配套 6 · 建立知识网络

知识图谱:把 10 章 + 你的工作,织成一张网

单学一章容易"学完就忘";把它们连成网才能在用时调得出来。这一页把全书5 大模块 → 10 个子分组 → 30 个知识点逐层展开,标出模块之间的依赖关系、与你的具体工作的连接,并专门梳理出六个知识闭环,最后附"概念→章节"速查和三条学习路径。看不清时,对照第 0 章学习导引一起看。

① 全书关联网络图

左边是你的工作——它既是学习的起点(问题从这里来),也是终点(学到的要落回这里)。从它向右逐层展开:5 个知识模块 → 10 个子分组 → 30 个知识点,一层比一层细。灰色箭头表示"先学这个,再学那个"的依赖;蓝色双向箭头表示两者互为因果、构成闭环(六个闭环见下一节)。把鼠标移到模块上可高亮。

落地 ↔ 需求驱动 你的工作 台账·违章·光伏·业财·监控 学习的起点,也是终点 数学根基 线性代数 微积分 · 概率 向量与矩阵 矩阵乘法与形状 张量与维度 导数与梯度 链式法则 概率与 softmax 机器学习基础 学习范式 训练与泛化 监督学习 无监督学习 自监督预训练 损失函数 梯度下降与学习率 过拟合与评估 核心模型 注意力机制 Transformer 与大模型 Q/K/V 三件套 缩放点积注意力 多头注意力 编码器与解码器 残差与层归一化 预训练与 RLHF 应用与工程 选型与 RAG 数据与自动化 模型家族选型 网页版 vs 搭工程 RAG 与向量检索 数据库与 SQL 台账建模与映射表 IPA 流程自动化 前沿视野 AI 来路 去路与边界 三次浪潮 符号主义→连接主义 大模型为何此刻爆发 RSI 递归自我改进 AGI 与 ASI 幻觉与安全边界
灰色箭头 = 先学 → 后学(依赖) 蓝色双向 = 互为因果(闭环) 细线 = 模块 → 子分组 → 知识点
怎么读这张图

最左边深蓝色的是你的真实工作——它是学习的目的地,也是你验证概念最快的"试纸",更是很多问题的源头。往右三层,从粗到细:模块(数学根基 / 机器学习基础 / 核心模型 / 应用与工程 / 前沿视野)→ 子分组(如"线性代数""注意力机制")→ 知识点(如"缩放点积注意力")。顺着灰箭头从上往下读,就是"先学 → 后学"的推荐顺序,别跳着乱学;蓝色双向箭头提醒你"工作 ↔ 应用与工程"是一对因果——你带着问题去学,学完又回到工作里验证。

② 六个知识闭环

很多知识点不是"一条直线走到底",而是首尾相接的环——终点会反过来变成起点。这类环最值得留意:它们往往就是你工作里"越做越顺"或"卡住出不来"的地方。下面六个环,前两个直接落在你的工作上,第三个是大模型自己的"学习方式",最后一个是给你自己的。

1数据飞轮

你的台账数据喂给模型,模型的产出又变成新的台账数据——用得越多,数据越厚、模型越准。这是你最容易亲手转起来的环。

台账数据 建模入库 训练模型 预测产出

2人类反馈(RLHF)

大模型"变乖、听话"靠的就是这个环:人给输出打分 → 训一个"打分模型" → 再拿它去训练大模型。RLHF 就是这条环的名字,教材第 4、5 章讲的就是它。

模型输出 人类评价 奖励模型 再训练

3注意力 ↔ 数学

注意力是数学(向量、点积、softmax)的直接应用;但它算出的"词向量"又回到数学空间被反复使用——所以数学既是起点,也是终点。这也是为什么第 1 章的数学值得回头多看两遍。

数学工具 注意力 Transformer 表示学习

4RAG 知识闭环

知识库被检索、生成答案;新产生的问答与文档又回填进知识库——越用越懂你的业务口径。这是第 8.5 章 RAG 真正"活起来"的样子。

知识库 检索 生成答案 新文档回填

5IPA 流程闭环

自动化不是"上线就完":机器人跑出的异常要靠人复核,复核结果再回头优化流程与规则。第 10 章的 IPA 落地,本质就是转好这个环。

人工流程 找自动化点 机器人执行 人工复核

6学习元闭环

这条环是给你自己的:学完就去用,用出问题再回来补理论——这是最快、也最不容易忘的学习方式。整本教材的"实战章 + 你的工作"就是为了转起这个环。

学概念 用在工作 撞到问题 补理论
为什么会有"环"?

直线思维是"学完 A 学 B";但真实系统里,B 的产出常常就是 A 的输入。一旦你发现自己在某个点上反复来回(数据反复清洗、流程反复调整、概念反复回看),那多半就是踩在一个环上。认出环,比记住知识点更有用——因为环意味着"只要转起来,就会自己变好"。

③ 三条学习路径速览

根据目的选择路径(详细排期见 12 周计划)
路径目标节点顺序
A 理解路线搞懂大模型为何能"会说话"数学+ML → Transformer → LLM → RAG/知识库 → RSI 边界
B 落地路线(推荐给你)把 AI 用到台账/监控/自动化ML入门 → 模型选型 → 数据库台账建模 → IPA 自动化 → 你的工作
C 前沿路线跟上 AI 未来方向、防被营销忽悠LLM → RAG/Agent → IPA → RSI/AGI 边界

④ 概念 → 章节 速查表

想找某个概念/能力?直接跳到对应章节
类别关键概念去读
根基向量、点积、梯度、softmax、矩阵附录 A 数学
机器学习是什么、监督/无监督、训练损失第 1 章
过拟合、误差来源、欠拟合第 2 章
模型注意力、Q/K/V、多头、Transformer 结构第 3 章、第 4 章
大模型原理、训练流程、RLHF、幻觉第 5 章
应用模型家族选型、CNN/RNN/时序、你的选型决策第 6 章、第 7 章
何时用网页版 vs 搭工程、五问框架第 8 章
工程RAG、向量检索、智能体 Agent、知识库构建第 8.5 章
数据库、SQL、台账建模、多源数据映射表第 8.6 章
动手实践、代码示例、项目第 9 章
视野AI 发展史、RSI、AGI/ASI、IPA + 你的落脚第 10 章
术语查词、自测、12 周排期、B 站视频术语表 · 自测题 · 12 周计划