AI Systems

这里把 AI 看成一个完整生命周期，而不只是一组模型：数据和目标定义问题，学习算法获得能力，训练与推理系统交付能力，应用把能力连接到用户与环境，评估和安全机制再把真实反馈带回下一轮。

AI Knowledge System

From foundations and models to reliable systems and real products.

内容按六个领域组织：Foundations、Foundation Models、 AI Engineering、Applied AI、 Evaluation 与 Safety。 每个专题都尽量连接原理、实现、失败条件和验证方法。

Deep LearningFoundation ModelsInferenceAgentsRecommendationEvaluationSafety

The Learning–Delivery Loop

01Specify

定义任务、数据、标签、目标、约束和可接受风险。

02Learn

用经典 ML、深度学习、预训练、微调和对齐获得能力。

03Deliver

通过训练平台、推理服务、RAG、Agent 和产品工作流交付能力。

04Evaluate

用离线 case、在线实验、安全控制和生产反馈持续修正系统。

Knowledge Map

Layer 1 · Foundation

Foundations

数学、深度学习、语言模型、强化学习与参数高效适配。

Layer 2 · Model

Generative AI

Text、fine-tuning、alignment、inference、multimodal、RAG 与 agents。

Layer 3 · Implementation

PyTorch

Tensor、autograd、训练循环和实验组织，把概念变成可调试代码。

Cross-layer · Production

AI Engineering

Data、experimentation、pipelines、deployment、monitoring 和 reproducibility。

Layer 4 · Decision system

Recommender Systems

召回、粗排、精排、重排、指标与冷启动组成的工业决策链路。

Layer 4 · Intent system

Search Systems

从显式 query 出发理解检索、相关性排序与搜索推荐的共性。

Cross-layer · Evidence

AI Evaluation

Specification、datasets、scoring、agent trajectories、failure slices 与生产反馈闭环。

Cross-layer · Risk

Safety & Governance

Threat model、privacy、agent authority、security、release gate 和 incident response。

Current focus

Agents & Tool Use

模型如何检索能力、调用工具、管理上下文并完成长程任务。

Choose a Learning Path

Model builder

模型基础路线

1. Math for ML
2. Deep Learning
3. Language Models
4. Transformer
5. Training & Alignment
6. Evaluation

AI systems

LLM 系统路线

1. PyTorch Workflow
2. Inference
3. KV Cache
4. RAG
5. Agents
6. Evaluation
7. Deployment & Monitoring

Applied ML

推荐与搜索路线

1. Retrieval
2. Ranking
3. Re-Ranking
4. Metrics & A/B Testing
5. Search Systems
6. Online Evaluation

Responsible systems

可靠与安全路线

1. Evaluation System
2. Threat Modeling
3. Agent Security
4. Production Monitoring
5. Governance

Coverage Matrix

领域	核心问题	关键证据
Data & Objective	信号是否代表真实需求，数据是否覆盖目标分布？	provenance、coverage、label quality
Learning	模型、loss 和 inductive bias 是否适合任务？	validation、generalization、calibration
Foundation Models	预训练、post-training 和 context 怎样塑造能力？	capability、robustness、contamination
Systems	如何在 latency、cost 和 reliability 约束下执行？	SLO、goodput、recovery、lineage
Applied AI	模型能力能否转化为用户和业务结果？	online lift、acceptance、long-term value
Evaluation & Safety	如何发现回归、风险和不可接受副作用？	slice、red team、incident、audit

How the Sections Connect

Algorithms provide the language for search, optimization, and efficient computation →CS foundations explain memory, networking, concurrency, and distributed serving →AI Engineering connects experiments to production operation →Safety constrains capability with authority, evidence, and recovery →Recommendation shows how models, systems, metrics, and feedback become one loop →

External References

• Papers with Code
• Hugging Face Papers
• Major venues: NeurIPS, ICML, ICLR, ACL, EMNLP, CVPR, ICCV