怎麼使用這份路線

這份路線的每一章都有自己的講義：讀者不必打開外部連結，就能從頁面學會這一章的內容。各章最後的「延伸閱讀」整理了 30 多份來源（大學課程、教材、業界指南、繁中與簡中社群教材），是想更深入時的選讀；完整清單見來源清單。

先選路線

你的目標	路線
把 LLM 接進產品、做出 AI 應用或 agent（多數人）	應用路線：S0 全局地圖 → 模型速成 → Part III 到 Part VII（S6–S19）
也想懂模型內部怎麼運作，或要訓練模型、做推論基礎設施	完整路線：從 S0 全局地圖依序走到 S19 真實 agent 系統與畢業專題
先看懂 AI 系統在做什麼，暫時不寫程式	理解路線：S0 全局地圖 → 模型速成的「現在要懂的四件事」 → Part III 到 Part VII（S6–S19），用淺顯模式讀講義，做「先試一下」與自我檢查

應用路線對應業界說的 AI 工程師：用現成的模型做產品，不從頭訓練模型；完整路線再往 ML 工程師、研究者的方向延伸，自己訓練與改造模型。

前兩條是實作路線，要寫程式：需要會一門程式語言的基礎（變數、函式、迴圈）、會呼叫 HTTP API、看得懂 JSON。第三條理解路線不需要程式背景：讀講義、做「先試一下」和自我檢查，就能看懂 AI 系統怎麼運作；之後想動手，再接著做必做題。不熟的詞先查術語表的常用詞速查。

Part II 模型原理（S1–S5）比較底層、用到較多數學，是選修的深入路線。不讀它也能走完 Part III 到 Part VII（S6–S19）；S6 LLM API 與應用基本功之後的頁面用到模型知識時，會先指回模型速成，再標出「深入：」與 Part II 的對應章節，例如「深入：S2 Transformer 與 decoding」。不確定就先走應用路線，走到一半想知道「為什麼」時，再回頭讀 Part II 的對應章節。

代號怎麼讀

章和進階題都用一個字母加數字當代號：

代號	意思
S	第幾章（S0–S19，共 20 章）
A	系統專案的一步，數字等於章號，A6 是 S6 的進階題；系統專案從 S6 才開始，所以沒有 A1–A5
M	模型專案的一步，M1 是 S1 的進階題，依此類推（M1–M5）
Part	由幾章組成的一大段，例如 Part II 是 S1–S5（選修的模型原理）

S6–S19 這種寫法指一段範圍。

實作題分兩種：必做題是主線，只驗證該章最核心的概念；進階題是選做的長期專案，也就是系統專案或模型專案的一步。詳見每一章的結構。

內文提到單一章或單一步時，寫成「代號＋名稱」，例如「S6 LLM API 與應用基本功」「A10 工具組與 MCP server」；一段範圍會寫出 Part 名稱或線名，例如「Part II 模型原理（S1–S5）」「系統專案 A6–A18」。

兩種讀法

頁首的開關可以切換閱讀模式，選擇會記住，每一頁都套用：

• 淺顯（預設）：只顯示主線。每一章的主線都從「為什麼需要」講起，用一個例子一步步走完（從 S6 LLM API 與應用基本功起都是同一個「筆記助理」），並附有數字的小例子和容易誤會的地方。第一次讀、沒有相關背景的人，讀主線就能懂。
• 深入：另外展開「準備動手做」（實作細節）、「深入一點」（推導與更多機制）、選修主題（○）、進階題和延伸閱讀。已經懂基礎、想更進一步的人用這個模式。

在淺顯模式下，收起來的區塊仍然可以單獨點開：「準備動手做」「深入一點」直接點標題，選修主題與進階題按「展開這一段」，都只會展開那一段，不會切換整個網站的模式。

每一章的結構

區塊	內容
理解路線重點	頁首的三句話：不寫程式的讀者這一章要帶走什麼；其他工程細節可以先略過
在做什麼 / 學完能	這章要回答的問題，以及學完可以檢驗的能力，先列讀完主線就做得到的。每項能力標出由哪裡練到：「（必做）」是必做題、「（進階）」是進階題、「（講義與自我檢查）」是靠講義與自我檢查題確認的能力；同一項能力分兩段練時，標成「（必做：…；進階：…）」
講義	先看全貌，再用一個例子走完全程。★ 是核心主題，○ 是選修（深入模式才展開），🔒 是安全檢查點
實作	先試一下（約 10 分鐘的紙筆小練習，附可收合的答案）、必做題（只驗證這章最核心的概念，多數可獨立完成）與進階題（實作專案的一步，深入模式才展開）
自我檢查	5–9 題，都能從講義主線找到答案，至少一題是情境判斷；每題附可收合的提示（判斷重點、常見錯法、回讀哪一節）
延伸閱讀	選讀：原始論文、官方文件、跟著寫程式的教材、課程與中文資源，每筆註明比講義多了什麼

設計原則

1. 先看全貌，再分流。 先在 S0 全局地圖看懂整體，再依目標選路線：應用路線直接從 S6 LLM API 與應用基本功往上蓋應用、agent、安全與上線；完整路線先走 Part II 模型原理（S1–S5）。
2. 每個概念只「首次教」一次。 之後的章只會「深化」它，並用「（← S2 Transformer 與 decoding）」標出來源章。完整對照見概念索引。
3. 先有系統，才有評估。 先讓應用跑起來、留下 trace，再從真實的失敗整理出測試集；不先憑空寫測試題。
4. 先手寫，框架最後。 agent loop 和 harness 先自己寫，理解框架替你做了什麼，再比較框架。
5. 由簡到繁，有證據才升級。 prompt → RAG → fine-tune；workflow → agent；single-agent → multi-agent。每次升級都要有評估結果佐證。
6. 安全從早期就開始。 S9 檢索與 RAG、S10 工具與 MCP、S12 Agent loop 與 harness、S13 Memory 與個人化各有一個 🔒 安全檢查點，S16 安全與治理是深入篇。
7. 來源有日期、benchmark 有缺陷。 這個領域變化很快；每份來源都標日期，每個 benchmark 都附上已知問題。

實作題怎麼做

• 題目只寫目標、步驟、驗收標準、提示，不附解答。驗收標準都有數字，可以自己檢查有沒有過。
• 不限語言。提示會同時列出 TypeScript 與 Python 的參考工具。需要會基本的程式設計；還不會的話，先學一門語言的基礎（變數、函式、迴圈、呼叫 HTTP API），再回來做題。
• 卡住時，先回到提示指出的講義段落；需要時再看延伸閱讀。
• 可以用 AI 寫程式工具（例如 Claude Code、Cursor、GitHub Copilot）處理樣板與設定，但每題要練的核心部分自己寫；把題目整段丟給工具，驗收數字過了也學不到東西。提示與自我檢查的答案先自己想過再打開。
• 需要付費 API 或 GPU 的題目會標出大概成本，並盡量提供本地模型的替代方案。
• 你的程式碼放在自己的 repo；這個網站只放題目。
• 數學或統計生疏的話（連鎖律、softmax、對數圖、標準誤、bootstrap、cosine 相似度），先翻數學補給，每節都附一個能手算的小例子。

兩個實作專案

• 系統專案 A6–A19：選一個你在意的應用，每章幫它長出一種能力，最後在 S19 真實 agent 系統與畢業專題把它完成。應用路線的人做這條。
• 模型專案 M1–M5：Python，從 autograd 到小模型後訓練與推論伺服器。對應 Part II 模型原理（S1–S5），走完整路線的人再做。

必做題和進階題可以分開：只做必做題也能走完整條路線，最後一題是 S19 真實 agent 系統與畢業專題的必做題；這一章的進階題是 A19 畢業專題，需要系統專案 A6–A18 累積的系統。

範例學習計畫：應用路線加上關鍵的系統專案

適合目標是「能做出並評估 AI 應用與 agent」的人。除了應用路線的講義與必做題，再挑系統專案裡最關鍵的幾步。已經熟悉的章可以只做自我檢查題，答得出來就往下走。

階段	內容
1	S0 全局地圖；模型速成；S6 LLM API 與應用基本功 + A6 串流聊天與 trace；S7 Prompt、structured output 與 workflows
2	S8 Eval 方法論 + A8 錯誤分析與 golden set；S9 檢索與 RAG + A9 附引用的 RAG
3	S10 工具與 MCP + A10 工具組與 MCP server；S11 Context engineering + A11 context builder；S12 Agent loop 與 harness + A12 手寫 harness
4	S13 Memory 與個人化；S14 Agent eval、資料與最佳化；S15 Multi-agent；S16 安全與治理
5	S17 產品與 AI UX；S18 部署與架構；S19 真實 agent 系統與畢業專題

• 系統專案挑四步：A6 串流聊天與 trace（第一個看得到的成果）、A8 錯誤分析與 golden set（從真實 trace 長出的 eval）、A9 附引用的 RAG、A12 手寫 harness。手寫 harness 會用到 A10 工具組與 MCP server 做出的工具，以及 A11 context builder，所以 A10、A11 也排進去。A9 附引用的 RAG 裡的 embedding 微調會用到微調的概念（模型速成；深入：S4 Post-training 與 reasoning），可以先跳過。
• 有餘力時，下一個最值得做的是 A14 agent eval 與最佳化。它的第 0 步會用到 router（← A7 structured output 與 workflow）；沒做 A7 的話，就照第 0 步的做法，用強模型為歷史請求標出路由決定。
• 做完這份計畫，你會有一個 RAG、工具、harness 都有 eval 數字佐證的系統。

誰適合

• 想從「會呼叫 API」走到「能設計、評估、上線 agent 系統」的工程師。
• 沒有機器學習背景，想看懂 AI 系統怎麼運作的人：從 S0 全局地圖開始，用淺顯模式讀講義。
• 想系統性理解 LLM 原理，而不只是追新工具的人：走完整路線，用深入模式讀 Part II。
• 前端工程師可以從 S6 LLM API 與應用基本功 或 S17 產品與 AI UX 切入，這兩章最貼近前端經驗。S17 產品與 AI UX 的必做題只需要 S6 LLM API 與應用基本功的串流概念，學完 S6 就能做。
• 後端或資料工程師：S6 LLM API 與應用基本功、S8 Eval 方法論、S9 檢索與 RAG、S18 部署與架構最貼近你的經驗，可以走快一點。系統專案 A6–A16 都不必寫前端，介面用 Gradio、Chainlit、Streamlit 或 CLI 即可，串流、停止與回饋的驗收標準相同（做法見 A6 串流聊天與 trace 的提示）。S17 產品與 AI UX 的必做題有「不寫前端的版本」，見 S17 必做題；只有 A17 完整前端要真的寫前端。數學與統計熟的話，數學補給可以略過，S8 Eval 方法論的統計進階是寫給你的。