按你现在的目标找资料：基础入门、复习面试、读论文、动手做项目、补一个专题，或者安排求职准备。每条路线都列了起点和建议练习。

已经熟悉的部分可以跳过。这些笔记主要覆盖 ML / LLM 和 MLE / research 相关内容，其他岗位需要另补对应领域的知识。

刚开始学：先弄懂一次计算

会一点 Python 就能开始。向量和梯度不熟，先读从线性模型到神经网络，不用先学完全部数学。

  1. Tokenization：一句话怎样变成模型的输入。
  2. Transformer 图解：沿着一小段输入，看 Attention、FFN 和残差怎样接起来。
  3. 训练基础：预测错了以后，loss 怎样让参数发生变化。

读完试一试：拿一句短句，讲清输入怎样变成预测，以及 loss 怎样参与参数更新。再用 PyTorch 小实验对照计算过程。模型家族、MoE 和分布式训练可以之后再看。

准备技术面：先找出自己卡在哪

在面试准备里按需要选一块。已有基础可以直接看快速复习，想系统补课可以看按计划学习。路线中的小时数是参考，可以按自己的时间拆开学。

先看岗位描述和已经收到的面试说明，不要因为标题都叫 MLE，就默认每一轮考的一样。各岗位先练什么、时间紧时先放什么，见按岗位选练习。还没有具体面试，也可以拿一道概念题、一个小实现试试。

  1. 说不清原理：去 ML / LLM 基础问答。试着不看笔记回答，再用一个例子解释。
  2. 原理懂，代码写不出来：去 ML Coding。重点核对 shape、mask、梯度和边界条件。
  3. 写题慢或方法想不到：去 Python 和 LeetCode 方法，按方法练，不按题号背。

练习建议：独立完成一道题，解释思路，再换几个输入测试。需要准备设计题，接着看 Feed / RAG / Memory；项目追问参考准备什么。

读研究：弄清它到底改了什么

这条路线适合了解 Transformer、想进一步读论文或模型报告的人。重点是理解作者改了什么、实验能支持什么结论；Research Scientist / Research Engineer 的岗位要求仍以具体团队为准。

  1. 架构组件：先找到论文改的是哪个部件，不熟的机制单独补。
  2. 模型家族：带着同一组问题比较设计，而不是记版本名字。
  3. 评估基础：看比较对象、数据、指标和消融（ablation），分清结果支持什么。

读完试一试：用一页纸概括问题、方法、实验结果和待验证的疑问。能复算的例子自己算一遍；只做了局部验证，就说明验证范围。对后训练（post-training）感兴趣，可以继续看原理和实验实践。

做项目：先让一条路径走通

没做过完整应用，先从本站与阅读清单开始。它不需要 GPU：看懂构建与 CI/CD，再连起页面、API 和数据库。

已经会写基本程序，可以直接选自己想做的项目：

  • 推荐系统：沿着一次请求，看召回、排序、过滤与评估。
  • RAG 知识库：从资料的版本和权限，到检索（retrieval）、引用和答案检查。
  • 后训练实验：从要修的错误，到 SFT、数据 batch、多卡选择、checkpoint 和发布判断。

动手试一试：跑通一个最小例子，再改一个条件。例如，删掉支持答案的文档，或中断训练后恢复，观察系统会怎样处理。准备设计面试，可以先做系统设计题，再对照项目实现检查方案。

只想补一个专题，直接过去

下面按主题列出入口，各专题内有更详细的阅读顺序。

你关心的内容 从这里进入
模型基础与架构 核心机制 · 组件与模型家族
数据与训练 数据和反馈 · 预训练与训练工程
强化学习（reinforcement learning, RL）与后训练 Deep RL · SFT / RLHF / 蒸馏
评估是否可信 指标与实验 · LLM-as-a-Judge
图片怎样接进语言模型（language model, LM） 多模态
检索与长期状态 搜索与检索 · 记忆
工具与智能体 Agents · Personal AGI
推理速度、成本与可靠性 推理 · AI 系统 · 模型体验
芯片、GPU、CUDA 与集群 AI 基础设施（AI infra） · 待审核草稿
感知、机器人与自动驾驶 从像素到动作 · 待审核草稿
还在变化的方向 前沿：世界模型、递归自我改进（RSI）已审阅；测试时计算（test-time compute）、用 RL 训练 agent、机制可解释性是待审核草稿

只想查某个词，点顶部搜索或按 /。中文、英文术语都可以试试。

求职准备：先安排眼前需要做的事

  1. 到底要准备什么：按岗位和自己的短板安排精力。
  2. 一次面试复盘：面完留下具体问题，再调整下一轮准备。

可以先为最近一轮面试列出要补的内容，再安排具体练习。个人经历放在 25–26 intern 求职和 26–27 new grad 求职，仅供参考。

想看全貌，或以后接着读

全部内容分在基础与原理、面试准备、工程实践、编年史和求职记录中。路线只是不同的阅读顺序，指向同一份文章。

右上角 中文 / EN 切换同一篇。点标题下的「收藏本页」收藏文章，之后在「我的阅读」里找回收藏和最近读过的页面；记录只在当前浏览器，换设备前可以在「设置」里导出备份。内容还在继续补，哪些已写、哪些待核对，见覆盖与待办。

本页术语 5
消融 ablation
去掉一个组件再测一次，用来判断它到底有没有贡献
后训练 post-training
预训练之后为特定任务和行为做的所有训练
检索 retrieval
从外部语料里找出相关内容
强化学习 reinforcement learning, RL
根据行动带来的回报调整策略，学习怎样作出更好的选择
语言模型 language model, LM
对文本序列建模，用上下文预测或生成后续内容