生成式AI系统学习路线
将以下提示词粘贴到你的 AI 对话框中:
请根据 https://skillhub.cn/install/skillhub.md,安装 @kunlungrowth/kunlun-generative-ai-study-roadmap。
技能介绍
要解决什么问题
很多团队在推生成式 AI 时,学习路径靠碎片文章和口头传承:新人不知道先学什么、负责人写不出可评审的培养方案,选型时也不知道在 RAG / 微调 / Agent 之间如何写清取舍。本技能把「生成式AI系统学习路线」当作明确主题,用工程化交付物(清单、模板、分级结论)把学习规划从讨论变成可复用的文档。
技能如何工作
听到对应 触发词(如 review、设计、debug、选型、API、规范,或「生成式AI系统学习路线」)后,进入六项能力之一:
- 代码评审:输入 diff/PR,输出检查清单与阻断/建议/可选分级
- 技术方案设计:输入需求与约束,输出含背景、目标、选型、风险的方案骨架
- 调试排错:输入报错与上下文,输出定位树、复现步骤与验证方式
- 架构权衡:输入场景与规模,输出利弊、适用边界与成本对比表
- API 设计:输入资源与操作,输出 REST 契约、字段与错误码约定
- 工程规范:输入语言/框架,输出清单与反模式提示
文档里还给了 代码评审、线上排错 两套固定步骤(先意图/复现、再证据与分级结论),以及意图路由表——例如「这个怎么设计」走方案、「用A还是B」走架构权衡。你补充人群、场景、时间或算力约束后,模板中的通用项会换成与学习路线相关的实际表述。
边界与注意点
技能输出的是方法论与模板,不替代资质判断或最终合并决策;不处理真实密钥,不接付费 API。若结果偏泛,应在输入里写清团队阶段、目标岗位(推理/应用/平台)与已有技术栈,再让对应能力组合使用。
使用场景
- 新同学加入 LLM 项目前,负责人要用需求与算力约束写出可分阶段的学习与实战方案
- 评审学习路线相关文档或示例代码的 PR,需要按阻断/建议/可选给出可追踪的评审清单
- 团队在微调、RAG、提示工程之间选型,要输出带规模与成本说明的对比表
- 为内部 AI 工具链定 REST 接口时,需要资源模型、字段契约与可机器识别的错误码
适合人员
- 带初中级工程师上生成式 AI 项目的技术负责人,要把培养目标写成可评审的方案
- 全栈工程师正在自建学习路径,希望在架构选型表上写清约束而不是堆文章链接
- 负责 AI 平台或推理服务的后端,需要按规范清单核对示例代码与接口契约
- 独立开发者准备系统补全 LLM 栈,遇到报错时要按复现—隔离—证据流程缩小范围