gautamrastogi/gen-ai-roadmap

# 🚀 GenAI 开发者路线图 2026 [](https://gautamrastogi.github.io/gen-ai-roadmap/) [](#roadmap-structure) [](#roadmap-structure) [](#roadmap-structure) ## 📊 交互式仪表板 **[→ 打开仪表板](https://gautamrastogi.github.io/gen-ai-roadmap/)** 该仪表板是一个完全客户端的 Web 应用（无后端、无需登录），它可以帮助你： - ✅ 按项目和课程资源跟踪进度 - ⏱️ 查看每个阶段及整体的预估剩余时间 - 📈 随着完成项目，观察你的掌握度百分比增长 - ☁️ 通过私有 GitHub Gist 在设备间同步进度 - 🌙 在暗色和亮色主题间切换 - 📤 导出/导入进度为 JSON 备份文件 ## 🗺️ 路线图结构 | 阶段 | 名称 | 项目 | 预估时间 | |------|------|------|----------| | 0 | 软件基础 | 1 | ~2小时 | | 1 | 基础知识 | 3 | ~15小时 | | 2 | Python LLM 应用 | 4 | ~20小时 | | 3 | 嵌入与 RAG | 5 | ~15小时 | | 4 | 工具调用与工作流 | 4 | ~12小时 | | 5 | 评估与可观测性 | 5 | ~10小时 | | 6 | MCP 与智能体编排 | 7 | ~20小时 | | 7 | AI 原生开发生产力 | 2 | ~6小时 | | 8 | 多模态、实时与 SLMs | 3 | ~12小时 | | 9 | 作品集与求职准备 | 作品集完善 | ~8小时 | | 10 | 认证 | 考试准备 | ~15小时 | | 11 | 顶点项目 | 3 | ~30小时 | **总计：约 165 小时结构化学习 + 37 个路线图项目** ## 🎯 目标画像 本路线图针对以下角色量身定制： **资深后端/平台工程师 → 企业级工作流智能 GenAI 平台工程师。** 最优秀的作品集项目应证明你能构建 AI 系统，该系统能够：搜索内部知识、分流工作流项目、总结证据、通过 MCP/函数调用安全地与工具集成，并遵循评估、追踪、快照、CI 门禁和人工审批等生产习惯运行。 ## 📚 学习资源 精选资源来自： - **Pluralsight** — 结构化视频课程（付费） - **DeepLearning.AI** — 前沿主题短课程（大部分免费） - **Microsoft Learn** — 免费的官方 Azure AI 学习路径和认证准备 - **LangChain Academy** — 免费的 LangChain/LangGraph 课程 - **官方文档** — OpenAI、LangChain、LangGraph、MCP、Hugging Face、Anthropic ## ☁️ 跨设备同步设置 仪表板支持将你的进度同步到私有 GitHub Gist，以便在浏览器和设备间持久保存。 **一次性设置：** 1. 访问 [github.com/settings/tokens](https://github.com/settings/tokens) → **Tokens (classic)** 2. 生成一个仅具有 **`gist`** 权限范围的新令牌 → 复制它 3. 打开仪表板 → 点击 **☁ Gist Sync** → 粘贴令牌 4. 第一台设备上 Gist ID 留空（系统会自动创建）— 在后续设备上粘贴返回的 ID 5. 点击 **Save & Sync** ## 🛠️ 设置 本仓库已配置好： - GitHub 仓库：`https://github.com/gautamrastogi/gen-ai-roadmap` - 仪表板：`https://gautamrastogi.github.io/gen-ai-roadmap/` 如果你复刻了它，请运行一次设置脚本来创建本地配置文件并重写特定于仓库的链接： ``` ./setup.sh ``` 这将： - 根据 `templates/config.env.template` 创建 `config.env` - 为 Cursor MCP 集成创建 `.cursor/mcp.json` - 当存在占位符时，为你复刻的仓库更新文档链接 `config.env`、`.cursor/`、`.env` 和其他本地运行时文件被有意忽略（gitignore）。 有关哪些属于受版本控制的模板，哪些属于私有本地配置，请参阅 `templates/README.md`。 完整的环境指南，请参见 `docs/setup.md`。 ## 🛠️ 本地开发 ``` # 克隆 git clone https://github.com/gautamrastogi/gen-ai-roadmap.git cd gen-ai-roadmap # 本地运行 (使用任何静态文件服务器均可) npx serve docs/ # 或 python3 -m http.server 8080 --directory docs/ ``` 然后打开 `http://localhost:8080`。 ## 🤖 本地 AI 设置（M1/M2/M3 Mac） 本路线图针对 Apple Silicon 优化。推荐的本地模型设置： | 工具 | 用途 | |------|------| | [LM Studio](https://lmstudio.ai/) | 用于运行本地 LLM（Llama、Mistral、Phi）的 GUI | | [Ollama](https://ollama.com/) | CLI 驱动的本地模型服务器 | | [MLX](https://github.com/ml-explore/mlx-examples) | 针对 Apple Silicon 优化的微调 | **推荐的本地模型（在 M1 Max 上运行良好 — 更新于 2026 年 4 月）：** - `qwen3:14b` — ⭐ 最佳日常模型：快速、智能、混合思考/非思考模式、原生 MCP 支持 - `qwen3:30b-a3b` — ⭐ 推理能力的甜点：MoE 架构（仅 3B 活跃参数），在 32GB 内存上性价比最佳 - `qwen2.5-coder:14b` — 最佳专用编码模型 - `deepseek-r1:14b` — 具有透明思维链日志的推理模型 - `llava:13b` — 视觉/多模态任务 ## 📁 仓库结构 ``` gen-ai-roadmap/ ├── docs/ │ ├── index.html # Dashboard (single-file app, deployed to GitHub Pages) │ ├── project-learning-workflow.md # Post-project review workflow and learning cards │ └── setup.md # Local environment setup guide ├── projects/ │ ├── local-agent/ # FastMCP local Python MCP server │ ├── p0-genai-starter-template/ # Phase 0: FastAPI + Pydantic starter template │ ├── p1-prompt-playground/ # Phase 1: Prompt strategy comparison app │ ├── p2-summarizer/ # Phase 1: FastAPI summarization service │ ├── p3-rewriter/ # Phase 1: Tone/style rewriter service │ ├── p4-cli-chatbot/ # Phase 2: Stateful CLI chatbot with personas │ ├── p5-fastapi-genai-service/ # Phase 2: Multi-endpoint GenAI API service │ ├── p6-structured-data-extractor/ # Phase 2: Schema-first extraction tool │ └── p7-resume-vs-jd-analyzer/ # Phase 2: Resume/job-description fit analyzer ├── templates/ # Copyable local config templates │ ├── README.md # Template usage and public-safety notes │ ├── config.env.template # Root local config example │ └── cursor-mcp.json.template # Cursor MCP config example ├── genai-roadmap.md # Full roadmap content (source of truth) ├── .env.example # Root environment variable example ├── .gitignore ├── setup.sh / setup.bat # Repo personalization scripts └── README.md ``` ## 🔧 MCP 本地智能体 `projects/local-agent/` 文件夹包含一个 **FastMCP Python 服务器**，它在本地运行并为云 AI 助手（Cursor、GitHub Copilot、Antigravity）提供确定性执行工具。 ### 可用工具 | 工具 | 描述 | |------|------| | `run_command` | 运行允许列表中的 shell 命令并捕获输出 | | `read_file` / `write_file` | 安全的文件读写 | | `git_status_and_diff` | 检查 git 状态和有界 diff 预览 | | `roadmap_status` / `roadmap_next_task` / `roadmap_phase_details` | 只读的路线图教练助手 | | `call_local_model` | 通过兼容 OpenAI 的 API 将提示路由到 LM Studio 或 Ollama | | `web_search` | 无需 API 密钥的 DuckDuckGo 搜索 | | `health_check` / `list_tool_capabilities` | 诊断和能力映射 | 设置说明请参见 `projects/local-agent/README.md`。 ## 🎯 理念 - **先构建，后学习** — 每个阶段都以一个真实的、可部署的项目告终 - **本地优先** — 在为 API 付费之前，先在你自己的硬件上运行模型 - **从第一天起就是智能体** — 工具使用、记忆和 MCP 在早期及贯穿全程出现 - **生产心态** — 评估、可观测性、工作流可靠性和安全是一等公民 在每次实现后使用[项目学习工作流](docs/project-learning-workflow.md)，这样每个完成的项目都能被充分理解、能够解释、调试和重用。 ## 跨设备使用 本路线图支持在多台设备间无缝开发： ### 进度同步（GitHub Gist） - 仪表板进度通过私有 GitHub Gist 自动同步 - 支持 Mac、Windows、Linux 设备 - 无需手动导入/导出 ### 环境设置 - **macOS/Linux**：使用 `./setup.sh` 和标准的 Python venv - **Windows**：使用 `setup.bat` 和 `python -m venv .venv` - 所有脚本均设计为在 Unix 和 Windows 上均可运行 ### 本地智能体兼容性 - MCP 服务器可在所有平台上运行（Python 3.8+） - LM Studio 适用于 macOS、Windows、Linux - Cursor IDE 在所有平台上支持 MCP ### 配置 - `config.env` 包含所有特定于环境的设置 - `.cursor/mcp.json` 配置 Cursor MCP 集成 - 两者均被 gitignore，以便进行个性化定制 ## 📝 许可证 MIT 许可证 — 随你喜欢使用本路线图。如果你觉得它有用，请为仓库点个星！⭐

标签：AI风险缓解, CreateRemoteThread, GenAI工程师, GitHub Pages, IaC 扫描, JSON数据备份, LLM应用开发, MCP技术, Python编程, RAG应用, 主题切换, 交互式仪表板, 人工智能路线图, 代理系统, 企业AI工作流, 作品集构建, 同步学习进度, 在线学习, 多模态AI, 大型语言模型, 学习资源, 安全性, 实时系统, 客户端应用, 小型语言模型, 嵌入技术, 工作流智能, 工具调用, 技能提升, 数据同步, 时间管理, 暗黑模式, 生成式AI, 索引, 职业发展, 认证准备, 评估与监控, 课程推荐, 软件工程师转型, 进度跟踪, 逆向工具, 项目驱动学习