后续进阶方向
后续进阶方向不是终点，而是分叉路口。完成前十九个阶段后，你可以根据自己的兴趣进入更深方向。
前面的课程主要把你带到 AI 应用工程的完整闭环：能做产品、能接模型、能管上下文、能做 RAG、能做 Agent、能做安全和评估。后续进阶要根据你的目标选择主线，不需要同时追所有方向。
学习目标
完成这个主题后，你应该能够：
- 判断自己更适合继续深入模型原理、部署优化、平台工程、产品设计还是研究阅读。
- 为每个方向制定 8 到 12 周的学习和项目计划。
- 知道哪些能力可以直接迁移，哪些能力需要重新补基础。
- 选择一个能长期积累作品、经验和判断力的进阶方向。
进阶方向路线图
这张图把后续方向分成五条主线。它们会互相影响，但每条线的学习材料、项目形态和职业出口都不同。
LLM 原理方向
关键词：tokenizer 原理、embedding 原理、transformer、attention、decoder-only、pretraining、SFT、RLHF、DPO、LoRA。
适合想更深入理解模型能力边界、训练流程和微调方法的工程师。
学习方式：从 tokenizer、embedding 和 attention 的可视化理解开始，再进入 transformer 结构、训练目标、对齐方法和参数高效微调。实践上可以做一个小型 tokenizer、一个 transformer notebook，以及一个 LoRA 微调实验。
模型部署方向
关键词：vLLM、llama.cpp、TensorRT-LLM、quantization、GPU memory、inference serving。
适合想做私有化部署、本地模型服务和推理性能优化的工程师。
学习方式：先在本地跑通 GGUF 或 Ollama，再理解量化、显存占用、batching、KV Cache 和吞吐指标。实践上可以搭建一个 OpenAI-compatible 本地推理服务，并做延迟与成本对比。
AI Infra 平台方向
关键词：model gateway、prompt platform、eval platform、agent runtime、feature store、vector platform。
适合想把 AI 能力做成企业内部平台、基础设施或多团队共享能力的工程师。
学习方式：围绕可复用平台能力展开，包括统一模型网关、Prompt 版本管理、Eval 平台、RAG 平台、Agent Runtime、权限审计和观测。实践上可以把综合项目拆成内部平台模块。
AI 产品方向
关键词：AI search、AI browser、AI IDE、AI workspace、AI agent platform。
适合想从工程走向产品架构、产品设计和创业方向的工程师。
学习方式：持续拆解优秀 AI 产品，关注入口、频次、上下文、信任、定价和分发。实践上可以写 PRD、做原型、跑用户访谈，并把一个垂直场景打磨成可用产品。
研究阅读方向
关键词：RAG papers、agent papers、multimodal papers、inference optimization papers、eval papers。
适合希望持续跟进前沿方法，并把论文思想转化为工程实践的开发者。
学习方式：不要只收藏论文。每篇论文至少提炼问题、方法、实验、局限和可工程化点。实践上可以维护一个 paper notes 仓库，并定期把一个方法复现成小实验。
如何选择方向
- 如果你想理解模型为什么这样工作，优先选 LLM 原理方向。
- 如果你想把模型跑得更便宜、更快、更私有，优先选模型部署方向。
- 如果你想服务多个团队和业务线，优先选 AI Infra 平台方向。
- 如果你想做产品、创业或定义新交互，优先选 AI 产品方向。
- 如果你想持续靠近前沿方法，优先选研究阅读方向。
最理想的路线不是每条都浅尝，而是选一条主线深挖，同时保留一条辅助线。例如“AI 产品 + RAG 研究”、“AI Infra + 模型部署”、“LLM 原理 + Eval 平台”。