AI Deep Mastery 360 · Phase 2：AI Systems Engineering 90

状态：未来阶段；S01～S90 预习教材已备，但尚未启动学习 名义周期：2026-11-23 ～ 2027-02-20，共 90 个自然学习日 阶段编号：S01 ～ S90 结构：12 个完整学习周（S01～S84）+ 6 天知识整合与下一阶段准备（S85～S90） 过渡日：2026-11-22 休息，不计入本阶段 启动条件：完成 Phase 1 AI Model Engineering 90 并做一次轻量回顾；AISA 不是前置条件，如实际进度变化，日期整体顺延 课程目标：掌握 AI 系统工程的核心概念，建立跨层联系，能完成基本实现、阅读架构并解释主要取舍 课程定位：学习路线，不是生产认证、上线验收、求职训练或工程能力考试 教材入口：docs/ai-deep-mastery/phase-2-systems/notes/ 与网页 /learn/ai-systems-engineering/notes 专业课程地图：docs/ai-deep-mastery/phase-2-systems/PROFESSIONAL_COURSE_REFERENCE_MAP.md 重点主线（2026-09-12）：系统设计 × AI 开发 × Harness；目录 phase-2-systems/harness/；沿用本阶段 90 天 机制学习配套（2026-09-12）：12 周实验与 6 天整合指南；目录 phase-2-systems/experiments/；12 个离线示例，不增加天数或学习 Gate

本文件描述将来学什么、怎样学。用户已要求提前生成 S01～S90 的详细预习教材，因此教材文件可以存在；它们只提供学习输入，不包含已经发生的阅读、实验结果、项目截图或完成状态。Phase 2 启动前仍不创建新的进度台账，课程执行时也不以测试数量、文档数量或工具数量衡量学习效果。

现有日课负责详细概念；新增的 phase-2-systems/experiments/w01-*.md～w12-*.md 负责机制推导、合成例子、修改观察与延伸阅读。源代码位于 src/learning/ai-systems/，使用 npm run learning:p2 -- w01 等命令逐周选学。讲义中的预期输出是作者教学样例，不冒充个人学习结果；下一阶段实际启动时间仍随 P1 进度调整。

---

1. 为什么学习 AI Systems Engineering

2026-09-12 重心调整：优先学习系统设计、harness 与 AI 开发。S01～21 以任务契约和上下文架构为视角；S22～42 进入运行循环、状态与恢复；S43～63 进入工具、授权与代码变更边界；S64～84 连接完整 AI 开发工作流；S85～90 轻量整合。原有逐日教材和下文十二条主线全部保留为支撑知识，不再要求同等投入每个领域。四篇 H01～H04 讲义与 npm run learning:harness -- workflow 教学实现已落地；默认是脚本模型与虚拟仓库，不调用真实 LLM、不修改工作区。

Phase 1 关注模型本身：数据怎样改变模型、模型如何训练和适配、推理为什么变快或变慢。Phase 2 把视角向外扩展，理解模型怎样进入一个完整系统：

数据来源与数据质量
    ↓
实验、模型、提示词、索引和工具版本
    ↓
训练与推理基础设施
    ↓
Agent runtime、状态和外部系统集成
    ↓
可观测性、成本、安全、隐私与人工协作
    ↓
评测、发布、反馈和持续改进

贯穿 90 天的主问题是：

一个 AI 能力如何从本地实验逐步成为可理解、可维护、可演进的系统？不同层之间怎样互相影响，哪些概念可以在 Apple Silicon 本地亲手体验，哪些只能通过模拟、架构分析或案例学习建立理解？

1.1 十二条知识主线

1. AI 数据工程：数据契约、事件时间、质量、lineage、point-in-time correctness、replay。
2. MLOps / LLMOps：实验追踪、artifact、registry、版本、promotion、rollback。
3. 分布式训练：内存构成、通信、DP/FSDP/ZeRO、TP/PP/EP、checkpoint。
4. 分布式推理：scheduler、queue、batching、admission、cache、capacity。
5. 平台工程：control plane、service catalog、golden path、tenant、platform as product。
6. Agent runtime：状态、持久化、幂等、暂停恢复、补偿与人工审批。
7. 协议与集成：MCP、A2A、OpenAPI、AsyncAPI、event、schema evolution、DLQ。
8. 可观测性与 FinOps：trace、metric、log、SLO、tail latency、unit cost。
9. 安全、隐私与供应链：身份、权限、egress、retention、AI BOM、provenance、PET。
10. EvalOps 与发布：offline、shadow、canary、champion/challenger、release evidence。
11. Human-AI 与工程生产力：review queue、automation bias、override、feedback、DORA/SPACE/DevEx。
12. 系统整合：用一个小案例把若干层连起来，并能说明没有实现的部分。

---

2. 与 AISA、Phase 1 的去重边界

Phase 2 不重复 Transformer、LoRA、DPO/GRPO、RAG 基础或 MCP hello-world。已有代码和笔记是学习起点，不是需要全部重写的作业。

---

3. 已有资产怎样复用

仓库已经有丰富的阅读材料和一批可运行的教学组件。Phase 2 重点是理解它们之间的联系，在有学习价值时做小改动。

3.1 可复用代码

3.2 重点补齐的连接

• 数据契约怎样连接到训练数据、评测集和线上输入。
• 多个 artifact 怎样共同组成一个可解释的 AI 版本。
• 模型的单机性能怎样变成队列、并发、容量和成本问题。
• Agent 的状态、工具调用、业务副作用和人工审批怎样连接。
• trace、eval、业务结果和成本怎样形成同一条观察链。
• 安全、隐私和供应链控制怎样分布在不同系统层，而不是集中在一个“安全模块”。
• 平台和 golden path 怎样帮助第二个用例复用能力。

---

4. Apple Silicon 本地执行与降级

规划时的只读环境审计：

• Apple Silicon arm64，macOS 26.5.1。
• Node.js 24.19.0，pnpm 11.19.0。
• 系统 Python 3.9.6；Phase 2 可复用 Phase 1 的独立 Python 3.11+ 环境。
• 当前没有 Docker、Podman、kubectl、kind、minikube 或 uv。

这些信息到 2027 年可能变化，S01 只需做一次轻量环境确认。

4.1 三档学习方式

本地模拟是正式的学习方式，不是“低配替代品”。课程目标是理解状态、调度、版本、恢复和取舍，不是跑出生产吞吐数字。

4.2 始终保留的安全边界

• 只使用公开、合成或许可明确的数据；不使用真实客户、账户、调查或支付数据。
• 不把 simulator、两进程 CPU 或本地 MCP demo 描述成生产平台。
• 不提交模型权重、缓存、secret、真实身份信息或含敏感正文的 telemetry。
• MPS 只作为本地单设备后端；不假设其支持多机 collective。
• vLLM、NCCL、CUDA、真实多 GPU 和 Kubernetes 集群都不是必修条件。
• 安全、隐私和副作用案例默认只做无真实外部写入的模拟。

---

5. 轻量学习节奏

5.1 每周固定节奏

建议每天 2～3 小时。周二的“实现”可以是几十行代码、一个小模拟、一张可计算表或一次配置练习，不要求每周建立新项目。周五只需要一份简短周小结，可直接追加到当周笔记。

5.2 每四周一次低压力复盘

W4、W8、W12 的周五进行阶段复盘，不打分、不排名，也没有“不过关”。复盘只回答：

1. 我现在能用自己的话解释哪些概念？
2. 哪几层已经形成连接，哪几层仍是孤立术语？
3. 哪个最小实现真正帮助了理解？
4. 哪些内容只需要知道存在，不需要现在深入？
5. 哪些概念要加入下一阶段的复习清单？

未掌握内容只加入当周笔记末尾的复习清单；不新建评分表、补考表或第二份进度台账。

---

6. 90 天总览

---

7. 十二周详细课程

W1 · AI Data Plane（S01～S07）

核心问题

• event time、processing time、late arrival、duplicate 和 schema drift 分别意味着什么？
• feature、label、eval、feedback 和审计 evidence 为什么需要不同边界？
• 如何理解 point-in-time correctness 和 training-serving skew？

建议输入

• docs/AI_DATA_CONTRACTS_LINEAGE_QUALITY_PLAYBOOK.md
• docs/AI_REAL_TIME_FEATURE_STORE_DECISIONING_PLAYBOOK.md
• docs/ai-foundations/papers/45-data-lineage-contracts-openlineage-ai-data-quality.md
• src/aml/generator.ts
• src/aml/types.ts

W2 · Artifact Registry 与 MLOps / LLMOps（S08～S14）

核心问题

• experiment、artifact、registry、release bundle 各自解决什么问题？
• 为什么一个 AI 版本不只是 model version？
• data、prompt、index、tool、policy 和 eval 怎样建立 lineage？

建议输入

• docs/AI_MLOPS_CONTINUOUS_DELIVERY_RELEASE_PLAYBOOK.md
• docs/AI_SUPPLY_CHAIN_AI_BOM_PROVENANCE_PLAYBOOK.md
• src/agent/platform/agentRegistry.ts
• src/aml/auditTrail.ts

W3 · Distributed Training Systems（S15～S21）

核心问题

• 参数、梯度、optimizer state 和 activation 怎样占用内存？
• DP、FSDP/ZeRO、TP、PP、EP、CP 分别切分什么？
• 通信、straggler 和 checkpoint 为什么会影响训练效率？

建议输入

• docs/llm/day31-grad-checkpoint-zero-fsdp.md
• docs/llm/day32-5d-parallelism-megatron.md
• docs/AI_MODEL_ENGINEERING_90_PLAN.md
• src/agent/durable/checkpointMachine.ts

W4 · Distributed Inference & Serving（S22～S28）

核心问题

• queue、scheduler、continuous batching、prefill/decode 和 cache 怎样共同影响延迟？
• TTFT、inter-token latency、throughput、tail latency 分别表示什么？
• admission、backpressure、load shedding 和公平性何时重要？

建议输入

• docs/llm/day83-continuous-batching.md
• docs/llm/day88-prefill-decode-disaggregation.md
• docs/llm/PHASE4_LONGREAD_llm-inference-2026.md
• src/agent/gateway/semanticCache.ts
• src/agent/runtime/resilience.ts
• src/agent/eval/stats.ts

W5 · AI Platform Engineering & Golden Path（S29～S35）

核心问题

• control plane、data plane、runtime plane 和 evidence plane 怎样分工？
• service catalog、tenant、quota、golden path 分别解决什么问题？
• 平台怎样同时服务开发体验与治理？

建议输入

• docs/AI_PLATFORM_SERVICE_CATALOG_GOLDEN_PATHS_PLAYBOOK.md
• docs/AI_DORA_SPACE_ENGINEERING_PRODUCTIVITY_SDLC_PLAYBOOK.md
• docs/AI_ENGINEERING_PRODUCTIVITY_CODE_AGENT_OPERATING_SYSTEM_PLAYBOOK.md
• src/agent/platform/agentRegistry.ts
• src/agent/platform/policyEngine.ts
• src/agent/platform/tco.ts

W6 · Agent Runtime & Durable Workflow（S36～S42）

核心问题

• agent loop、workflow、state machine 和 business transaction 有什么区别？
• checkpoint、idempotency、outbox、saga 和 compensation 怎样连接？
• pause/resume、approval、timeout 和外部未知状态如何处理？

建议输入

• docs/AI_DURABLE_AGENT_WORKFLOW_STATE_MACHINE_PLAYBOOK.md
• src/agent/durable/checkpointMachine.ts
• src/agent/platform/sessionRuntime.ts
• src/agent/runtime/resilience.ts
• src/aml/hitl.ts

W7 · Protocols & Enterprise Integration（S43～S49）

核心问题

• MCP、A2A、OpenAPI、AsyncAPI 和 CloudEvents 分别位于哪一层？
• capability discovery、schema evolution、delegated identity 和 idempotency 怎样配合？
• API、event、workflow engine 和 human queue 如何选择？

建议输入

• docs/AI_AGENT_PROTOCOLS_MCP_A2A_PLAYBOOK.md
• docs/AI_ENTERPRISE_INTEGRATION_EVENT_DRIVEN_AGENT_PLAYBOOK.md
• docs/AI_CONTRACT_FIRST_TOOL_API_DESIGN_OPENAPI_ASYNCAPI_PLAYBOOK.md
• src/agent/mcp/server.ts
• src/agent/mcp/auth.ts
• src/agent/platform/toolGateway.ts

W8 · Observability、Cost、SLO、Capacity（S50～S56）

核心问题

• trace、span、event、metric、log、eval 和 audit 分别回答什么问题？
• uptime、tail latency、quality、cost 和 human workload 如何形成 AI SLO？
• token cost 为什么不等于 cost per successful task？

建议输入

• docs/AI_OBSERVABILITY_COST_SLO_PLAYBOOK.md
• docs/AI_RUNTIME_EVIDENCE_OBSERVABILITY_ARCHITECTURE_PLAYBOOK.md
• docs/AI_INCIDENT_POSTMORTEM_RELIABILITY_PLAYBOOK.md
• src/aml/observability/attributeMap.ts
• src/agent/trace/types.ts
• src/agent/eval/dashboard.ts

W9 · Security、Privacy、AI Supply Chain（S57～S63）

核心问题

• data、model、artifact、tool、agent、human 和 provider 的 trust boundary 在哪里？
• identity、authentication、authorization、delegation、approval 和 purpose 有何不同？
• DP、TEE、FHE、tokenization 和普通访问控制各解决哪类问题？

建议输入

• docs/AI_PLATFORM_SECURITY_GATEWAY_LAB.md
• docs/AI_CONTEXT_SUPPLY_CHAIN_PROVENANCE_POISONING_DEFENSE_PLAYBOOK.md
• docs/AI_PRIVACY_ENHANCING_TECH_CONFIDENTIAL_AI_PLAYBOOK.md
• docs/AI_AGENT_IDENTITY_DELEGATED_AUTHORIZATION_PLAYBOOK.md
• src/agent/mcp/auth.ts
• src/agent/platform/policyEngine.ts
• src/aml/auditTrail.ts

W10 · EvalOps、Release Science、Rollback（S64～S70）

核心问题

• offline eval、shadow、canary、champion/challenger 各能回答什么？
• model、prompt、retrieval、tool 和 policy 改动怎样组合成一次 release？
• data drift、judge drift、业务 outcome lag 怎样影响发布判断？

建议输入

• docs/AI_EVALOPS_PLATFORM_ARCHITECTURE_PLAYBOOK.md
• docs/AI_EXPERIMENTATION_PLATFORM_RELEASE_SCIENCE_PLAYBOOK.md
• docs/AI_SHADOW_MODE_COUNTERFACTUAL_EVALUATION_SILENT_LAUNCH_PLAYBOOK.md
• src/agent/eval/gate.ts
• src/agent/eval/abCompare.ts
• scripts/eval-gate.ts
• scripts/ab-compare.ts

W11 · Human-AI Operations & Engineering Productivity（S71～S77）

核心问题

• HITL 同时包含权限、交互、容量和运营中的哪些问题？
• evidence、confidence 和 recommendation 的呈现怎样影响 automation bias？
• override、appeal、feedback 与 active learning 怎样保持可追溯？
• AI-assisted SDLC 怎样兼顾交付速度、质量、安全和开发者体验？

建议输入

• docs/AI_HUMAN_AI_INTERACTION_PRODUCT_DESIGN_PLAYBOOK.md
• docs/AI_HUMAN_FACTORS_OPERATIONS_COGNITIVE_LOAD_AUTOMATION_BIAS_PLAYBOOK.md
• docs/AI_HUMAN_REVIEW_OPERATIONS_CAPACITY_PLAYBOOK.md
• docs/AI_ACTIVE_LEARNING_HUMAN_FEEDBACK_OPERATIONS_PLAYBOOK.md
• docs/AI_ENGINEERING_PRODUCTIVITY_CODE_AGENT_OPERATING_SYSTEM_PLAYBOOK.md
• src/aml/hitl.ts

W12 · 可选综合学习项目（S78～S84）

W12 用于把知识连接起来，不要求构建完整平台，也不是生产 readiness 项目。可以继续使用 AML Investigation Copilot，也可以选 Payment Dispute、KYC、客服知识助手或 Web3 Wallet 风险案例。

从以下三个范围任选其一：

没有必要同时实现九个 plane。未实现的部分只需在架构图中标出位置、职责和未来问题。

---

8. S85～S90：知识整合、兴趣延伸与 Phase 3 准备

这六天不是考试周，也不要求隔离资料或闭卷作答。可以查阅全部笔记和代码，目标是把 12 周知识整理成长期可复用的理解。

---

9. 学习完成的轻量标准

Phase 2 的完成不代表具备生产认证，也不意味着已经能独立运营大型 AI 平台。达到以下学习结果即可进入下一阶段：

• 能用自己的话解释十二周主要概念，并把它们放进一张全景图。
• 能说明 data、artifact、training、serving、runtime、integration、observability、security、release 和 human 之间的主要依赖。
• 完成若干真正帮助理解的最小实现；数量不作统一要求。
• 能为一个金融或 Web3 案例画出基本架构，并解释两到三个重要取舍。
• 知道 Apple Silicon 本地模拟证明了什么、没有证明什么。
• 能识别真实数据、敏感日志、外部副作用和权限设计中的基本安全边界。
• 保留一份诚实的复习清单和 Phase 3 问题树。

如果某些主题仍然模糊，直接把它们留在复习清单中，不需要延长整个阶段或重复全部课程。

---

10. 目录与记录规则

阶段入口和将来学习材料位置：

docs/ai-deep-mastery/
├── PHASE2_AI_SYSTEMS_ENGINEERING_90.md
└── phase-2-systems/
    ├── PROFESSIONAL_COURSE_REFERENCE_MAP.md
    ├── notes/       # S01～S90 预习教材；不代表学习完成
    ├── experiments/
    ├── reflections/
    ├── capstone/
    └── gates/        # 仅为兼容旧结构

阶段复盘优先放入 reflections/；capstone/ 只在选择综合项目时使用。gates/ 是历史兼容目录，不再承担学习任务。

规则：

1. 本文件定义计划，notes/ 保存预习教材；目录与教材存在都不代表学习开始。
2. Phase 2 启动前不创建 S01～S90 的完成证据、实验结果或第二份进度台账。
3. 启动后仍由项目总入口指定唯一状态来源。
4. 每周建议最多一篇综合笔记；小实现和案例按需要保存，不追求数量。
5. 大权重、缓存、运行环境、secret、真实客户数据和未授权 telemetry 不进入 Git。
6. 时间敏感的协议、工具和平台能力在相关周开始时轻量复核；旧笔记继续作为历史输入。

---

11. SOTA 检查（2026-08-23 更新）

• MLflow 官方文档当前同时覆盖传统 ML 与 LLM/Agent 的 tracking、tracing、evaluation 和 model lifecycle；课程先从本地最小概念和 manifest 学起，再按兴趣体验产品工具。
• PyTorch FSDP、distributed checkpoint、OpenTelemetry semantic conventions、MCP/A2A 和推理 scheduler 都是滚动演进接口；相关周开始时只需复核重要 breaking change、许可与本机支持。
• 本阶段不预设 Kubernetes、vLLM、SGLang、NCCL 或某个托管平台是唯一先进解。理解状态、排队、恢复、版本和证据之间的关系更重要。
• 资料口径来自 2026-08-23 的项目审计；阶段启动时以当时官方文档为准。