最终目标是掌握端到端的 LLM 应用构建，
使用 OpenAI/Anthropic/开源 API，
设计和优化提示，调用工具，以及部署实际项目。
让我们按月讨论学习路线图。
第一月：巩固编程基础
学习内容：精通 Python，Git/GitHub，
终端命令，JSON/API/HTTP/异步基础知识，
SQL，pandas 数据处理，虚拟环境，
包管理，错误处理，FastAPI 或 Flask。
第二月：精通 LLM 应用开发
学习内容：提示工程基础，系统和用户指令，
结构化输出/JSON 模式，函数调用，
流式响应，对话状态，成本/延迟/令牌，
故障处理，提示注入保护。
第三个月：深入学习 RAG
学习内容：词嵌入、分块、向量数据库、
元数据过滤、重排序、检索质量问题、
减少幻觉、引文标注。
第四个月：代理、工具、工作流、评估
学习内容：代理循环、工具选择、状态管理、
重试机制、何时不应使用代理、多步骤工作流、
评估框架、任务成功指标。
第五个月：部署、产品思维、可靠性
学习内容：FastAPI 生产模式、Docker、
后台任务、队列、身份验证/API 密钥安全、
日志记录、可观测性、快速版本管理、
评估仪表盘、成本监控、速率限制、缓存。
第六个月：专精并提升竞争力
选择以下三个方向之一进行深入学习：
产品工程师：LLM 应用、RAG、代理、部署、产品体验。
应用机器学习工程师：微调、评估、推理优化、开源模型、训练流程。
自动化工程师：工作流编排、业务流程自动化、多工具系统。
关键在于实践学习；到第 6 个月结束时，你将完成多个项目，
这将使你更容易找到人工智能工程师的职位。