这篇适合谁读
如果你想系统学习 AI 和 LLM，但不确定先学机器学习、NLP、系统还是应用开发，可以用这张课程图谱做路线选择。它不是要求把 17 门课全学完，而是根据目标选择路径。
这张图谱把课程分成三层：
- 应用层：快速做出 AI 产品。
- 原理层：理解模型、训练、对齐和生成。
- 系统层：理解模型如何跑得快、跑得稳、跑得便宜。
三条路线的起点
先按目标选路线，不要从 17 门课同时开始。
Path 最快做出产品
LLM 应用开发
CS224V
适合想做对话助手、知识库、RAG 和 AI 产品原型的人。
- LLM 应用
- 对话系统
Path 系统学习
AI / LLM 全栈
CS229 起步
适合从机器学习、深度学习、NLP 一路走到基础模型的人。
- 机器学习
- 深度学习
Path 系统方向
AI 系统与基础设施
CS149
适合理解推理性能、GPU 并行、部署成本和系统权衡。
- 并行计算
- 推理优化
全局关系
flowchart TD
A["CS146S：现代软件开发者"] --> B["CS224V：对话式虚拟助手"]
B --> C["LLM 应用开发"]
D["CS229：机器学习"] --> E["CS230：深度学习"]
E --> F["CS224N：NLP with Deep Learning"]
F --> G["CS324：Foundation Models"]
G --> H["CS336：Language Modeling from Scratch"]
E --> I["CS231n：计算机视觉"]
E --> J["CS236：生成模型"]
D --> K["CS224W：图机器学习"]
D --> L["CS234：强化学习"]
D --> M["CS221M：可解释性"]
N["CS107：计算机系统"] --> O["CS149：并行计算"]
O --> P["CS349d：AI 推理基础设施"]
O --> Q["CS348k：视觉计算系统"]
路径 A：AI / LLM 全栈
适合目标：想完整理解 AI 和 LLM，从理论到训练再到应用。
推荐顺序：
- CS146S：系统化 AI 工具使用。
- CS229：机器学习基础。
- CS230：深度学习实践。
- CS224N：NLP 和 Transformer。
- CS324：基础模型前沿。
- CS336：从零构建语言模型。
预估周期：约 12 个月。
产出目标：能理解 LLM 的训练、推理、对齐和应用开发，不只是调用 API。
路径 B：LLM 应用开发
适合目标：想尽快做出 AI 产品、RAG 系统、对话助手或知识库应用。
推荐顺序：
- CS146S：AI 工具和现代开发工作流。
- CS229：机器学习基础概念。
- CS230：深度学习实践。
- CS224V：LLM 对话助手。
- CS224W：图学习与 RAG 相关基础。
预估周期：约 9 个月。
产出目标：能独立做一个可用的 LLM 应用，并理解检索、上下文和评估问题。
路径 C：AI 系统与基础设施
适合目标：想理解推理性能、GPU 并行、模型部署和 AI 基础设施。
推荐顺序：
- CS107：计算机系统基础。
- CS149：并行计算。
- CS348k：视觉计算系统。
- CS349d：AI 推理基础设施。
- CS336 中的系统相关作业。
预估周期：约 9 个月。
产出目标：能理解模型推理为什么慢、如何优化、成本和延迟如何影响产品。
课程依赖矩阵
| 课程 | 前置 | 后续 | 核心价值 |
|---|---|---|---|
| CS146S | 无 | CS224V | AI 工具和现代开发方法 |
| CS229 | Python、概率、线代 | CS230、CS224N、CS234 | ML 理论地基 |
| CS230 | CS229 可并行 | CS231n、CS236、CS224N | 深度学习实践 |
| CS224N | CS229、CS230 | CS324、CS336 | NLP 和 Transformer |
| CS224W | 概率和 ML 基础 | RAG、知识图谱方向 | 图学习 |
| CS324 | CS224N | CS336 | 基础模型全景 |
| CS336 | NLP 和系统经验 | 独立训练小模型 | 从零构建 LLM |
| CS107 | C 和系统基础 | CS149 | 计算机系统 |
| CS149 | CS107 | CS349d | GPU 和并行计算 |
| CS349d | CS149 | 推理基础设施 | 模型部署与推理 |
推荐优先级
第一梯队：必修基础
| 课程 | 原因 |
|---|---|
| CS146S | 立刻改善 AI 辅助开发方式 |
| CS229 | 所有机器学习课程的地基 |
| CS230 | 把理论接到深度学习实践 |
第二梯队：核心方向
| 课程 | 原因 |
|---|---|
| CS224N | LLM 的直接前置 |
| CS224V | 最贴近 LLM 应用开发 |
| CS336 | 技术壁垒最高 |
| CS224W | 对 RAG 和知识系统有帮助 |
第三梯队：进阶扩展
| 课程 | 适合什么时候学 |
|---|---|
| CS234 | 想理解 RLHF、策略和对齐 |
| CS231n | 做多模态或视觉产品 |
| CS236 | 想理解生成模型数学基础 |
| CS221M | 关注可解释性和 AI 安全 |
个人项目如何配合课程
学习公开课程最怕只看不做。可以把课程和项目绑定：
课程和项目的绑定方式
应用项目 CS224V + CS224W
知识库 / RAG 检索评估
做一个检索评估报告，说明召回、引用、冲突来源和失败样例。
- RAG
- 知识库
产品技术项目 CS349d
Token Counter 模型选型分析
把成本、延迟、上下文长度和模型能力整理成可解释的选型表。
- 模型选型
- 推理成本
多模态项目 CS231n + CS236
AI 视频工具学习笔记
用视觉和生成模型课程解释视频生成中的主体、材质和镜头稳定性。
- 多模态
- 生成模型
| 项目方向 | 对应课程 | 可交付物 |
|---|---|---|
| 知识库 / RAG | CS224V、CS224W | 检索评估报告 |
| Token Counter | CS349d | 成本、延迟、模型选型分析 |
| Loading Mind | CS224V、CS324 | AI 研究流程可视化复盘 |
| AI 视频工具 | CS231n、CS236 | 多模态生成学习笔记 |
最小可执行路线
如果时间有限，不要从 17 门课同时开始。先走这条：
flowchart LR
A["CS146S"] --> B["CS229 入门版"]
B --> C["CS230"]
C --> D["CS224V"]
D --> E["做一个 LLM 应用项目"]
每学完一段，就写一篇公开复盘。课程笔记只有变成项目判断和文章输出，才真正进入自己的知识体系。
COMMUNITY DISCUSSION
评论
使用 GitHub 账号登录后参与讨论，评论会同步到 GitHub Discussions。