AI Long-Term Knowledge Graph and Review System

定位: 把已有 Web3、金融零售、架构、LLM、AIPA、ABPA、AI Foundations、职业资产扩展连接成一张长期可复习、可追问、可转作品集的知识图谱。 原则: 不删除旧内容, 不把旧计划判定为废弃。旧资产是长期素材库, 新系统负责导航、复习、更新和证据转换。 目标: 未来 12-18 个月持续增强 AI Solutions Architect / AI Business Architect / AI PM / AI BA 能力。

---

1. 为什么需要这张长期图谱

当前仓库已经不是单一学习计划, 而是一个多阶段能力资产库:

• Web3 90 天和实战计划: 产品机制、链上数据、协议分析、Tokenomics、治理。
• 架构 120+ 和专家计划: 金融零售业务架构、支付、核心银行、供应链、DDD、微服务、云原生。
• DSDB / LLM / AIPA: 分布式系统、数据库、LLM 原理、Agent、Eval、MCP、AML Copilot、AI-native architecture。
• ABPA-180: BA/PM/架构融合, 从问题定义、流程、需求、eval、治理到 adoption。
• AI Foundations: Transformer、RAG、Agent、RLHF、CoT、LoRA、推理优化、LLM-as-Judge。
• 职业资产扩展: 角色能力矩阵、金融零售 AI case portfolio、架构图谱、面试和作品集。

如果没有知识图谱, 风险是:

• 学了很多, 但面试时讲不成故事。
• 写了很多, 但不知道哪些能证明能力。
• 旧内容越来越多, 但复习路径不清楚。
• 新 AI 方向不断变化, 但旧资产无法复用。
• 能力增长停留在“读过”, 没变成“能判断、能设计、能落地、能复盘”。

这张图谱的目的不是再增加一条学习负担, 而是把所有已有资产组织成:

Knowledge Node -> Capability -> Artifact -> Evidence -> Interview Story -> Next Review

---

2. Source Anchors

本图谱引用的标准和方法只作为学习与组织框架, 不构成法律、审计、采购或合规意见。

---

3. 总体知识图谱

MomoWeb3 / AI Learning Asset Graph
├── Domain Depth
│   ├── Financial Retail: AML, KYC, lending, fraud, payments, wealth, service ops
│   ├── Web3 Background: DeFi, RWA, wallet, governance, tokenomics, security
│   └── Business Architecture: capability, value stream, domain, operating model
├── AI Foundations
│   ├── Transformer and LLM mechanics
│   ├── RAG and knowledge architecture
│   ├── Agent and tool-use architecture
│   ├── Alignment and feedback
│   ├── Reasoning and test-time compute
│   ├── Adaptation: LoRA / PEFT / fine-tuning
│   ├── Inference optimization
│   └── Evaluation: LLM-as-Judge / EvalOps
├── AI Delivery System
│   ├── Problem framing
│   ├── BPMN workflow discovery
│   ├── Requirements-to-Eval
│   ├── Data readiness
│   ├── Architecture ADR
│   ├── AI control pack
│   ├── Operating model and RACI
│   ├── Adoption dashboard
│   └── Business case
├── Enterprise AI Architecture
│   ├── C4 context/container/component
│   ├── Model gateway
│   ├── RAG platform
│   ├── Agent runtime and tool gateway
│   ├── Eval platform
│   ├── Observability and runbook
│   ├── Governance and risk operations
│   └── Vendor/build-buy strategy
└── Career Evidence
    ├── Role competency matrix
    ├── Case portfolio
    ├── Diagram playbook
    ├── Interview bank
    ├── Portfolio evidence map
    └── Flagship capstone stories

---

4. 六大能力域

Domain A: AI Foundations

目标: 能解释底层机制, 并把机制转成产品和架构取舍。

复习重点:

• 每篇论文都要转成一张图。
• 每个机制都要给出一个金融零售案例。
• 每个技术选择都要写出反转条件。

Domain B: AI BA / PM Delivery

目标: 能把“我们想做 AI”变成真实业务问题、流程、需求、验收和 adoption。

复习重点:

• 不只背模板, 每月至少填 1 个真实 case。
• 每个 case 必须包含 baseline、eval、control、ROI。
• 面试回答必须引用 artifact, 不只讲观点。

Domain C: Financial Retail AI Cases

目标: 把 10 年金融零售经验转成 AI-native case portfolio。

复习重点:

• 每个 case 要能用 BA、PM、Architect 三种口径讲。
• 每个 case 要能画至少 3 张图: BPMN, C4, Eval/Risk。
• 每个 case 要有一个 weak answer to avoid。

Domain D: Enterprise AI Architecture

目标: 能把 AI 系统设计成可运行、可管、可评估、可审计的企业能力。

复习重点:

• 架构图必须包含数据、控制、eval、审计、运营。
• 每个 ADR 要有 rejected options。
• 每个系统都要说清楚 failure modes 和 rollback。

Domain E: Governance / Risk / Compliance

目标: 能把 AI 风险讲成产品、架构和运营控制, 而不是只写合规口号。

复习重点:

• 不把 prompt 当控制。
• 不把模型解释当证据。
• 高风险场景必须有 HITL、audit、release gate、incident process。

Domain F: Career Evidence and Interview

目标: 把能力转成可被招聘方检查的证据。

复习重点:

• 每个 claim 至少两条 evidence。
• 每个 story 要有 30 秒、2 分钟、深挖版本。
• 避免只说“我学过”, 要说“我做了哪张图、哪份 eval、哪个 control、哪个 business case”。

---

5. Crosswalk: 旧资产如何复用到新 AI 方向

Web3 资产

旧 Web3 内容不是废弃, 而是转成以下能力:

推荐复习动作:

• 每月选 1 篇旧 Web3 笔记, 增加一段 “AI BA/PM/Architect reuse note”。
• 把协议分析结构迁移到 AI vendor / AI platform 分析。
• 把 governance 经验迁移到 AI control pack。

金融零售架构资产

推荐复习动作:

• 每季度选 1 个金融域做 AI case portfolio。
• 每个域都要画 capability map + BPMN + C4。
• 用 BIAN service domain 练银行能力边界。

LLM/AIPA 资产

推荐复习动作:

• 每个 AIPA 作品都补一个 BA/PM framing。
• 每个工程资产都补一个 executive memo。
• 每个 eval 资产都补一个 risk/control mapping。

---

6. 复习节奏

每日 30 分钟轻复习

只做一件小事:

• 读一页经典论文解读。
• 画一个小图。
• 改进一个 interview answer。
• 给旧笔记加一个 AI reuse note。
• 写一个 eval case。
• 给一个 case 补一个 risk control。

每周 3 小时深复习

建议固定节奏:

每月 1 个证据包

每月只要求产出一个证据包, 但要完整:

Case summary
+ Opportunity Canvas
+ BPMN
+ Architecture diagram
+ Requirements-to-Eval
+ Control Pack
+ Business Case or Adoption Dashboard
+ Interview Story

每季度 1 个旗舰故事

每季度选择一个旗舰故事打磨到可展示:

---

7. 12-Month Learning and Evidence Roadmap

Month 1: AI Foundations consolidation

目标:

• 能用自己的话解释 8 篇 AI Foundations。
• 每篇有一张图。
• 每篇有一个金融零售映射。

证据:

• AI Foundations Concept Map v1
• 8 个 30 秒回答
• 2 个 ADR

Month 2: AML flagship case

目标:

• 以 AML Copilot 打完整 ABPA artifact loop。

证据:

• Opportunity Canvas
• BPMN
• RAG/Agent architecture
• Eval matrix
• Control pack
• Executive memo

Month 3: Customer service / product knowledge RAG

目标:

• 训练低风险高采用场景。
• 强化 RAG、知识治理、adoption。

证据:

• RAG ADR
• knowledge ingestion diagram
• citation eval
• adoption dashboard

Month 4: Payments exception agent

目标:

• 训练 tool-use、workflow automation、human approval。

证据:

• sequence diagram
• tool risk matrix
• action approval policy
• incident runbook

Month 5: Lending assistant

目标:

• 训练高风险 AI、解释、政策边界、公平性。

证据:

• fair lending control pack
• adverse action explanation eval
• high-risk human oversight memo

Month 6: Vendor / Build-vs-Buy

目标:

• 能做 AI vendor due diligence。
• 能解释何时买、建、合作、混合。

证据:

• vendor scorecard
• build-vs-buy matrix
• pilot criteria
• risk acceptance memo

Month 7: Enterprise AI governance

目标:

• 把 NIST/EU/ISO/OWASP 转成企业 AI operating model。

证据:

• AI governance model
• release gate framework
• risk tiering
• model/prompt/knowledge change control

Month 8: EvalOps platform story

目标:

• 能讲 AI quality loop。

证据:

• golden set taxonomy
• LLM-as-Judge rubric
• release dashboard
• incident review template

Month 9: Architecture portfolio

目标:

• 把 3 个 case 画成一致的 architecture pack。

证据:

• capability map
• C4 context/container
• RAG/Agent diagram
• risk/control diagram
• cost/latency model

Month 10: Business case and ROI

目标:

• 能把 AI 从技术方案讲成投资决策。

证据:

• 3 个 business case
• cost model
• sensitivity analysis
• funding gate memo

Month 11: Interview preparation

目标:

• 每个 flagship story 都有 30 秒、2 分钟、deep dive。

证据:

• interview proof pack
• role-specific answer bank
• objection handling sheet

Month 12: Portfolio packaging

目标:

• 汇总为可投递 portfolio。

证据:

• master AI portfolio README
• 3-5 case studies
• architecture diagram gallery
• eval/control appendix
• resume bullets

---

8. Spaced Repetition System

复习粒度

不要按“文件”复习, 要按“能力节点”复习:

• Concept: Transformer, RAG, Agent, Eval, LoRA。
• Artifact: BPMN, ADR, Control Pack, Business Case。
• Case: AML, KYC, Payments, Lending。
• Story: 30 秒 / 2 分钟 / deep dive。
• Source anchor: NIST, EU AI Act, ISO, OWASP, TOGAF, BPMN, BIAN。

复习间隔

Flashcard 类型

---

9. Monthly Review Template

每月底复制以下表格:

## Monthly AI Asset Review - YYYY-MM

### 1. New assets
- File:
- Capability:
- Evidence status:

### 2. Best learning insight
- Insight:
- Why it matters:
- How it changes my product/BA/architecture judgment:

### 3. Strongest artifact
- Artifact:
- Claim it proves:
- Metric/eval/control:
- Interview story:

### 4. Weakest gap
- Gap:
- Why it matters:
- Smallest next artifact:

### 5. Old asset reused
- Old file:
- New AI reuse:
- Cross-link added:

### 6. Next month focus
- Case:
- Role:
- Artifacts:
- Source anchors to refresh:

---

10. Quarterly Capability Calibration

每季度给自己打分, 只看证据:

评分标准:

• 1: 只知道概念。
• 2: 能复述。
• 3: 能用于一个 case。
• 4: 能产出 artifact 并解释 tradeoff。
• 5: 能跨多个 case 泛化, 并支持面试深挖。

---

11. Knowledge Debt Register

随着资料增长, 要管理知识债。

每月最多处理 3 个知识债, 不要贪多。

---

12. Portfolio Conversion Rules

一份学习资产变成作品集证据, 必须满足 6 条:

1. 有明确业务问题。
2. 有用户/干系人。
3. 有流程或架构图。
4. 有 eval 或质量标准。
5. 有风险控制。
6. 有业务价值或 adoption 指标。

不满足时, 仍然保留为学习笔记, 不强行包装。

Conversion Example

---

13. Interview Story Bank Structure

建议把未来所有故事按这个结构整理:

Story Title:
Role Lens:
Business Problem:
Baseline:
My Decision:
Architecture:
Eval:
Control:
Business Value:
Adoption:
Tradeoff:
What I would improve next:
Evidence Links:

每个故事都要有三版:

• 30 秒: 用于开场。
• 2 分钟: 用于主回答。
• 10 分钟: 用于系统设计/深挖。

---

14. Highest-Leverage Next 20 Artifacts

优先级按“能转作品集 + 能提升面试 + 能连接多个学习资产”排序。

---

15. Operating Rule: Learn Less Randomly, Convert More Deliberately

未来继续新增资料时, 每个新增文件都尽量标注:

• belongs to which capability domain。
• supports which role。
• can become which artifact。
• should be reviewed at what interval。
• links to which case。

简单规则:

If it cannot become an artifact, it is reading.
If it can support a decision, it is an asset.
If it can be shown and defended in interview, it is evidence.

长期目标不是把所有东西学完, 而是让每一轮学习都更接近:

• 能发现真问题。
• 能设计可评估 AI 系统。
• 能控制风险。
• 能推动采用。
• 能证明业务价值。
• 能把复杂能力讲清楚。