AI 应用开发
查阅 Python 工程、调用与评测模型、检索与 RAG 相关教材。这是岗位阅读分组，不是当前主线作业。
岗位：大模型应用开发 / AI 应用研发 / 大模型评测 / AI 平台
查阅范围：读完应用向章节：工程分层、评测纪律、检索与服务化要点
第 24 章 · 第七部分 · 工程查阅
岗位查阅：能力矩阵与四级标准
三条岗位查阅分组（应用/算法/Infra）、能力矩阵、四级标准与历史实验记录。不是旧作业清单。
对应课件：工程查阅（原 Job-Ready）
第 24 章 · 岗位查阅：从「会解释」到「能做」仍然要分级
💡 这一章是给谁写的
如果你已经能用中文讲清楚 Attention、LoRA、KV Cache，但还分不清「读过 / 自己写过 / 跑过 / 能讲清」，这一章给一个查阅用的能力地图。它不是当前主线的作业清单。
📘 本章在当前主线中的位置
当前主线是「小模型学习实验室 → 技术声明核验助手 / 单 Agent → 算法或 Infra 专项」，入口在「我的学习」。本章以及下面的三条岗位路线只是查阅分组：帮你按应用 / 算法 / Infra 去翻教材。不要从这里走进六个旧项目目录，也不要把旧 Capstone 当必修。
前 23 章解决「懂」：Understand → Build → Scale → Serve → Train & Align → Evaluate。第 25–31 章继续讲工程、HuggingFace、评测、检索、SFT 和推理原理，并保留当时的真实运行记录。那些记录不是现在要交的作业。
24.1 三条查阅路线
不同岗位要的能力不同。路线顺序、章节标题和岗位描述来自 content/tracks.json。卡片上的章节是推荐阅读顺序，不是「做完六个旧项目」。
本章的三条路线是 Track A · AI 应用、Track B · 模型训练与算法、Track C · AI Infra。
路线配置 · content/tracks.json
岗位查阅分组，不是当前主线。先看目标，再按顺序打开章节。
模型训练与算法
查阅 Transformer、小模型训练、数据、微调与评测相关教材。这是岗位阅读分组，不是当前主线作业。
岗位：大模型算法 / 机器学习算法 / 模型训练与后训练
查阅范围：读完算法向章节：小模型、SFT/LoRA 纪律与评测
AI Infra 与推理系统
查阅 GPU、算子、分布式训练、推理服务与性能分析教材。这是岗位阅读分组，不是当前主线作业。
岗位：AI Infra / ML Systems / 推理框架 / 性能工程
查阅范围：读完 Infra 向章节：瓶颈判断、计时口径与 NOT EXECUTED 纪律
📘 路线阅读规则
路线卡片是查阅分组。点击某条路线后，「下一课」沿该分组前进；从「全部章节」进入时，按教材顺序翻页。当前主线任务始终以首页「我的学习」为准，不随路线切换。
24.2 岗位能力矩阵
先看「哪些是必须」，再决定这个月读什么。这是技能地图，不是对你的评价，也不是旧作业打卡表。
| 能力 | 应用研发 | 算法 | 评测 | AI 平台 | AI Infra |
|---|---|---|---|---|---|
| Python 工程 | 必须 | 必须 | 必须 | 必须 | 必须 |
| PyTorch | 重要 | 必须 | 重要 | 重要 | 必须 |
| HuggingFace | 必须 | 必须 | 必须 | 重要 | 重要 |
| RAG | 必须 | 加分 | 加分 | 重要 | 了解 |
| Evaluation | 重要 | 必须 | 必须 | 重要 | 重要 |
| SFT / LoRA | 加分 | 必须 | 加分 | 了解 | 了解 |
| FastAPI / Docker | 必须 | 加分 | 加分 | 必须 | 重要 |
| GPU Profiling | 了解 | 加分 | 了解 | 加分 | 必须 |
| Distributed | 了解 | 加分 | 了解 | 加分 | 必须 |
| CUDA / C++ | 非必须 | 加分 | 非必须 | 加分 | 后期必须 |
24.3 第一次找 AI 实习：阅读顺序（不是旧项目顺序）
还没有实习经历时，可以从 Track A · AI 应用开发 的章节卡片往下读：Python 工程与 HuggingFace 是公共分母，评测与检索是应用岗高频话题。算法与 Infra 分叉也从同一份路线配置进入。
当前动手任务不在这条查阅线上：回到首页做 Attention 空文件练习。第 25–31 章里若仍出现历史仓库链接，一律当作可选对照，标注了「非当前作业」的才去打开。
24.4 四级标准（描述能力，不绑定旧 starter）
以后不要说「我看完了」。用四级标准自评——这是诚实描述，不是网站自动打分：
| 级别 | 含义 | 验证方式 |
|---|---|---|
| 读过 | 读懂 | 能不看材料讲清直觉与关键公式 |
| 自己实现 | 本人写过核心代码 | 从空白文件写出可运行代码 |
| 验证通过 | 按声明做过检查 | 有运行输出或书面核对（含失败） |
| 能解释 | 不查资料讲清楚 | 能回答关键「为什么」 |
示例（FlashAttention，本课程当前状态）：
读过 ✅ （第 19 章）
自己实现 ✅ （第 19 章 Lab：分块 + online softmax）
在 CUDA 上跑过 ❌ （无 GPU 环境 → NOT EXECUTED ON CUDA）
能解释 ✅ （能在白板上推导 online softmax 修正因子）网站目前只显示「阅读进度」和「继续上次位置」。已读不是已掌握。旧的 Guided Build 进度若还在浏览器里，含义不变，但那套步骤已经退出教学流程。
24.5 历史实验记录（不是 Checkpoint 作业）
第 25–31 章保留过一组真实运行数字。它们证明「当时在什么机器上跑出过什么」，不是现在要交的旧检查点作业。
| 章节 | 当时验证过什么 | 目录（可选参考，非当前作业） |
|---|---|---|
| 25 Python 工程 | 日志 CLI 的实测输出；parser / stats / cli 分层 | log-analyzer |
| 26 HuggingFace | Qwen2.5-0.5B CPU：train loss 2.6364→1.3052；held-out 3.8168→3.6102 | hf-mini-lab |
| 27 评测系统 | 128 题：C3 55.0% / XCOPA 55.0% / QA F1 21.9%；缓存 32.3s→0.0s | llm-eval |
| 28–29 检索与服务 | 841 chunks；22 查询 hybrid+rerank MRR 0.932；RAG 6 题检索 6/6 | rag-service |
| 30 SFT / LoRA | train 3.89→1.46；val 过拟合 best@60；QA F1 20.2%→24.0% | sft-lora |
| 31 推理分析 | CPU：SDPA 快 2.7×；compile 反例；CUDA NOT EXECUTED | inference-benchmark |
⚠️ 数据纪律（对自己的实验同样适用）
只把真实运行得到的 loss / accuracy / latency / 显存写成「实验结果」。
- 没有 GPU：写
NOT EXECUTED ON CUDA； - 没有 API key：写「接口已实现，未实测」；
- 教学模拟：标注 Teaching Simulation。
面试官见过太多「复现了 LLaMA 训练」但一问细节就露馅的简历。真实、可复现的小实验 > 夸张的大项目。
📝 小测验
一道判断题：你已经读完了第 19 章 FlashAttention 的全部内容，但对「这个能力到底算不算会」拿不准。用本课程的评估口径，最严谨的自我描述是？
显示答案与解析
正确答案：B
四级标准的意义就是让「会」变得可验证、可诚实描述。A 夸大了「跑过」；C、D 又低估了已完成的部分。🔑 本章必须记住
| 站点 | 核心结论 |
|---|---|
| 定位 | 第 0–23 章让你「懂」；第 25–31 章是工程教材与历史记录，不是旧作业清单 |
| 路线 | A 应用 / B 算法 / C Infra 是查阅分组，不是当前主线 |
| 当前动手 | 回到「我的学习」做 Attention；不要进六个旧项目 starter |
| 标准 | 读过 / 自己实现 / 验证通过 / 能解释，缺哪级标哪级 |
| 纪律 | 不伪造实验数据；没跑过就写 NOT EXECUTED |