Appearance
这个 Prompt 的设计遵循一个规范： 要求与 AI 只对话一次，一次输出需要的完整信息。
我想系统学习【主题】，方向包括但不限于【细分方向，例如 AI / ML / 多模态大模型 / 数学 / 视觉语言模型 / LLM agent / RAG / 机器学习理论】。
我的背景是：学过微积分、线性代数、概率论与数理统计，没有系统学过DL、论文，有笔记本的RTX 4060，有实验室服务器的 RTX 4090，必要时可以在 Autodl 上租GPU，会用windows+wsl2 或者vmware Ubuntu，裸机有安装Ubuntu，会用 Claude Code / Codex 快速开发。【你的数学、编程、深度学习、论文阅读、工程经验、英语能力、GPU/算力条件、已有项目情况】。
我的目标不是单纯“学懂”，而是提高就业竞争力、行业认可度和研究潜力。请你作为严谨的大学课程顾问、AI 研究导师和职业作品集顾问，帮我设计一套以“高质量产出”为核心的学习与成长路线。
请重点围绕以下目标设计：
- 能形成公开可验证的能力证明；
- 能产出高质量项目，而不是只看课、看书、刷题；
- 能逐步具备研究能力，包括复现论文、提出问题、设计实验、写技术报告或论文；
- 能形成适合求职、申请、实习、研究合作展示的作品集；
- 避免伪学习、浅层复现、调包 demo、无认可度产出。
请按以下结构回答。
---
## 1. 方向定位与能力地图
请先分析【主题】的知识结构，拆成：
1. 数学基础
2. 编程与工程基础
3. 机器学习基础
4. 深度学习基础
5. 方向核心知识
6. 论文阅读能力
7. 实验设计能力
8. 工程部署能力
9. 研究创新能力
请说明每一类能力对应的最低要求、进阶要求、可验证产出。
---
## 2. 高质量学习资源筛选
请推荐 3–5 门公开免费、资料完整、适合自学的大学课程或严肃课程。
优先选择：
- 名校公开课程；
- 有完整课程主页；
- 有公开视频；
- 有讲义；
- 有作业；
- 有项目；
- 有考试或习题；
- 有推荐教材；
- 长期稳定；
- 被领域内广泛认可。
每门课程请给出：
- 课程名称
- 学校 / 教师
- 链接
- 适合人群
- 先修要求
- 优点
- 缺点或局限
- 最适合用来训练什么能力
- 对就业竞争力的贡献
- 对研究能力的贡献
- 推荐程度
请不要只罗列资源，要进行权衡评价。
---
## 3. 教材与参考资料
请推荐 2–5 本高质量教材，区分：
- 入门教材
- 标准教材
- 进阶教材
- 参考书
- 数学补充资料
- 工程实践资料
- 论文阅读资料
每本书请说明：
- 适合阶段
- 适合自学程度
- 是否有习题
- 是否有答案或提示
- 与课程如何配合
- 不适合什么人
- 如果只能选一本主教材，应选择哪一本，为什么
---
## 4. 最小化学习组合
如果只能选择：
- 1 门主课程
- 1 本主教材
- 3 个辅助资料
- 1 个核心项目
请给出最小化学习组合。
要求说明：
- 为什么这些足够启动；
- 哪些资源暂时不建议使用；
- 哪些资源名气大但不适合作为入门；
- 如何避免资源过载。
---
## 5. 成长阶段设计
请将学习路线分为 4–6 个阶段，例如：
1. 基础补齐阶段
2. 经典方法掌握阶段
3. 深度学习实践阶段
4. 论文复现阶段
5. 独立项目阶段
6. 研究产出阶段
每个阶段请给出：
- 阶段目标
- 核心学习内容
- 推荐资源
- 必做作业或练习
- 必做项目
- 推荐论文
- 可验证产出
- 阶段完成标准
- 常见误区
- 预计时间投入
请特别强调每个阶段应该产出什么，而不是只学什么。
---
## 6. 项目路线：从学习型项目到认可型项目
请设计一个项目成长路径，分成：
1. 入门项目
2. 中级项目
3. 高质量工程项目
4. 论文复现项目
5. 可公开展示项目
6. 可作为求职核心作品的项目
7. 可能发展成论文或技术报告的项目
每个项目请给出：
- 项目名称
- 项目目标
- 技术栈
- 先修知识
- 数据集
- baseline
- 难点
- 可扩展方向
- 如何做出差异化
- 如何评估效果
- 最终交付物
- 对就业的价值
- 对研究能力的价值
- 推荐程度
请避免推荐“调包式 toy project”。项目必须有明确评价指标、对比实验、文档和可展示结果。
---
## 7. 研究型 work-on list
请给出一个研究型 work-on list，包含 10–20 个值得长期推进的问题。
每个问题请说明：
- 问题背景
- 为什么值得研究
- 是否适合个人完成
- 需要哪些资源
- 相关关键词
- 相关经典论文或近期论文方向
- 可行的最小实验
- 可能的创新点
- 可能的失败风险
- 最终可能产出形式：
- 技术报告
- 复现报告
- benchmark
- survey
- workshop paper
- arXiv preprint
- 开源项目
- Hugging Face demo
- 博客系列
请优先选择个人或小团队可完成、成本可控、有公开数据、有明确评价指标的问题。
---
## 8. 论文阅读与复现路线
请推荐一个从入门到研究的论文阅读路线。要求给出论文链接。
要求包括：
- 必读经典论文
- 方向核心论文
- 适合复现的论文
- 不适合新手复现的论文
- 每篇论文要读什么
- 复现时要关注什么
- 如何记录实验
- 如何写复现报告
- 如何从复现过渡到改进
请给出论文复现模板，包括：
- 论文问题
- 方法摘要
- 实现细节
- 数据集
- baseline
- 指标
- 复现结果
- 与原文差异
- ablation
- failure cases
- 改进想法
- 结论
---
## 9. 证据型产出设计
请告诉我如何把学习过程转化为可公开展示的证据。
请设计以下产出模板：
1. GitHub 项目结构
2. README 结构
3. 实验报告结构
4. 技术博客结构
5. 论文复现报告结构
6. portfolio 页面结构
7. Hugging Face Space / Demo 页面结构
8. 简历项目描述结构
每种产出请说明：
- 好的标准
- 差的标准
- 如何让别人快速判断我的能力
- 如何避免看起来像课程作业或玩具项目
---
## 10. 认可路径与发布策略
请分析不同产出形式的认可度，包括：
- GitHub 项目
- 开源 PR
- Hugging Face demo
- Kaggle / 竞赛
- 技术博客
- 论文复现
- survey
- benchmark
- arXiv
- workshop paper
- 正式会议论文
- 课程证书
- 刷题成绩
- 数学笔记
请按以下维度评价：
- 就业认可度
- 研究认可度
- 难度
- 时间成本
- 风险
- 是否适合个人
- 是否适合当前阶段
请给出推荐优先级。
---
## 11. 反伪学习机制
请设计一套检查机制，避免我只是“看懂了”但没有能力。
请给出：
- 每周必须产出的东西
- 每月必须完成的东西
- 每阶段验收标准
- 如何判断自己没有真正理解
- 如何判断一个项目没有价值
- 如何判断一篇论文没有真正读懂
- 如何用输出倒逼输入
---
## 12. 3 个月、6 个月、12 个月计划
请分别设计：
- 3 个月最小可行路线
- 6 个月竞争力提升路线
- 12 个月研究与作品集路线
每个计划请包括：
- 每月目标
- 学习内容
- 项目产出
- 论文阅读数量
- 复现任务
- 公开发布物
- 阶段性验收
- 简历/作品集更新点
请优先保证可执行性，不要设计过度理想化路线。
---
## 13. 最终建议
请最后给出：
1. 最应该开始的第一门课
2. 最应该做的第一个项目
3. 最应该复现的第一篇论文
4. 最应该写的第一篇技术文章
5. 最应该避免的 5 个坑
6. 当前阶段最有性价比的 work-on list 前 5 项
---
## 14. 信息核查要求
如果涉及课程链接、教材版本、论文、工具、benchmark、数据集、投稿渠道、开源项目活跃度等可能过时的信息，请联网核查，并给出来源链接。
不要编造链接、课程状态、论文结论、投稿渠道或认可度。
如果信息不确定，请明确说明不确定性。
---
请把所有项目和研究产出按认可度分级：
S 级：可能形成论文、benchmark、开源工具、被他人复用的项目；
A 级：完整工程项目，有清晰指标、实验、文档、demo，可写进简历；
B 级：论文复现或课程项目，有一定实验和报告；
C 级：学习型 demo，主要用于自我练习；
D 级：调包玩具项目，不建议作为核心作品展示。
请说明每个候选项目属于哪一级，为什么，以及如何从 B/C 级升级到 A/S 级。
---
请为每个项目设计验收标准，至少包括：
1. 是否有明确问题定义；
2. 是否有 baseline；
3. 是否有数据集说明；
4. 是否有评价指标；
5. 是否有实验记录；
6. 是否有对比实验；
7. 是否有 ablation study；
8. 是否有 failure case 分析；
9. 是否有可运行代码；
10. 是否有环境配置；
11. 是否有 README；
12. 是否有 demo；
13. 是否能被第三方复现；
14. 是否能写进简历；
15. 是否可能扩展为论文、技术报告或开源工具。