面向开发与架构师的 AI 落地指南。受众、红线、协作约定见 CLAUDE.md。
当前状态：v0 自学方案已验证失败（详见 _v0/sessions/2026-04-26-session-13.md），仓库正以 机器学习学习框架.md 为试行框架重构。第一根算法柱子从 KNN 起步，3 个算法验证后固化为一期架构。
阅读顺序：
- 👉
机器学习学习框架.md— 唯一方法论权威（横向四层 + 纵向柱子 + 三子框架） CLAUDE.md— 协作协议_v0/README.md— 失败归档说明（不参考其规则）
-
语言即职责
- Python：研发实验室与数据管道（Pandas 深浅拷贝的 OOM 陷阱、高吞吐预处理服务）
- Go / Java / Node.js：AI 基础设施与业务网关（ONNX Runtime 实现零网络 I/O 本地推理）
- React / 前端：Agent 状态可视化、WebGPU 端侧推理
-
跨越物理与数据边界
- 显存 vs GC：避免 JVM/V8 的 STW 长尾延迟
- 零拷贝：抛弃 JSON/REST，拥抱 Apache Arrow / Parquet 列式格式
-
持久化执行：AI Agent 动辄几分钟的长周期调用，需要强状态的分布式工作流引擎
进度追踪以「内容是否已纳入 git」为准 — 见下文「仓库哲学」。
按 机器学习学习框架.md 的横向四层 + 纵向柱子框架重构。
纵向柱子（算法）—— 试行 3 根后固化框架：
- 第 1 根 · KNN（重启）
- 第 2 根 · 待 v1 框架推进时定
- 第 3 根 · 待 v1 框架推进时定
- 4-N 根 · 框架固化后展开
横向四层（最小启动包随柱子追加，不一次建完）：
- 数学语言层（线代 / 微积分 / 概率统计）
- 特征工程层（数据预处理 / 特征构造 / 选择 / 降维）
- 模型训练层（损失函数 / 优化方法 / 训练流程 / 正则化）
- 模型评估层（评估指标 / 误差诊断 / 模型对比）
横向具体放置位置（仓库顶层独立 vs ML 子层）待 v1 试行期间敲定。
- 01 - PyTorch：张量与计算图作为带状态系统组件
- 02 - CNN / RNN 架构解构
- 03 - 模型部署：Python 原型 → Go/Java/Node 毫秒级本地加载（ONNX Runtime）
- 01 - 词嵌入（Embedding）
- 02 - Transformer 架构
- 03 - 迁移学习：FastText → BERT/GPT
- 01 - Prompt Engineering
- 02 - 实战：RAG 智能简历推荐（ES + Milvus + BGE-M3）
- 03 - AI Agent：Function Calling + 后端 CRUD 集成
- 04 - 实战：Multi-Agent + MCP 协议
阶段四完成后再细化设计。
学习仓库，不是软件仓库。Git 是"已验证学习进度"的实时投影——只有真正学过、迭代过的内容才入 git。
- 你 clone 下来看到的 = 作者实际走过的。没看到的章节是还没学到
- 草稿 / 原始素材不入 git（
assets/已 gitignored） [x]的章节内容真的进了 git；[ ]的还在草稿态- 每次学习会话产生一份结构化报告 →
learning-sessions/，作为元认知工具 - 验证失败的方案归档进
_v0/，不参考其规则
ai-engineer-roadmap/
├── README.md # 本文件 · 全局导航
├── CLAUDE.md # 给 Claude Code 的协作协议
├── 机器学习学习框架.md # 唯一方法论权威（v1 试行）
│
├── 01-ML/ # 阶段一主线（v1 试行中，从 KNN 起步）
│
├── learning-sessions/ # 元认知工具 · 学习会话日志（重启编号）
│
├── _v0/ # v0 失败归档 · 不参考其规则
│ ├── README.md # 归档说明
│ ├── 01-ML/ # 旧 ML 工作区
│ ├── sessions/ # session-01~13
│ ├── extracts/ # pptx 提取临时产物
│ └── grading-rules.md # L0-L4 评分表（已被二元判停取代）
│
├── scripts/ # 工具脚本（pptx 提取 / session 导出）
└── assets/ # 原始素材（gitignored）
文件命名约定：NN-Kebab-Case-Title.md（NN 为阶段内序号，从 01 起）。