AI 系统化学习路线图 2026：从论文笔记到产品与架构能力

Date: 2026-06-30
Status: active learning spine
Audience: experienced CBAP / financial retail PM / BA / product architect / solution architect
Purpose: 把现有 AI 论文解读、playbook、case drill 和面试资产重新组织成一条系统学习路径。旧内容不删除；本文件负责告诉你先读什么、怎么读、哪些内容第一遍先跳过。

---

1. 为什么需要这条主线

当前仓库的 AI 内容已经足够多，问题不是“还缺材料”，而是材料容易被读成碎片：

• docs/ai-foundations/papers/ 已经有大量论文与架构解读，每篇都包含概念、架构、案例、ADR、面试表达和练习。
• docs/AI_2026_EXPANSION_START_HERE.md 已经从启动路径膨胀成资产清单。
• 很多内容是高价值的，但如果按文件顺序一篇篇啃，会出现“每篇都完整、整体不成体系”的阅读疲劳。

这条路线图把内容重新拆成三种用途：

核心原则：

第一遍读主线，不读完美；第二遍做案例，不追覆盖；第三遍再把面试、ADR、练习补齐。

---

2. 三遍阅读法

第一遍：建立系统理解

目标是看懂 AI 产品和架构的因果链：

模型能力 -> 上下文/数据 -> 工具/流程 -> 评测/控制 -> 运行证据 -> 产品价值

每篇笔记第一遍只读这些部分：

1. 标题下的定位、边界、核心问题。
2. 概念图或核心架构模型。
3. 金融零售场景映射。
4. 指标、控制、证据或 release gate。

第一遍先跳过：

• Interview Answer / 面试表达
• 7-Day Practice Plan
• 过长 checklist
• 详细 ADR 模板
• Source anchors 的完整逐条阅读

这些不是没用，而是第二、三遍用。

第二遍：把知识转成案例

每读完一个模块，选一个金融零售场景做一次小作品：

• AML investigation copilot
• KYC onboarding decision assistant
• payment dispute evidence workbench
• customer-facing policy RAG
• credit lifecycle governance
• AI platform gateway / EvalOps platform

输出不追求多，追求完整闭环：

业务问题 -> 用户/流程 -> AI 适配性 -> 架构方案 -> eval gate -> 风险控制 -> 运营证据

第三遍：整理面试和作品集

第三遍才集中处理面试内容：

• 把每个模块压成 30 秒、2 分钟、deep dive 三种表达。
• 把 ADR 改成自己的真实取舍，不照搬模板。
• 把 checklist 变成评审门禁或作品集证据。

---

3. 总体课程结构

这不是“174 篇每天一篇”的线性路线，而是 10 个能力模块。

---

4. 12 周系统学习路径

Week 1：模型底座和边界

必读：

• docs/ai-foundations/papers/01-attention-is-all-you-need.md
• docs/ai-foundations/papers/10-scaling-laws-pretraining-bert-gpt-t5.md
• docs/ai-foundations/papers/04-instructgpt-rlhf-alignment.md
• docs/ai-foundations/papers/05-chain-of-thought-self-consistency.md

学习问题：

• Transformer 到底解决了什么序列建模问题？
• GPT、BERT、T5 的任务边界有什么不同？
• 为什么模型对齐不能替代产品控制？
• 推理能力为什么必须有证据和升级边界？

输出：

• 一张“模型能力边界图”。
• 一段 2 分钟解释：为什么 LLM 不是数据库、规则引擎或最终决策人。

Week 2：RAG、上下文和知识治理

必读：

• docs/ai-foundations/papers/02-retrieval-augmented-generation.md
• docs/ai-foundations/papers/13-rag-evaluation-ragas-retrieval-metrics.md
• docs/ai-foundations/papers/14-graphrag-knowledge-graph-rag.md
• docs/ai-foundations/papers/31-embeddings-ann-vector-search-faiss-hnsw.md

学习问题：

• 企业 RAG 为什么不是“上传文档问答”？
• 检索、rerank、引用、权限、版本和 freshness 如何组成系统？
• GraphRAG 适合什么问题，不适合什么问题？

输出：

• 一个 customer-facing policy RAG 的 C4 container view。
• 一个 RAG eval matrix：retrieval、groundedness、citation、permission、freshness。

Week 3：Agent、工具和权限边界

必读：

• docs/ai-foundations/papers/03-react-toolformer-agent-foundations.md
• docs/ai-foundations/papers/12-tool-use-security-prompt-injection.md
• docs/ai-foundations/papers/16-autogen-multi-agent-orchestration.md
• docs/ai-foundations/papers/27-structured-output-constrained-decoding-lmql-guidance.md
• docs/ai-foundations/papers/99-ai-agent-autonomy-delegation-architecture.md
• docs/ai-foundations/papers/100-ai-agent-identity-delegated-authorization.md

学习问题：

• Agent 和普通 chatbot 的架构差别是什么？
• 工具调用为什么会引入权限、幂等、审计和回滚问题？
• 什么动作必须 human approval？

输出：

• 一个 payment dispute agent 的 action authority matrix。
• 一个 tool gateway ADR：哪些动作只读、哪些动作建议、哪些动作需要审批。

Week 4：EvalOps 和发布门禁

必读：

• docs/ai-foundations/papers/08-llm-as-judge-evaluation.md
• docs/ai-foundations/papers/17-helm-holistic-evaluation-models.md
• docs/ai-foundations/papers/18-model-cards-datasheets-ai-documentation.md
• docs/ai-foundations/papers/26-process-supervision-step-by-step-verification.md
• docs/ai-foundations/papers/60-cd4ml-mlops-continuous-delivery-ai-release.md
• docs/ai-foundations/papers/88-ai-architecture-fitness-functions-continuous-governance.md

学习问题：

• AI eval 和传统 QA/testing 的差异是什么？
• release gate 应该看哪些指标，而不是只看 demo 效果？
• 什么时候可以用 LLM judge，什么时候必须 human review？

输出：

• 一个 eval contract。
• 一个 release evidence bundle checklist。

Week 5：模型组合、成本、性能和路线选择

必读：

• docs/ai-foundations/papers/06-lora-peft-adaptation.md
• docs/ai-foundations/papers/07-inference-optimization-kv-cache-flashattention-speculative.md
• docs/ai-foundations/papers/09-mixture-of-experts-sparse-scaling.md
• docs/ai-foundations/papers/28-model-routing-semantic-cache-frugal-ai.md
• docs/ai-foundations/papers/41-knowledge-distillation-small-models-quantization.md
• docs/ai-foundations/papers/168-ai-model-portfolio-benchmarking-capability-scorecard-selection-governance-architecture.md

学习问题：

• 什么时候 prompt 足够，什么时候 RAG，什么时候 LoRA/fine-tune？
• 成本、延迟、质量、风险如何共同决定 model route？
• 模型组合为什么需要 champion/challenger 和 retirement trigger？

输出：

• 一个 model selection scorecard。
• 一个 cost/SLO routing policy。

Week 6：决策智能和传统 ML 组件

必读：

• docs/ai-foundations/papers/34-graph-neural-networks-gnn-fraud-risk-architecture.md
• docs/ai-foundations/papers/35-recommender-systems-youtube-wide-deep-two-tower.md
• docs/ai-foundations/papers/37-feature-stores-real-time-ml-feast-michelangelo.md
• docs/ai-foundations/papers/47-time-series-forecasting-tft-deepar-foundation-models.md
• docs/ai-foundations/papers/48-anomaly-detection-isolation-forest-autoencoder-risk-monitoring.md
• docs/ai-foundations/papers/49-causal-discovery-dowhy-econml-structural-causal-models.md
• docs/ai-foundations/papers/50-optimization-operations-research-or-tools-ai-decisioning.md

学习问题：

• 哪些金融问题不该只用 LLM？
• 预测、排序、推荐、异常检测、优化和因果推断分别解决什么问题？
• LLM 如何作为界面/解释/流程层，而不是替代全部决策系统？

输出：

• 一个“AI system component map”：LLM、RAG、ML model、rules、solver、human review 的职责边界。

Week 7：AI 产品发现和需求工程

必读：

• docs/ai-foundations/papers/63-ai-requirements-engineering-gqm-eval-contracts.md
• docs/ai-foundations/papers/71-continuous-discovery-opportunity-solution-tree-ai-products.md
• docs/ai-foundations/papers/72-jtbd-outcome-driven-innovation-ai-use-case-selection.md
• docs/ai-foundations/papers/73-north-star-ai-product-metrics-value-measurement.md
• docs/ai-foundations/papers/76-service-blueprint-ai-customer-journey-trust.md
• docs/AI_REQUIREMENTS_TO_EVAL_COOKBOOK.md

学习问题：

• AI 需求为什么不能只写 user story？
• 如何把 business outcome 变成 eval、control 和 release gate？
• AI 产品指标如何同时覆盖价值、风险、采用和客户伤害？

输出：

• 一个 AI opportunity brief。
• 一个 requirements-to-eval trace table。

Week 8：AI 架构表达和架构评审

必读：

• docs/ai-foundations/papers/64-ai-quality-attributes-atam-architecture-tradeoff.md
• docs/ai-foundations/papers/79-enterprise-ai-reference-architecture-control-plane.md
• docs/ai-foundations/papers/87-ai-architecture-views-c4-arc42-42010.md
• docs/ai-foundations/papers/89-contract-first-ai-tool-api-design-openapi-asyncapi.md
• docs/ai-foundations/papers/90-ai-traceability-requirements-eval-control-graph.md
• docs/AI_ARCHITECTURE_DIAGRAM_PLAYBOOK.md

学习问题：

• AI architecture view 为什么不能只画组件图？
• stakeholder concern、quality attribute、ADR、eval 和 evidence 如何连接？
• C4、BPMN、DMN、traceability graph 分别用于什么问题？

输出：

• 一个 AI architecture review pack。
• 至少 3 个 ADR：RAG vs fine-tune、tool authority、release gate。

Week 9：金融零售 AI 场景系统化

优先读：

• docs/ai-foundations/papers/128-ai-authorized-push-payment-scam-intervention-architecture.md
• docs/ai-foundations/papers/131-ai-payment-dispute-chargeback-claims-evidence-architecture.md
• docs/ai-foundations/papers/139-ai-credit-lifecycle-underwriting-line-management-governance-architecture.md
• docs/ai-foundations/papers/143-ai-account-opening-kyc-onboarding-decision-architecture.md
• docs/ai-foundations/papers/144-ai-aml-alert-triage-investigation-workbench-architecture.md
• docs/ai-foundations/papers/145-ai-payment-operations-reconciliation-settlement-exception-architecture.md
• docs/FINANCIAL_RETAIL_AI_CASE_PORTFOLIO.md

学习问题：

• 金融零售 AI 的高风险点在哪里：客户权益、资金、合规、记录、解释还是操作？
• 哪些场景适合 copilot，哪些适合 decision support，哪些可以自动化？

输出：

• 选一个 flagship case，做一页 solution narrative。
• 把 case 拆成 capability、process、data、AI component、control、evidence。

Week 10：治理、风险、审计和证据

必读：

• docs/ai-foundations/papers/58-ai-management-system-iso42001-operating-model.md
• docs/ai-foundations/papers/82-ai-control-library-assurance-evidence-graph.md
• docs/ai-foundations/papers/95-ai-regulatory-architecture-eu-ai-act-nist-iso42001.md
• docs/ai-foundations/papers/96-ai-model-risk-validation-independent-challenge.md
• docs/ai-foundations/papers/101-ai-runtime-evidence-observability-architecture.md
• docs/ai-foundations/papers/171-ai-evidence-integrity-tamper-evident-audit-ledger-attestation-architecture.md
• docs/ai-foundations/papers/174-ai-three-lines-governance-decision-rights-assurance-operating-model-architecture.md

学习问题：

• AI governance 如何从 checklist 变成 operating model？
• 什么证据能证明系统上线时可控，运行中仍然可控？
• 三道防线在 AI lifecycle 中分别拥有什么决策权？

输出：

• 一个 control-to-evidence graph。
• 一个 three-lines decision rights matrix。

Week 11：平台化、组织和运营

必读：

• docs/ai-foundations/papers/67-ai-capability-based-planning-business-architecture.md
• docs/ai-foundations/papers/69-conway-team-topologies-ai-platform-operating-model.md
• docs/ai-foundations/papers/74-ai-product-operating-model-empowered-teams.md
• docs/ai-foundations/papers/75-ai-portfolio-management-funding-governance.md
• docs/ai-foundations/papers/86-ai-platform-service-catalog-golden-paths.md
• docs/ai-foundations/papers/156-ai-product-operations-operating-cadence-outcome-review-architecture.md
• docs/AI_PLATFORM_PM_PLAYBOOK.md

学习问题：

• AI 平台到底提供什么能力，避免每个团队重复 POC？
• 产品团队、平台团队、风险合规、审计、业务运营如何协作？
• 如何决定 scale、stop、pivot？

输出：

• AI platform service catalog。
• Quarterly AI portfolio review template。

Week 12：作品集和面试表达

必读：

• docs/AI_INTERVIEW_PORTFOLIO_STORYLINE_PLAYBOOK.md
• docs/AI_CAPABILITY_ASSESSMENT_RUBRIC.md
• docs/AI_ADVANCED_CASE_DRILL_WORKBOOK_60_DAYS.md
• docs/abpa/interview/AI_BA_PM_ARCHITECT_INTERVIEW_BANK.md

学习问题：

• 如何把复杂材料讲成 BA、PM、Architect 三种语言？
• 如何证明你不只是会说概念，而是能做 discovery、architecture、governance 和 delivery？

输出：

• 1 个 flagship portfolio case。
• 6 个 2 分钟面试叙事。
• 1 个 capability evidence map。

---

5. 论文解读笔记的新读法

以前的论文解读笔记每篇都很完整，适合做知识库。现在改成分层阅读：

第一遍只读 A。
第二遍读 A + B，并做一个 case。
第三遍读 C + D，把内容转成自己的作品集和面试表达。

单篇笔记阅读模板

每篇最多用 45-60 分钟：

不要做：

• 不要第一遍就背所有表格。
• 不要第一遍就准备所有面试答案。
• 不要把每篇的 7-day practice 都做完。
• 不要为了“完整”而失去主线。

---

6. 旧内容如何保留和使用

旧内容继续保留，因为它们有三类价值：

后续新增或重写笔记时，优先使用新的学习结构：

1. 学习目标和边界
2. 核心机制
3. 架构模式
4. 金融零售案例
5. 产品/BA/架构判断
6. 指标、控制、证据
7. 附录: ADR / 面试 / 练习 / Source anchors

---

7. 推荐起步顺序

如果现在重新开始，不要从 174 篇列表第一页开始。

按这个顺序：

1. 读本文件，确定 12 周主线。
2. 读 docs/AI_EXPANSION_MASTER_INDEX.md 的前两节，理解资产分层。
3. 读 docs/AI_FOUNDATIONS_CLASSIC_PAPERS_PLAN.md 的“定位”和“学习边界”。
4. 读 docs/ai-foundations/README.md 的“How To Use”和模块地图。
5. 从 Week 1 的 4 篇开始读，严格跳过附录。
6. 每周只做一个输出，不做全部练习。

最小可行学习闭环：

Week 1 Transformer/RLHF/CoT -> Week 2 RAG -> Week 3 Agent -> Week 4 EvalOps

这 4 周学完后，你应该已经能系统回答：

• 一个 AI 产品为什么不是简单接模型 API？
• RAG、Agent、Eval、Governance 如何组成生产系统？
• 金融零售 AI 为什么必须有权限、证据、升级和责任边界？

---

8. 旗舰作品集建议

建议不要同时做多个作品集。选一个主案例贯穿 12 周：

每个案例最终要能讲清：

1. 业务问题和用户。
2. 为什么适合 AI，为什么不能全自动。
3. 目标流程和体验。
4. 架构组件和数据流。
5. Eval、control、evidence、human review。
6. 上线、监控、incident、scale/stop。

---

9. 与现有文件的关系

---

10. 本轮重构原则

• 不删除过去的内容。
• 不把所有笔记一次性改成新模板。
• 先解决阅读主线，再逐步优化单篇结构。
• 论文解读继续保留高阶深度，但要明确第一遍读法。
• 问答、面试、ADR 和练习仍然重要，但不再占据第一学习路径。