L1 基础
一、 入门篇：什么是 FDE
1.1. 人工智能的发展历程
1.2 什么是 FDE
1.3 学习路线图
1.4 FDE 的三种类型
二、模型是怎么工作的
2.1 Transformer 架构概述
2.2 Attention 机制深入
2.3 KV Cache 详解
2.4 FFN、Normalization 与位置编码
2.5 Decoding 策略 — 从采样到生成的完整指南
2.6 MoE 架构详解
2.7 MLA（Multi-Latent Attention）详解
2.8 多模态大模型
2.9 Thinking / Reasoning 模型 — 推理部署的新范式
2.10 大语言模型训练流程
2.11 预训练与后训练
2.12 大模型微调实践
2.13 大模型 Scaling Law
L2 进阶
三、 模型是怎么工作的
3.1 GPU 架构概览
3.2 GPU 显存模型
3.3 GPU 性能瓶颈分析
3.4 GPU 互联与多卡通信
四、 让推理变快：推理引擎与量化
4.1 vLLM 深度解析
4.2 TensorRT-LLM 深度解析
4.3 SGLang 深度解析
4.4 模型量化基础
4.5 量化方案详解
4.6 KV Cache 量化
4.7 Speculative Decoding
4.8 FP8 推理
五、大模型怎么部署到多块 GPU 上
5.1 张量并行（TP）
5.2 流水线并行（PP）
5.3 MoE 并行
L3 进阶
六、 用 LLM 构建应用
6.1 提示词工程 — 掌握 AI 时代的"代码"
6.2 RAG 原理及应用 — 让大模型拥有"外挂知识库"
6.3 Agent 架构与实战 — 让大模型自主完成任务
6.4 AI 评测入门指南 — 怎么知道你的 AI 系统好不好
七、生产环境部署架构
7.1 Prefill-Decode 分离部署 — 高吞吐推理的新标准
7.2 弹性扩缩容
7.3 可观测性体系
7.4 容灾与降级
7.5 多租户与平台化
八、成本与运营
8.1 成本与运营全景
8.2 成本优化策略
8.3 容量规划与弹性伸缩
8.4 自建 vs 云服务选择
九、动手实验
9.1 实验：用 vLLM 部署 7B 模型
9.2 实验：量化部署工作流
9.3 实验：性能 Profiling 工作流
9.4 实验：连续批处理调优
9.5 实验：多卡 TP 部署
9.6 实验：OOM 排查演练
十、AI 驱动业务流程
10.1 业务流程编排 — 让 AI 按规则办事
10.2 企业系统集成 — AI 与业务系统的桥梁
10.3 业务指标体系 — 让技术成果被看见
十一、合规与安全
11.1 数据隐私 — AI 系统的隐私保护体系
11.2 审计与可解释性 — AI 决策的可追溯体系
11.3 Prompt 安全 — 防御注入攻击与内容风险
L5 面试
十二、面试答题方法
12.1 面试答题框架
12.2 自我介绍模板
12.3 技术答题框架
12.4 项目故事（STAR 格式）
12.5 行为面试题
12.6 HR 面策略
12.7 面试前 Checklist
12.8 AI 系统设计面试题库
附录
十三、变更管理与组织采纳
13.1 灰度上线策略 — 从试点到全量
13.2 ROI 度量框架 — 向 CEO 证明 AI 值得投资
十四、团队管理与建设
14.1 团队文化
14.2 成长路径
14.3 培养机制
14.4 知识管理
十五、前沿技术参考
15.1 前沿技术评估流程
十六、术语与资源
16.1 术语表
16.2 案例研究
学习助手
