📑 目录
- 第一性原理：行动计划的设计逻辑
- 总体路线图
- 第1个月：Python+数据基础
- 第2个月：机器学习入门
- 第3个月：大模型应用开发
- 第4个月：RAG+Agent实战
- 第5个月：完整项目+作品集
- 第6个月：求职冲刺
- 每日时间分配建议
- 里程碑检查点
- 总结
一、第一性原理：行动计划的设计逻辑
基本事实1：没有计划的学习 = 随机游走，看起来在学，其实在原地转圈。
基本事实2：好的计划必须是”可执行的”——具体到每一天做什么，而不是模糊描述。
基本事实3：学习要”产出驱动”——不是看完一本书叫”学完”，而是做出一个东西叫”学完”。
⚡ 行动计划 = 明确的周目标 + 每日具体任务 + 可验证的产出物
二、总体路线图
第1月：Python + 数据基础 产出：能独立写Python数据处理脚本
↓
第2月：机器学习入门 产出：跑通3个ML项目
↓
第3月：大模型应用开发 产出：做出2个AI应用Demo
↓
第4月：RAG + Agent实战 产出：做出1个生产级RAG系统
↓
第5月：完整项目 + 作品集 产出：GitHub上有3个可展示项目
↓
第6月：求职冲刺 产出：拿到offer
时间投入：每天2小时（工作日）+ 周末4小时 = 每周18小时
三、第1个月：Python+数据基础
第1周：Python语法速成
| 天 |
任务 |
产出 |
| Day 1 |
安装Python、VS Code、Jupyter |
环境就绪 |
| Day 2 |
变量、数据类型、字符串 |
10个小练习 |
| Day 3 |
条件判断、循环、列表/字典 |
学生成绩计算器 |
| Day 4 |
函数、模块、异常处理 |
函数式改写 |
| Day 5 |
面向对象、类、继承 |
购物车类 |
| Day 6 |
文件操作、JSON处理 |
配置文件读写工具 |
| Day 7 |
复习+综合练习 |
命令行Todo应用 |
第2周：NumPy + Matplotlib
| 天 |
任务 |
产出 |
| Day 8-9 |
NumPy数组操作、索引、切片 |
10个NumPy练习 |
| Day 10 |
NumPy矩阵运算、广播 |
简单线性回归 |
| Day 11-12 |
Matplotlib绑图 |
3种图表 |
| Day 13-14 |
综合项目：数据分析报告 |
分析真实CSV数据集 |
第3周：Pandas深入
| 天 |
任务 |
产出 |
| Day 15-16 |
DataFrame操作：筛选、排序、分组 |
10个Pandas练习 |
| Day 17-18 |
合并、透视表、时间序列 |
多表关联数据集 |
| Day 19-20 |
数据清洗实战 |
数据清洗脚本 |
| Day 21 |
综合项目：完整数据分析 |
端到端分析 |
第4周：数学基础速补
| 天 |
任务 |
产出 |
| Day 22-23 |
概率统计：均值、方差、正态分布 |
用Python验证概率概念 |
| Day 24-25 |
线性代数：向量、矩阵、矩阵乘法 |
用NumPy做矩阵运算 |
| Day 26-27 |
微积分概念：导数、梯度、梯度下降 |
代码实现梯度下降 |
| Day 28 |
月度复习 + 里程碑检查 |
能独立完成数据处理任务 |
四、第2个月：机器学习入门
第5-6周：Scikit-learn全流程
| 天 |
任务 |
产出 |
| Day 29-30 |
ML基本概念 |
理解训练/预测/评估 |
| Day 31-33 |
监督学习：分类 |
鸢尾花分类项目 |
| Day 34-35 |
监督学习：回归 |
房价预测项目 |
| Day 36-37 |
模型评估指标 |
对比不同模型指标 |
| Day 38-42 |
无监督学习：聚类、降维 |
客户分群项目 |
第7-8周：特征工程+模型调优
| 天 |
任务 |
产出 |
| Day 43-45 |
特征工程：选择、构造、编码 |
优化客户分群项目 |
| Day 46-48 |
模型调优：交叉验证、Grid Search |
准确率提升5%+ |
| Day 49-50 |
文本特征提取 |
文本分类项目 |
| Day 51-56 |
里程碑项目：端到端ML项目 |
数据到部署完整流程 |
五、第3个月：大模型应用开发
第9-10周：大模型API + Prompt Engineering
| 天 |
任务 |
产出 |
| Day 57-59 |
OpenAI API调用 |
智能问答助手 |
| Day 60-62 |
Prompt Engineering 5大技巧 |
效果对比报告 |
| Day 63-64 |
对话管理、Token计数 |
带上下文的聊天机器人 |
| Day 65-70 |
综合项目：AI文档助手 |
上传文档→AI回答问题 |
第11-12周：LangChain框架
| 天 |
任务 |
产出 |
| Day 71-73 |
LangChain核心概念 |
用LangChain重写AI助手 |
| Day 74-76 |
LangChain高级：Memory、Output Parser |
带记忆的AI助手 |
| Day 77-80 |
综合项目：AI代码审查助手 |
输入代码→审查意见 |
六、第4个月：RAG+Agent实战
第13-14周：RAG系统搭建
| 天 |
任务 |
产出 |
| Day 81-83 |
向量数据库入门 |
文本向量存储和检索 |
| Day 84-86 |
文档切分、Embedding、检索 |
处理PDF/Word文档 |
| Day 87-89 |
RAG完整流程 |
知识库问答系统 |
| Day 90-92 |
RAG优化：重排序、混合检索 |
提升回答准确率 |
第15-16周：AI Agent开发
| 天 |
任务 |
产出 |
| Day 93-95 |
Agent概念：ReAct模式 |
能调用工具的Agent |
| Day 96-98 |
自定义工具 |
Agent增加3个工具 |
| Day 99-104 |
综合项目：AI研究助手 |
自动搜索+总结+生成报告 |
七、第5个月：完整项目+作品集
项目1：AI智能客服系统（2周）
功能：企业知识库问答 + 多轮对话 + 人工转接
技术：FastAPI + LangChain + Chroma + React
项目2：AI代码审查助手（1周）
功能：输入代码URL → 自动分析 → 审查意见
技术：LangChain Agent + GitHub API + 静态分析
项目3：ML预测服务（1周）
功能：上传CSV → 选择目标列 → 自动训练 → 预测API
技术：Scikit-learn + FastAPI + Docker + MLflow
八、第6个月：求职冲刺
第21-22周：简历+面试准备
| 天 |
任务 |
产出 |
| Day 113-115 |
写简历 |
3版简历：AI应用/ML工程/数据工程 |
| Day 116-118 |
项目介绍话术 |
每个项目3分钟精讲版 |
| Day 119-121 |
ML面试题准备 |
50道核心面试题答案 |
| Day 122-124 |
系统设计题准备 |
3个AI系统设计案例 |
第23-24周：投递+面试
| 天 |
任务 |
产出 |
| Day 125-128 |
投递简历 |
累计投递40+家 |
| Day 129-134 |
面试+复盘 |
每次面试后改进 |
| Day 135-140 |
持续面试 |
拿到offer |
九、每日时间分配建议
工作日（2小时）：
19:00-19:30 复习昨天学的内容（30分钟）
19:30-20:30 学习新内容/写代码（60分钟）
20:30-21:00 做练习/记录笔记（30分钟）
周末（4小时）：
09:00-10:00 复习+看教程（60分钟）
10:00-12:00 写代码/做项目（120分钟）
14:00-15:00 学习新内容（60分钟）
15:00-16:00 总结+写博客（60分钟）
💡 关键原则：写代码时间 > 看教程时间（6:4），每天必须有可运行代码产出。
十、里程碑检查点
| 时间 |
检查点 |
验证标准 |
| 第1月末 |
Python+数据基础 |
能独立用Pandas处理CSV数据 |
| 第2月末 |
ML入门 |
能独立跑通分类和回归项目 |
| 第3月末 |
大模型应用 |
能做出AI问答和代码审查Demo |
| 第4月末 |
RAG+Agent |
能搭建完整的知识库问答系统 |
| 第5月末 |
项目作品集 |
GitHub上有3个可运行的项目 |
| 第6月末 |
拿到offer |
至少1个AI相关岗位offer |
✅ 如果某个里程碑没达到？ 差1-2周是正常波动；差1个月以上要回顾是否踩了误区。关键：不要跳过里程碑继续往后学，基础不牢后面更吃力。
十一、总结
核心原则
- 产出驱动：每周都有可运行的代码产出
- 先广后深：先走通全流程，再逐个深入
- 项目为王：3个可展示的项目 > 10个教程的跟练
- 持续记录：每天学的内容用GitHub记录
6个月说长不长，说短不短。关键是每天进步一点，不要中断。
🚀 今天就可以开始：安装Python环境，跑通第一个代码示例。6个月后的你，会感谢今天开始行动的自己。