AI 扩展计划 / Playbooks
AI 系统化学习路线图 2026
把现有 AI 论文解读、playbook、case drill 和治理材料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。
663 行AI_SYSTEMATIC_LEARNING_ROADMAP_2026.md
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: supporting reading map 核心导读: 把现有 AI 论文解读、playbook、case drill 和治理材料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。 能力主线: 底层机制 -> 企业知识 -> agentic workflow -> eval/release gate -> 治理证据 -> 金融零售案例。 执行状态（2026-08-23 更新）: 配套阅读地图，不再是当前打卡主线。当前学习主线为docs/AISA_DEEP_LEARNING_8_WEEK_PLAN_2026.md，进度见docs/daily/AISA_LEARNING_PROGRESS.md。 2026-07-01 增补: Day 0 基线评分与跳级判据、每周时间预算与可验证落点、模块↔周对照表、选读池、执行仲裁、文末 SOTA 检查。原文未删改。
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、审查问题和练习。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：
| 用途 | 读法 | 对应材料 |
|---|---|---|
| 系统学习 | 按模块建立概念依赖和能力阶梯 | 本文件、AI_FOUNDATIONS_CLASSIC_PAPERS_PLAN.md、ai-foundations/README.md |
| 深度查询 | 遇到具体主题时回到原笔记查细节 | ai-foundations/papers/*.md 和各类 AI_*_PLAYBOOK.md |
| 系统化产出 | 学完一轮后再整理架构证据、治理证据和案例证据 | case drill、capstone、architecture review materials |
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 ADR、审查问题、评审门禁和运行证据补齐。
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：
- 标题下的定位、边界、核心问题。
- 概念图或核心架构模型。
- 金融零售场景映射。
- 指标、控制、证据或 release gate。
第一遍先跳过：
Design Review Notes/ 审查问题7-Day Practice Plan- 过长 checklist
- 详细 ADR 结构
- 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：形成系统证据
第三遍才集中处理审查和证据内容：
- 把每个模块压成决策摘要、架构说明、deep dive 三层解释。
- 把 ADR 改成自己的真实取舍，不照搬结构。
- 把 checklist 变成评审门禁、运行证据或治理证据。
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。
| 模块 | 核心问题 | 主读材料 | 输出 |
|---|---|---|---|
| 0 | 我到底要训练什么能力 | 本文件、AI_EXPANSION_MASTER_INDEX.md、AI_ROLE_COMPETENCY_MATRIX_2026.md | 个人能力目标和证据地图 |
| 1 | LLM 为什么能工作，又为什么不可靠 | papers 01, 04, 05, 10, 11, 22 | 模型能力边界图 |
| 2 | 企业知识如何进入 AI 系统 | papers 02, 13, 14, 23, 31, 93 | RAG / GraphRAG 架构图 |
| 3 | AI 如何从回答走向行动 | papers 03, 12, 15, 16, 21, 27, 42, 99, 100 | Agent 权限与工作流边界 |
| 4 | AI 系统如何被评测和发布 | papers 08, 17, 18, 24, 26, 44, 60, 63, 88, 90 | Eval contract 和 release gate |
| 5 | 数据、模型和成本如何取舍 | papers 06, 07, 09, 28, 30, 37, 41, 45, 57, 59, 168 | build/buy/model route 决策 |
| 6 | 传统 ML/决策智能如何补齐 LLM | papers 34-36, 47-56（37 为跨模块复用，归属模块 5） | 决策系统组件地图 |
| 7 | 金融零售场景如何落地 | papers 128-147（第一遍必读: 128, 131, 139, 143, 144, 145） | 1 个端到端金融 AI case |
| 8 | 治理、风险和证据如何系统化 | papers 58, 78, 82, 95-126, 170-174（第一遍必读: 58, 82, 95, 96, 101, 171, 174；其余为二三遍深读池） | AI governance operating model |
| 9 | 产品、组织和架构能力如何沉淀 | papers 64, 67-77, 79-81, 83-94, 150-162（第一遍必读分散在 Week 7/8/11 清单） | 系统证据图和架构评审包 |
说明（2026-07-01 增补）：
- 本模块表是全库单一事实源；
docs/ai-foundations/README.md与docs/AI_FOUNDATIONS_CLASSIC_PAPERS_PLAN.md中的模块表为其视图，如有出入以本表为准。- 每模块材料分两档：第一遍必读子集 = 第 4 节对应周的清单；其余为第二、三遍深读池，按需查询，不要求通读。
- 新增 paper 笔记必须同步登记到本模块表或 3.3 选读池，否则视为未完成（规则已写入
AI_CONTENT_QUALITY_REVIEW_AND_REWRITE_STANDARD.md）。
3.1 模块↔周对照表（2026-07-01 增补）
| 周 | 对应模块 | 说明 |
|---|---|---|
| Day 0 | 模块 0 | rubric 14 维基线评分 + 个人能力目标和证据地图 + 跳级判据 |
| Week 1-6 | 模块 1-6（一一对应） | 各周必读 = 该模块的第一遍子集 |
| Week 7 | 模块 9（产品发现线）+ 模块 4 的 63 | AI 产品发现与需求工程 |
| Week 8 | 模块 9（架构表达线，含 64） | 架构视图与评审 |
| Week 9 | 模块 7 | 金融零售场景 |
| Week 10 | 模块 8 | 治理、风险与证据 |
| Week 11 | 模块 9（平台与组织线） | 平台化、组织和运营 |
| Week 12 | 模块 0 复评 + 全模块汇编 | 只做汇编与复评，不新建内容 |
3.2 每模块配套 playbook（第二遍案例阶段查表用，非第一遍必读）
| 模块 | 配套 playbook |
|---|---|
| 1 | AI_FRONTIER_MODEL_STRATEGY_DISTILLATION_SMALL_MODELS_PLAYBOOK / AI_REASONING_BUDGET_TEST_TIME_COMPUTE_VERIFIER_CASCADE_PLAYBOOK |
| 2 | AI_CONTEXT_ENGINEERING_PLAYBOOK / AI_RETRIEVAL_EVAL_GRAPH_RAG_PLAYBOOK / AI_KNOWLEDGE_GOVERNANCE_ONTOLOGY_PLAYBOOK |
| 3 | AI_MULTI_AGENT_ORCHESTRATION_PLAYBOOK / AI_AGENT_PROTOCOLS_MCP_A2A_PLAYBOOK / AI_DURABLE_AGENT_WORKFLOW_STATE_MACHINE_PLAYBOOK / AI_AGENT_IDENTITY_DELEGATED_AUTHORIZATION_PLAYBOOK |
| 4 | AI_REQUIREMENTS_TO_EVAL_COOKBOOK / AI_EVAL_DATASET_LIFECYCLE_GOLDEN_SET_TEST_DATA_FACTORY_PLAYBOOK / AI_SHADOW_MODE_COUNTERFACTUAL_EVALUATION_SILENT_LAUNCH_PLAYBOOK / AI_OBSERVABILITY_COST_SLO_PLAYBOOK |
| 5 | AI_FINOPS_UNIT_ECONOMICS_CAPACITY_PLAYBOOK / AI_MODEL_PORTFOLIO_BENCHMARKING_CAPABILITY_SCORECARD_SELECTION_GOVERNANCE_PLAYBOOK / AI_VENDOR_BUILD_BUY_ADOPTION_PLAYBOOK |
| 6 | AI_REAL_TIME_FEATURE_STORE_DECISIONING_PLAYBOOK / AI_ANOMALY_DETECTION_RISK_MONITORING_PLAYBOOK / AI_OPTIMIZATION_OPERATIONS_RESEARCH_DECISION_PLAYBOOK |
| 7 | AI_AML_ALERT_TRIAGE_INVESTIGATION_WORKBENCH_PLAYBOOK / AI_ACCOUNT_OPENING_KYC_ONBOARDING_DECISION_PLAYBOOK / AI_PAYMENT_DISPUTE_CHARGEBACK_CLAIMS_EVIDENCE_PLAYBOOK / AI_CREDIT_LIFECYCLE_UNDERWRITING_LINE_MANAGEMENT_GOVERNANCE_PLAYBOOK |
| 8 | AI_MODEL_RISK_MANAGEMENT_PLAYBOOK / AI_REGULATORY_ARCHITECTURE_EU_AI_ACT_NIST_ISO42001_PLAYBOOK / AI_CONTROL_LIBRARY_ASSURANCE_EVIDENCE_GRAPH_PLAYBOOK / AI_THREE_LINES_GOVERNANCE_DECISION_RIGHTS_ASSURANCE_PLAYBOOK |
| 9 | AI_PLATFORM_PM_PLAYBOOK / AI_OPERATING_MODEL_RACI_RUNBOOK / AI_PORTFOLIO_MANAGEMENT_FUNDING_GOVERNANCE_PLAYBOOK / AI_ARCHITECTURE_REVIEW_GATE_CHECKLISTS |
3.3 模块外选读池（electives，2026-07-01 增补）
以下 24 篇未进入模块表和 12 周必读，按最近模块归位，第二、三遍按需选读：
| 就近模块 | 论文 |
|---|---|
| 模块 1（推理与模型边界） | 19（Tree of Thoughts）、25（Reflexion/Self-Refine）、167（Reasoning Budget / Test-Time Compute） |
| 模块 2（检索与知识） | 20（Self-RAG/CRAG）、32（CLIP 多模态）、33（Diffusion） |
| 模块 3（Agent 与权限） | 29（SWE-bench/WebArena）、38（Zanzibar/Cedar/OPA）、43（Digital Twin/仿真）、164（Synthetic User Simulation） |
| 模块 4（Eval 与发布） | 61（Human-AI Interaction）、62（AI ADR）、149（UAT/回归认证）、163（Eval Dataset Lifecycle）、169（Uncertainty UX） |
| 模块 5（数据与成本） | 39（Federated Learning）、40（Differential Privacy） |
| 模块 8（治理与风险） | 46（AI SecOps）、65（STPA）、66（Sociotechnical Resilience）、127（Post-Quantum）、165（Human Factors Operations） |
| 模块 9（组织与平台） | 148（Requirements Mining）、166（Procurement Intake） |
4. 12 周系统学习路径
每周结构（2026-07-01 增补）：每周在原有 必读/学习问题/输出 之外补三行——预计时长（含 5h 降级版）、可验证落点（deployed/merged/measured，每周仅 1 个，计入时长）、2026 SOTA 对照（引用库内已有带日期笔记）。周记与落点证据统一记录到
docs/daily/AIROAD_PROGRESS.md。 每模块结束追加一次 15-30 分钟对抗审查：让 AI 扮演 CTO/CRO/CFO，按AI_CAPABILITY_ASSESSMENT_RUBRIC.md的 C13 追问表对本模块输出连续追问，问答记录存档为 defend 证据。 每周做一次闭卷自测：用 rubric C1 概念表自测本周概念，答不出的进入下周复习队列（间隔复习机制接AI_LONG_TERM_KNOWLEDGE_GRAPH_AND_REVIEW_SYSTEM.md的 Review Trigger）。
Day 0（Week 1 之前，约 2-3h）：基线评分与跳级判据
- 用
docs/AI_CAPABILITY_ASSESSMENT_RUBRIC.md做 C1-C14 十四维基线自评（0-4 分），评分表存档到docs/daily/AIROAD_PROGRESS.md。 - 产出模块 0 的「个人能力目标和证据地图」：目标主线维度 + 12 周后期望的分数增量 + 每个维度挂什么证据。
- 跳级判据：能闭卷回答某周全部「学习问题」→ 跳过该周必读，直接做该周输出与可验证落点。已完成 LLM-150（
docs/llm/，300 篇精读）与 AIPA-120（docs/aipa/）的读者，Week 1-3 的大部分阅读预计可跳级——对照各周「2026 SOTA 对照」行确认后直接进入输出。
Week 1：模型底座和边界
必读：
docs/ai-foundations/papers/01-attention-is-all-you-need.mddocs/ai-foundations/papers/10-scaling-laws-pretraining-bert-gpt-t5.mddocs/ai-foundations/papers/04-instructgpt-rlhf-alignment.mddocs/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”。
- 一段架构说明：为什么 LLM 不是数据库、规则引擎或最终决策人。
2026-07-01 增补：
- 预计时长: 8-11h。5h 降级版: 只读 papers 01 + 04，输出改为半页能力边界速写 + 闭卷自测。
- 可验证落点: Day 0 基线评分 + 本周 rubric C1 闭卷自测得分记入
docs/daily/AIROAD_PROGRESS.md（measured）；能力边界图随周记 commit 入库（merged）。 - 2026 SOTA 对照: 本周必读为 2017-2022 经典（历史打底定位）。现状对照：MLA 见
docs/llm/day7-mla-deepseek-v3.md，FlashAttention-3 见docs/llm/day17-flash-attention-v3-hopper-fp8.md，Mamba-2/3 见docs/llm/day20-mamba-mamba2-ssm.md与docs/llm/day23-rwkv-7-mamba-3-latest.md，GRPO/R1 后训练见docs/llm/day48-deepseek-r1-grpo.md。
Week 2：RAG、上下文和知识治理
必读：
docs/ai-foundations/papers/02-retrieval-augmented-generation.mddocs/ai-foundations/papers/13-rag-evaluation-ragas-retrieval-metrics.mddocs/ai-foundations/papers/14-graphrag-knowledge-graph-rag.mddocs/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。
2026-07-01 增补：
- 预计时长: 8-12h。5h 降级版: 只读 papers 02 + 13，输出改为 5 行最小 eval matrix。
- 可验证落点: 在已部署的
/aml-copilot（教学模拟）检索/引用链路上按本周 eval matrix 跑一遍并记录数字——教学模拟数据也要出数字（measured）。 - 2026 SOTA 对照: RAG-centric 叙事已被 context engineering 取代（AIPA 黑名单口径）：现状框架见
docs/AI_CONTEXT_ENGINEERING_PLAYBOOK.md，GraphRAG/检索评测现状见docs/AI_RETRIEVAL_EVAL_GRAPH_RAG_PLAYBOOK.md。
Week 3：Agent、工具和权限边界
必读：
docs/ai-foundations/papers/03-react-toolformer-agent-foundations.mddocs/ai-foundations/papers/12-tool-use-security-prompt-injection.mddocs/ai-foundations/papers/16-autogen-multi-agent-orchestration.mddocs/ai-foundations/papers/27-structured-output-constrained-decoding-lmql-guidance.mddocs/ai-foundations/papers/99-ai-agent-autonomy-delegation-architecture.mddocs/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。
2026-07-01 增补：
- 预计时长: 9-12h。5h 降级版: 只读 papers 03 + 12，输出改为 6 行最小 authority matrix。
- 可验证落点: 把 action authority matrix 中至少 1 条规则实装为
/agent-platform策略引擎的可测拦截规则 + 单元测试（merged + tested）。 - 2026 SOTA 对照: papers/16 的 AutoGen 为历史锚点（维护模式，继任 Microsoft Agent Framework 1.0，2026-04 GA，见该篇顶部状态标注）。现役编排对照
docs/llm/day131-claude-47-agent-sdk.md、docs/llm/day134-langgraph-autogen.md、docs/llm/day139-multi-agent-orchestration-patterns.md；协议现状与复查点见docs/AI_AGENT_PROTOCOLS_MCP_A2A_PLAYBOOK.md顶部版本状态框（MCP 稳定版 2025-11-25；2026-07-28 最终规范复查点）。
Week 4：EvalOps 和发布门禁
必读：
docs/ai-foundations/papers/08-llm-as-judge-evaluation.mddocs/ai-foundations/papers/17-helm-holistic-evaluation-models.mddocs/ai-foundations/papers/18-model-cards-datasheets-ai-documentation.mddocs/ai-foundations/papers/26-process-supervision-step-by-step-verification.mddocs/ai-foundations/papers/60-cd4ml-mlops-continuous-delivery-ai-release.mddocs/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。
2026-07-01 增补：
- 预计时长: 9-13h（含真实 eval 复跑）。5h 降级版: 只读 papers 08 + 26，输出改为单场景 eval contract，eval 复跑顺延一周。
- 可验证落点: eval contract 落到库内已有真实 eval 管线（
scripts/run-agent-eval.ts、eval:gate、eval:ab，judge-κ 用已有cohensKappa模块）复跑一轮：任务集扩到 N≥100 并补 judge-κ 标注——显式承接 AICAP-180 的 gated 实测项，数字记入进度文件（measured）。 - 2026 SOTA 对照: 库内已有一次真实 DeepSeek-V4 eval（Flash 79.3% / Pro 89.7%，N=29，2026-06）作为基线；本周目标是扩 N 和补 κ，不是从零新建。
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.mddocs/ai-foundations/papers/07-inference-optimization-kv-cache-flashattention-speculative.mddocs/ai-foundations/papers/09-mixture-of-experts-sparse-scaling.mddocs/ai-foundations/papers/28-model-routing-semantic-cache-frugal-ai.mddocs/ai-foundations/papers/41-knowledge-distillation-small-models-quantization.mddocs/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。
2026-07-01 增补：
- 预计时长: 8-11h。5h 降级版: 只读 papers 07 + 28。
- 可验证落点: 用 Week 4 真实 eval 运行日志计算实测 token 单位成本，填入 cost/SLO routing policy（measured，不允许拍脑袋数字）。
- 2026 SOTA 对照: 推理优化现状见
docs/llm/day17-flash-attention-v3-hopper-fp8.md、docs/llm/day18-flashinfer-flashdecoding-plus-plus.md、docs/llm/day78-vllm-architecture.md、docs/llm/day79-sglang-radixattention.md、docs/llm/day82-mla-inference.md。
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.mddocs/ai-foundations/papers/35-recommender-systems-youtube-wide-deep-two-tower.mddocs/ai-foundations/papers/37-feature-stores-real-time-ml-feast-michelangelo.mddocs/ai-foundations/papers/47-time-series-forecasting-tft-deepar-foundation-models.mddocs/ai-foundations/papers/48-anomaly-detection-isolation-forest-autoencoder-risk-monitoring.mddocs/ai-foundations/papers/49-causal-discovery-dowhy-econml-structural-causal-models.mddocs/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。
2026-07-01 增补：
- 预计时长: 8-11h。5h 降级版: 只读 papers 34 + 48，component map 只画 LLM/规则/人工三列。
- 可验证落点: component map 一页图 commit 入库，并在图中标注
/aml-copilot与/agent-platform现有组件的对应位置（merged）。
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.mddocs/ai-foundations/papers/71-continuous-discovery-opportunity-solution-tree-ai-products.mddocs/ai-foundations/papers/72-jtbd-outcome-driven-innovation-ai-use-case-selection.mddocs/ai-foundations/papers/73-north-star-ai-product-metrics-value-measurement.mddocs/ai-foundations/papers/76-service-blueprint-ai-customer-journey-trust.mddocs/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。
2026-07-01 增补：
- 预计时长: 8-11h。5h 降级版: 只读 papers 63 + 72。
- 可验证落点: opportunity brief + trace table 提交到
docs/abpa/，同时计为 ABPA-180 B6 的第一遍草稿（一份产出双记，见 9.1 执行仲裁）（merged）。
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.mddocs/ai-foundations/papers/79-enterprise-ai-reference-architecture-control-plane.mddocs/ai-foundations/papers/87-ai-architecture-views-c4-arc42-42010.mddocs/ai-foundations/papers/89-contract-first-ai-tool-api-design-openapi-asyncapi.mddocs/ai-foundations/papers/90-ai-traceability-requirements-eval-control-graph.mddocs/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。
2026-07-01 增补：
- 预计时长: 12-16h（工作量峰值，可拆两周执行）。5h 降级版: 只读 papers 64 + 87，只写 1 个 ADR。
- 可验证落点: review pack 完成后跑一轮 AI 对抗审查（CTO/CRO 视角，rubric C13 追问表），问答记录入库作为 defend 证据（measured/defended）。
- 说明:
AI_ARCHITECTURE_DIAGRAM_PLAYBOOK.md按查询式使用，不整本通读（§1 材料分层原则）；ADR 主题与 ABPA B9（自动化层级）互引，不重做。
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.mddocs/ai-foundations/papers/131-ai-payment-dispute-chargeback-claims-evidence-architecture.mddocs/ai-foundations/papers/139-ai-credit-lifecycle-underwriting-line-management-governance-architecture.mddocs/ai-foundations/papers/143-ai-account-opening-kyc-onboarding-decision-architecture.mddocs/ai-foundations/papers/144-ai-aml-alert-triage-investigation-workbench-architecture.mddocs/ai-foundations/papers/145-ai-payment-operations-reconciliation-settlement-exception-architecture.mddocs/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。
2026-07-01 增补：
- 预计时长: 12-16h（工作量峰值，可拆两周执行）。5h 降级版: 只读 papers 144 + 139。
- 可验证落点: flagship 直接挂接已部署的
/aml-copilot：新增 1 个 typology 场景或 HITL 增强面板（增量代码 + 测试；commit 后 pages.dev 自动部署即外部可验证）（deployed）。 - 说明:
FINANCIAL_RETAIL_AI_CASE_PORTFOLIO.md查询式使用；flagship 全库唯一，规则见第 8 节与 9.1。
Week 10：治理、风险、审计和证据
必读：
docs/ai-foundations/papers/58-ai-management-system-iso42001-operating-model.mddocs/ai-foundations/papers/82-ai-control-library-assurance-evidence-graph.mddocs/ai-foundations/papers/95-ai-regulatory-architecture-eu-ai-act-nist-iso42001.mddocs/ai-foundations/papers/96-ai-model-risk-validation-independent-challenge.mddocs/ai-foundations/papers/101-ai-runtime-evidence-observability-architecture.mddocs/ai-foundations/papers/171-ai-evidence-integrity-tamper-evident-audit-ledger-attestation-architecture.mddocs/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。
2026-07-01 增补：
- 预计时长: 9-12h。5h 降级版: 只读 papers 95 + 96。
- 可验证落点: control-to-evidence graph 与
/aml-copilot现有审计轨迹字段对齐落图，并作为 ABPA-180 B10 Control Pack 的输入（一份产出双记）（merged）。 - 2026 SOTA 对照: EU AI Act 适用时间线以 papers/95 的「适用时间线」小节（Omnibus 2026-05-07 口径，Annex III 高风险推迟至 2027-12-02）为准。
Week 11：平台化、组织和运营
必读：
docs/ai-foundations/papers/67-ai-capability-based-planning-business-architecture.mddocs/ai-foundations/papers/69-conway-team-topologies-ai-platform-operating-model.mddocs/ai-foundations/papers/74-ai-product-operating-model-empowered-teams.mddocs/ai-foundations/papers/75-ai-portfolio-management-funding-governance.mddocs/ai-foundations/papers/86-ai-platform-service-catalog-golden-paths.mddocs/ai-foundations/papers/156-ai-product-operations-operating-cadence-outcome-review-architecture.mddocs/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。
2026-07-01 增补：
- 预计时长: 8-11h。5h 降级版: 只读 papers 69 + 86。
- 可验证落点: service catalog 对照
/agent-platform现有面板做 gap 标注，选 1 项 gap 以最小增量落地（代码或页面 + 测试）（merged）。
Week 12：系统证据与架构审查
必读：
docs/AI_CAPABILITY_ASSESSMENT_RUBRIC.mddocs/AI_ADVANCED_CASE_DRILL_WORKBOOK_60_DAYS.mddocs/AI_ARCHITECTURE_REVIEW_GATE_CHECKLISTS.md
学习问题：
- 如何把复杂材料拆成业务问题、架构取舍、治理门禁和运行证据四个审查面？
- 如何证明一个方案不是概念堆叠，而是能完成 discovery、architecture、governance 和 delivery 的闭环？
输出：
- 1 个 flagship evidence case。
- 6 个架构说明型设计审查叙事。
- 1 个 capability evidence map。
2026-07-01 增补：
- 预计时长: 10-14h（可拆两周）。本周只做汇编与复评，不新建内容：flagship evidence case 与审查叙事以 Week 5-11 滚动产物汇编为主（与第 7 节「每周只做一个输出」对齐）。5h 降级版: 只做 rubric 复评 + 1 页 evidence map。
- 可验证落点（复评闭环）: 用 rubric 做 C1-C14 复评并对照 Day 0 基线（measured）——完成标准 = 目标主线维度有分数增量，且每个 ≥3 分维度至少挂 1 个 artifact 链接，其中至少 1 个满足 rubric 反模式条款要求的「可运行 demo / eval / dashboard」；flagship evidence case 发布为站点
/papers长文（deployed）。
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：
| 层级 | 要读什么 | 目的 |
|---|---|---|
| A. 主线阅读 | 核心问题、概念图、架构模型、金融案例 | 建立理解 |
| B. 取舍阅读 | ADR、alternatives、failure modes、metrics | 建立判断 |
| C. 输出阅读 | practice、checklist、templates | 形成系统证据 |
| D. 审查阅读 | 决策摘要、架构说明、CTO 版本 | 准备设计审查 |
第一遍只读 A。
第二遍读 A + B，并做一个 case。
第三遍读 C + D，把内容转成自己的系统证据、审查问题和架构取舍。
单篇笔记阅读结构
每篇最多用 45-60 分钟：
| 时间 | 动作 | 产出 |
|---|---|---|
| 5 min | 看标题、定位、边界 | 这篇解决什么问题 |
| 15 min | 读核心机制和图 | 用自己的话讲清楚 |
| 15 min | 读架构/金融场景 | 映射到一个业务 case |
| 10 min | 读指标/控制/证据 | 形成上线判断 |
| 10 min | 只记录 3 个洞察 | 不整理百科式笔记 |
不要做：
- 不要第一遍就背所有表格。
- 不要第一遍就准备所有设计审查问题。
- 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：
| 旧内容类型 | 保留理由 | 新用法 |
|---|---|---|
| 论文解读正文 | 概念和架构细节完整 | 做深度查询 |
| ADR / checklist / practice | 可转成评审门禁和系统证据 | 第二遍或 case 阶段使用 |
| 设计审查问题 | 可训练架构解释和治理判断 | 第三遍集中整理 |
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/业务分析/架构判断
6. 指标、控制、证据
7. 附录: ADR / 审查问题 / 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：
- 读本文件，确定 12 周主线。
- 读
docs/AI_EXPANSION_MASTER_INDEX.md的前两节，理解资产分层。 - 读
docs/AI_FOUNDATIONS_CLASSIC_PAPERS_PLAN.md的“定位”和“学习边界”。 - 读
docs/ai-foundations/README.md的“How To Use”和模块地图。 - 从 Week 1 的 4 篇开始读，严格跳过附录。
- 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. 旗舰系统案例建议
建议不要同时做多个主案例。选一个主案例贯穿 12 周：
| 方向 | 推荐案例 | 为什么适合你 |
|---|---|---|
| AML / 金融犯罪 | AML investigation copilot | 结合金融经验、AI agent、证据、监管、工作流 |
| 支付运营 | payment dispute evidence workbench | 结合支付、客户权益、SLA、证据、自动化 |
| 信贷治理 | credit lifecycle AI governance | 结合 fair lending、adverse action、模型风险 |
| 客服/知识 | customer-facing regulated RAG | 结合产品体验、RAG、引用、投诉和合规 |
| AI 平台 | enterprise AI gateway + EvalOps | 结合架构、平台治理和成本 |
已有底座（2026-07-01 增补）——「第二遍做案例」默认 = 在已有代码资产上做可度量增量，不另起炉灶：
| 方向 | 已有底座 | 12 周产出定义 |
|---|---|---|
| AML / 金融犯罪 | 已部署 /aml-copilot（SAR 草稿流程 + HITL + 测试；真实 DeepSeek-V4 eval 基线 N=29, 2026-06） | 对它的可度量增量：新 typology 场景 / 新 eval 数字 / 新控制 |
| 支付运营 | /aml-copilot 证据工作台模式 + AI_PAYMENT_DISPUTE_CHARGEBACK_CLAIMS_EVIDENCE_PLAYBOOK.md | 新页面或复用证据面板做 dispute 变体 |
| 信贷治理 | AI_CREDIT_LIFECYCLE_UNDERWRITING_LINE_MANAGEMENT_GOVERNANCE_PLAYBOOK.md、AI_FAIRNESS_FAIR_LENDING_BIAS_CONTROL_PLAYBOOK.md + /agent-platform 决策面板 | 文档为主 + 决策面板小增量 |
| 客服/知识 | /aml-copilot 的引用/检索教学模拟 | policy RAG 变体 + retrieval eval 数字 |
| AI 平台 | 已部署 /agent-platform（策略引擎/计量/面板）+ /agent-arch-lab | 策略引擎新增可测规则 / EvalOps 面板增量 |
AML flagship 全库唯一：30/60 天 workbook、AGENTIC_90 capstone、ABPA-180 capstone 中出现的 AML drill，一律解释为对同一 flagship（基线 = /aml-copilot）的第 N 次增量迭代，禁止另起炉灶。
每个案例最终要能讲清：
- 业务问题和用户。
- 为什么适合 AI，为什么不能全自动。
- 目标流程和体验。
- 架构组件和数据流。
- Eval、control、evidence、human review。
- 上线、监控、incident、scale/stop。
9. 与现有文件的关系
| 文件 | 新定位 |
|---|---|
docs/AI_2026_EXPANSION_START_HERE.md | 保留为资产入口和历史扩展清单，顶部转向本路线图 |
docs/AI_EXPANSION_MASTER_INDEX.md | 资产地图，不再承担课程主线职责 |
docs/AI_FOUNDATIONS_CLASSIC_PAPERS_PLAN.md | 论文与底层机制的详细计划 |
docs/ai-foundations/README.md | 论文笔记索引和模块入口 |
docs/ai-foundations/papers/*.md | 深度知识库和 case/审查问题素材库 |
docs/AI_BA_PRODUCT_ARCHITECT_180_PLAN.md | 长周期能力建设计划 |
docs/AI_CASE_DRILL_WORKBOOK_30_DAYS.md / AI_ADVANCED_CASE_DRILL_WORKBOOK_60_DAYS.md | 第二遍输出和系统案例训练 |
docs/AGENTIC_ENTERPRISE_ARCHITECTURE_90_PLAN.md | 素材库：被模块 3/9 吸收，需要企业集成/EA 深度时按模块选读；不作为并行计划执行（2026-07-01 增补） |
docs/AI_GOVERNANCE_EVALOPS_RISK_90_PLAN.md | 素材库：被模块 4/8 吸收；不作为并行计划执行（2026-07-01 增补） |
docs/AI_LONG_TERM_KNOWLEDGE_GRAPH_AND_REVIEW_SYSTEM.md | 复习系统：每模块第三遍结束触发其 Review Trigger；每周闭卷自测用 rubric C1 概念表（2026-07-01 增补） |
docs/AI_CAPABILITY_ASSESSMENT_RUBRIC.md | 能力验收：Day 0 基线评分 + Week 12 复评 + C13 对抗追问表（2026-07-01 增补） |
docs/daily/AIROAD_PROGRESS.md | 12 周历史进度与可选自测记录；当前打卡改用 AISA_LEARNING_PROGRESS.md |
9.1 当前执行仲裁（2026-08-23 更新）
同一时间只执行一条主线，避免计划堆叠：
- 当前唯一学习主线 =
docs/AISA_DEEP_LEARNING_8_WEEK_PLAN_2026.md，进度只记docs/daily/AISA_LEARNING_PROGRESS.md。 - 本文件保留为 12 周模块阅读地图；模块依赖、必读子集和 SOTA 对照继续有效，但周次、产出和打卡不构成执行义务。
- ABPA-180 作为领域、流程、Requirements-to-Eval、RACI 和治理模板库；只在当前学习实验需要时取用，不恢复并行 180 天打卡。
- AIPROD-90 停在既有进度，作为 Data/RAG/Eval/Reliability 素材库；不再以每日内容生产为当前主线。
- AGENTIC_90 / GOV_90 / 30-60 天 workbook 均为选读和练习题库，不并行执行。
- 旧产出不删除；同一实验若命中多个旧计划，只互相链接，不重复制作。
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结构。
- 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、审查问题、ADR 和练习仍然重要，但不再占据第一学习路径。
SOTA 检查 (2026-07-01)
- 经典打底定位：Week 1-4 主读为 2017-2023 经典论文精读（符合 CLAUDE.md 时效例外条款）；各周「2026 SOTA 对照」行链接库内带日期的近期笔记，保证第一遍不被旧主线误导。
- 快变主题复查点：agent 编排/协议半衰期约 6 个月。papers/16（AutoGen）已按维护模式标注（继任 Microsoft Agent Framework 1.0，2026-04 GA）；MCP 以 2025-11-25 稳定版为基线，2026-07-28 最终规范发布后触发 Week 3 材料复查（对齐 AIPA 硬日期复查点）。
- EU AI Act：以 Omnibus 2026-05-07 临时协议口径为准（Art.50(1)/(4) 2026-08-02、Art.50(2) 2026-12-02、Annex III 高风险 2027-12-02、Annex I 2028-08-02），papers/95 已补适用时间线小节。
- 复查节奏：每模块结束时按 CLAUDE.md「操作清单」复查该模块主读材料是否仍是主流；本文件每季度整体复查一次（下次 2026-10-01）。