画像：怎么选自己的路

给定义 AI 产品、不自己写系统的人。和 FDE / AI Engineer 的差别：L5 升到「高」——判断哪条前沿会变成产品是本职；L4 保留但只到「知道每个部件的代价和失败方式」；L2 到 LLM：模型怎么工作 和 调用模型 API：token、流式、工具、成本 这两节为止。

路径：LLM：模型怎么工作 → 调用模型 API：token、流式、工具、成本 → Prompting：能度量的指令 → Evals：知道它有没有变好（PM 最该懂的工程概念：没有评测的需求不可验收）→ RAG：先查再答 → Agent：循环里带工具的模型 → 成本：每一次调用都有价签 → 安全：模型会照着不可信的文本行动，然后 AI 历史：怎么读三次浪潮 → 每周必看：前沿信息流（≤ 5） → 有事再查：前沿参考清单（≤ 15） → 岗位族：AI 岗位怎么分。站点上只对应 foundations 轨的前两阶段。

给已经在生产里调模型、要把 LLM 功能做成产品并对结果负责的资深工程师。

权重为什么这样配：L4 最高——RAG、agent、MCP、evals 是职位描述的原话，面试问的是你做过的系统；L2 高——面试会往下追「为什么」，要能从零实现 GPT、讲清预训练到对齐；L3 中——停在会讲服务系统设计、部署过一次，不写 CUDA；L6 高但只在冲刺期；L0 / L1 按需。

路径（23 站，按先后；每站是一个节点）：

1. 先把图景立住：LLM：模型怎么工作 → 调用模型 API：token、流式、工具、成本 → Prompting：能度量的指令 → 结构化输出：让模型的回答能被程序消费。
2. 搭第一个生产系统：Embedding：把意思变成向量 → RAG：先查再答 → Agent：循环里带工具的模型 → MCP：给每个系统一个统一的插口。
3. 让它可度量、可运营：Evals：知道它有没有变好 → 可观测性：知道线上发生了什么，并能回到评测 → 成本：每一次调用都有价签 → 安全：模型会照着不可信的文本行动。
4. 往下补「为什么」：Transformer → 预训练与 scaling → 微调：教它你的任务 → 后训练：用奖励塑形。
5. 往下补系统：解码与推理 → Serving：自己跑模型 → Kubernetes：在客户的地方跑。
6. 往上接行业与职业：AI 历史：怎么读三次浪潮 → 每周必看：前沿信息流（≤ 5） → 岗位族：AI 岗位怎么分 → 行为面与价值观轮。

和站点轨的对应：第 1 步 = foundations 轨的前两阶段；第 2–3 步 = ai-engineer 轨「Build LLM features」「Measure and improve」+ fde 轨「Build for a customer」「Prove it」；第 4 步 = ai-engineer 轨「Train and post-train」+ fde 轨「Adapt the model」；第 5 步 = ai-engineer 轨「Serve」+ fde 轨「Deploy」。站点的轨没有第 6 步（L5 / L6 只出现在读本的层页上，不进技能指南与轨）。

给做推理引擎、GPU 性能、训练平台的人。和 FDE / AI Engineer 正好倒过来：L3 最高、L4 最低；L2 只要「模型内部」那一半（结构、解码、MoE），不要后训练。

路径：线性代数 → PyTorch：自己训一个网络 → Transformer → 解码与推理 → 长上下文与 MoE，然后整层 L3：GPU 入门：为什么是它，瓶颈在哪 → Serving：自己跑模型 → 并行训练：为什么一张卡不够 → 算力经济：训练花在哪，推理怎么收费 → Kubernetes：在客户的地方跑。这条路在本库里资源最薄（L3 的候选只到「会讲」的深度，CUDA 与内核优化没有节点），站点上没有对应的轨；真要走这条路，先补 GPU MODE 和 CS336 系统讲次（见 GPU 入门：为什么是它，瓶颈在哪 的落选与推荐）。

给要训模型、做推荐或 MLOps 的人。和 FDE / AI Engineer 的差别：L1 从「中」升到「高」——训练、泛化、指标是日常；L4 降到「中」——RAG 和 agent 只需会用；L0 升到「中」——优化和概率要能推导，不只是读得懂。

路径：地基先打牢（数学：用到时再补 → 线性代数 → 概率与统计 → 优化），再走经典 ML 到深度学习（经典机器学习：从样本里学 → 损失与反向传播 → 泛化 → 经典结构：CNN、RNN / LSTM、残差 → PyTorch：自己训一个网络），然后进 LLM 的训练侧（Tokenizer → Transformer → 预训练与 scaling → 微调：教它你的任务 → 后训练：用奖励塑形），用 Evals：知道它有没有变好 收口，最后补系统（并行训练：为什么一张卡不够 → Serving：自己跑模型）。站点上对应 foundations 全轨 + ai-engineer 轨的后两阶段。