总索引：大模型进阶、AI使用进阶、智能体进阶、知识工程进阶、AI治理进阶与架构师进阶
这套内容的主读者，是已经有嵌入式工程经验的人。
它不是“从普通人教到工程师”，而是帮你把原来的系统思维、资源意识和交付意识，迁移到大模型、AI 使用控制、智能体、知识工程、治理与架构能力里。
阅读顺序
建议按下面这个顺序看：
- 大模型进阶之一：嵌入式工程师的大模型学习地图与认知框架
- 大模型进阶之二：深度学习地基：先把表示、梯度和优化吃透
- 大模型进阶之三：Transformer 与 LLM 原理：token、注意力、KV Cache
- 大模型进阶之四：训练、微调与对齐：让模型变得有用
- 大模型进阶之五：LLM 工程化：Prompt、RAG、Agent 与评估
- AI使用进阶之一：提示词不是咒语，是任务规格说明
- AI使用进阶之二：上下文工程：给对信息，比写花哨提示词更重要
- AI使用进阶之三：结构化输出与工具调用：让 AI 从会说变成可接入
- AI使用进阶之四：评估体系：不用感觉判断 AI，要靠样例和回归
- AI使用进阶之五：Guardrails 与人工审批：哪些事必须卡权限、卡规则、卡人
- AI使用进阶之六：MCP 与外部系统：让 AI 真正连上你的工具链
- AI使用进阶之七：成本、延迟与模型选型：会用，也要会省
- AI使用进阶之八：个人与团队工作流：把会用，变成可复制
- 智能体进阶之一：先分清工作流、助手、Agent，不是会调工具就叫智能体
- 智能体进阶之二：单智能体设计：规划、工具、记忆与状态
- 智能体进阶之三：多智能体协作：handoff、角色分工与失败回收
- 智能体进阶之四：生产级智能体：观测、评估、审批与恢复
- 知识工程进阶之一：从资料堆到知识库：先做信息分层
- 知识工程进阶之二：切块、索引、Embedding 与 Reranker：检索不是只建向量库
- 知识工程进阶之三：RAG 真正难的不是搜到，而是组好上下文
- 知识工程进阶之四：知识质量、时效性与评估：让知识系统持续可信
- AI治理进阶之一：先画风险地图：哪些场景能放，哪些场景必须卡
- AI治理进阶之二：数据、权限与审计：AI 系统最怕边界不清
- AI治理进阶之三：红队、监控与事故响应：别等出事再补规则
- AI治理进阶之四：组织落地：角色分工、制度、培训与复盘
- 架构师进阶之一：部署、LLMOps、数据治理与边缘推理
- 架构师进阶之二：对外表达：把大模型和架构讲给工程师和普通人听
- 分享栏：AI/大模型官方免费资源与更深一层的学习入口
- 分享栏：更高阶的 AI 学习路线，从会用到会造
怎么用这套内容
如果你想自己学，先走完“大模型进阶”，再把“AI使用进阶”吃透，接着进入“智能体进阶”“知识工程进阶”“AI治理进阶”，最后再进入“架构师进阶”。
如果你想准备分享，重点看以下几篇：
- 大模型进阶之一：认知框架
- 大模型进阶之三：Transformer 与 LLM 原理
- 大模型进阶之五：Prompt、RAG、Agent 与评估
- AI使用进阶之二：上下文工程
- AI使用进阶之四：评估体系
- AI使用进阶之五：Guardrails 与人工审批
- 智能体进阶之一：工作流、助手与 Agent 的边界
- 智能体进阶之四：生产级智能体
- 知识工程进阶之三：RAG 与上下文组装
- AI治理进阶之一：风险地图
- 架构师进阶之一：部署、LLMOps 与系统视角
- 架构师进阶之二：对外表达
如果你想持续往下深挖，就看最后一篇分享栏。
如果你最想先解决“怎么更稳地掌控 AI 使用”，那就把 AI使用进阶之一 到 AI使用进阶之八 当成一条独立主线来走。
如果你最想做“能帮你干活的系统”，那就重点走：
智能体进阶知识工程进阶AI治理进阶
你最终会得到什么
- 能解释大模型到底是什么
- 能说清楚 Transformer、训练、微调、RAG、Agent 的位置关系
- 能把提示词、上下文、工具、评估、权限和审批组织成一套可控的 AI 使用流程
- 能分清什么时候该用工作流，什么时候该上 Agent，什么时候必须留人工审批
- 能把资料、文档、知识库和检索流程组织成可维护的知识工程体系
- 能从治理角度看风险、权限、审计、监控和事故响应
- 能从架构师视角看部署、成本、监控和数据治理
- 能把这些内容讲给工程师听，也能讲给非工程师听
更高阶路线
如果你已经把三条主线走完了，下一步可以直接看：
一句话概括
这套路径的目标，不是让你“知道很多术语”，而是让你具备：
- 学得懂
- 做得出
- 控得住
- 讲得清
- 带得动