从 AI 基础概念出发，逐步深入模型原理，最终掌握大模型工程化部署的核心能力。每个模块包含理论讲解、架构图解、代码示例和自测题。
建立 AI 与深度学习核心概念，掌握 Transformer 架构
AI发展史，LLM定义，GPT演进路线，大模型应用场景全景图。
线性代数（矩阵/张量），概率论（分布/Bayes），微积分（梯度/链式法则），信息论基础。
监督/无监督/强化学习，训练验证测试流程，过拟合与正则化，评估指标。
神经网络，前向/反向传播，激活函数（ReLU/GELU），优化器（SGD/Adam）。
分词，词向量（Word2Vec/GloVe），语言模型演进（n-gram→NNLM→Transformer）。
自注意力机制，编码器-解码器结构，位置编码，LayerNorm与残差连接。
图文对齐（CLIP），Vision Transformer，跨模态表示，图像编码器。
GPU架构 vs CPU，CUDA编程模型，显存层级，NVIDIA产品线（H100/H20/L20）。
深入大模型预训练、架构设计、分布式训练全流程
预训练目标（MLM/CLM），自回归vs自编码，数据配比策略，训练稳定性。
BPE/SentencePiece/Unigram，词表大小权衡，多语言处理，特殊Token。
MHA/MQA/GQA对比，Flash Attention，稀疏注意力，滑动窗口注意力。
GPT/BERT/T5/LLaMA/Qwen/DeepSeek 架构对比，RMSNorm/SwiGLU/RoPE。
规模法则（Kaplan/Chinchilla），涌现能力，计算最优策略，过训练。
数据清洗流程，去重（MinHash），质量过滤，合成数据生成。
数据并行/模型并行/流水线并行，ZeRO（ZeRO-1/2/3），Megatron-LM。
MoE原理与路由机制，Top-K路由，负载均衡，DeepSeek MoE架构。
掌握 RAG、微调、推理优化、Agent 等 LLM 应用核心技术
提示工程原则，CoT思维链，Few-shot Learning，结构化输出提示。
Embedding模型，向量数据库（FAISS/Milvus），RAG全流程，Reranking优化。
SFT全流程，LoRA/QLoRA低秩适配，数据准备，灾难性遗忘。
INT8/INT4量化，GPTQ/AWQ/GGUF，知识蒸馏，结构化剪枝。
vLLM架构，KV Cache，PagedAttention，Continuous Batching，投机解码。
Function Calling，LangChain/LlamaIndex，多Agent协作，MCP协议。
LLaVA/GPT-4V架构，文生图（SD/DALL-E），文生视频（Sora），统一接口。
RLHF/DPO/PPO对齐方法，越狱攻击与防护，内容安全过滤，可解释性。
从部署运维到产品化，构建完整的 AI 工程能力
GPU选型策略，TGI/vLLM/SGLang部署，负载均衡，弹性伸缩，灰度发布。
评测体系设计，MMLU/HumanEval/GSM8K，LLM-as-Judge，人工评估流程。
金融/医疗/法律/教育/客服场景方案，私有化部署，知识库构建。
Token计费模型，GPU成本优化，推理成本分析，TCO计算框架。
HuggingFace/ModelScope生态，开源vs闭源选型，许可证合规，社区贡献。
训练集群架构，推理集群设计，存储（并行文件系统），网络（RDMA/RoCE）。
AI Native产品设计，用户场景挖掘，数据飞轮，PMF验证，增长策略。
o1推理模型，Agentic AI，World Model，具身智能，AI科学发现。
为什么做这个平台，以及如何使用它
后端工程师转型 AI 方向、算法工程师补齐工程能力、产品经理理解大模型技术边界、技术管理者做 AI 战略决策。
按阶段顺序学习，每个模块先看理论讲解，再理解架构图，最后做自测题验证。完成动手实验巩固知识，结合行业案例理解落地。
厂商中立的技术讲解 + 腾讯云/开源工具实战示例。不吹概念，讲清楚每个技术的原理、适用场景和工程权衡。
每个阶段都有明确的能力跃迁标志：第一阶段能理解论文，第二阶段能复现模型，第三阶段能构建应用，第四阶段能落地部署。