 |
| M7 | 手机局域网访问你的 agent |
| M8 | 代码全部进 git + 远程备份 |
| M9 | 提案里能写一页合规考虑 |
六、资源总清单（按优先级）
| ★ | 资源 | 对应模块 |
|---|---|---|
| ★★★ | 3Blue1Brown Transformer 可视化系列 | M1 |
| ★★★ | Ollama / llama.cpp 官方文档 | M4 |
| ★★★ | RapidOCR GitHub（中文） | M5 |
| ★★ | pandas 10 分钟 / SQLBolt | M6 |
| ★★ | FastAPI 中文文档 / Streamlit 教程 | M7 |
| ★★ | Pro Git 中文版 | M8 |
| ★ | RAGAS / LlamaIndex 文档 | M3 |
| ★ | Anthropic / OpenAI Prompt 指南 | M2 |
一句话总结：两条已建体系（编排+训练）之外，你还差 M1-M9 九块——其中 M4 本地推理和 M5 OCR 是两条"已规划但零进展"的主干道，M8 Git 是今天就该做的 30 分钟。大纲是地图；每一块正式开课时，我们按既定方式（阶段体系+实验+验收+计时）逐篇推进。