🏗️ 硬核 AI 架构师 30 天 Bootcamp

🎯 学习目标

• •在脑子里区分："写模型的人（ML Engineer）"、"写业务的人（Backend / Product）"、"设计整套系统的人（AI Architect）"
• •画一张简单架构图：前端 → API → 模型服务 → 数据库 → 日志 / 监控
• +1 更多目标

💡 核心概念

🎯 学习目标

• •理解三个问题：网络可能断、机器可能挂、消息可能丢
• •用文字解释 CAP：C 一致性、A 可用性、P 分区容错
• +1 更多目标

💡 核心概念

🎯 学习目标

• •写出"为什么要拆微服务"的 3 个理由 & 2 个坏处
• •拿"AI 推荐系统"举例，拆出 3 个服务：用户/用户行为服务、特征&模型服务、推荐结果服务
• +1 更多目标

💡 核心概念

🎯 学习目标

• •看一下一个典型 Dockerfile 的结构（FROM / COPY / RUN / CMD）
• •在脑里回答：为什么要用 Docker？为什么需要 Kubernetes？
• +1 更多目标

💡 核心概念

🎯 学习目标

• •写出你知道的"数据流来源"：日志、埋点、交易、设备、第三方接口
• •对比：批处理适合什么场景？流处理适合什么场景？
• +1 更多目标

💡 核心概念

🎯 学习目标

• •写下你见过的"模型部署方式"：脚本调用 / REST API / Batch 离线
• •盘一盘"模型升级"的问题：怎么灰度？怎么回滚？
• +1 更多目标

💡 核心概念

🎯 学习目标

• •选一个你最关心的业务场景：AI 问答系统 / 推荐系统 / 智能客服
• •写一个"一页纸架构设计"：模块列表、数据从哪里来流向哪里、模型在哪里部署、前端/API/数据库/日志怎么连

💡 核心概念

🎯 学习目标

• •区分：单机训练 / 多 GPU / 多机多卡
• •用例子解释：数据并行 vs 模型并行
• +1 更多目标

💡 核心概念

🎯 学习目标

• •用你能理解的话解释：什么是量化？
• •写出"做知识蒸馏"的流程：Teacher → Student
• +1 更多目标

💡 核心概念

🎯 学习目标

• •列出推理延迟的 3 个来源：模型、网络、队列
• •写出什么是 Batching，以及有什么坑（延迟 vs 吞吐）
• +1 更多目标

💡 核心概念

🎯 学习目标

• •了解 TorchServe / Triton 的定位
• •想象有"一台统一的推理服务器"，多个模型挂在上面
• +1 更多目标

💡 核心概念

🎯 学习目标

• •写出"云端 vs 边缘"的差异
• •想一个需要在边缘跑 AI 的场景：汽车 / 工厂 / 相机
• +1 更多目标

💡 核心概念

🎯 学习目标

• •写下云成本的组成：计算 / 存储 / 网络 / 第三方 API
• •回想你最近一次用大模型，有没有过度浪费（上下文太大 / 模型太强）
• +1 更多目标

💡 核心概念

🎯 学习目标

• •选一个你关心的"AI 服务"（比如 QA / Summarization / RAG）
• •写出性能优化报告大纲：现状（延迟 / 成本 / 负载）、可能的瓶颈、优化思路（模型、批处理、缓存、基础设施）

💡 核心概念

🎯 学习目标

• •写出你听过的：Data Lake / Data Warehouse
• •画一个三层数据分层：Raw / Staging / Curated
• +1 更多目标

💡 核心概念

🎯 学习目标

• •写一句话解释：Feature Store 是什么
• •用用户推荐举例：哪些是在线特征，哪些是离线特征
• +1 更多目标

💡 核心概念

🎯 学习目标

• •列出训练流水线基本步骤：数据准备 → 训练 → 评估 → 部署
• •用 MLflow/Kubeflow 想象一个 pipeline：Data Ingest → Train → Eval → Register Model
• +1 更多目标

💡 核心概念

🎯 学习目标

• •回忆你以往是否有"跑完实验忘了参数"
• •设计一个实验追踪表头：run_id / params / metrics / notes
• +1 更多目标

💡 核心概念

🎯 学习目标

• •写出"模型上线后可能坏掉"的 3 种方式
• •设计三个指标：线上精度（或替代指标）、延迟、错误率
• +1 更多目标

💡 核心概念

🎯 学习目标

• •想象"突然有一列数据全是 null 会怎样"
• •写出你觉得重要的数据质量规则：范围、唯一性、不能为空
• +1 更多目标

💡 核心概念

🎯 学习目标

• •给你正在想象的"AI 系统"画一个 MLOps 流程图：数据 → 特征 → 训练 → 部署 → 监控
• •写一段话：哪部分你已经有经验，哪部分是你完全没做过的（未来重点）

💡 核心概念

🎯 学习目标

• •写出高可用的三大关键词：冗余 / 自动恢复 / 健康检查
• •画一个"多可用区部署"的模型服务架构
• +1 更多目标

💡 核心概念

🎯 学习目标

• •区分水平扩展 / 垂直扩展
• •写一个自动扩缩容策略：CPU > 70% 连续 5 分钟 → 扩容
• +1 更多目标

💡 核心概念

🎯 学习目标

• •列出 AI 系统的 3 个安全点：访问控制 / 数据安全 / 模型滥用
• •写一个简单安全架构：Auth 服务、API Gateway、加密存储
• +1 更多目标

💡 核心概念

🎯 学习目标

• •解释"多租户 = 一套系统，服务多家公司/团队"
• •列出三种隔离方式：数据库级 / schema 级 / 行级
• +1 更多目标

💡 核心概念

🎯 学习目标

• •写出你知道的性能瓶颈点：CPU、内存、磁盘 IO、网络
• •设计一个简单的压测方案：并发数 / QPS / 目标延迟
• +1 更多目标

💡 核心概念

🎯 学习目标

• •理解 RTO / RPO 的含义
• •写一个简单灾备方案：每日备份 / 跨区备份 / 恢复演练
• +1 更多目标

💡 核心概念

🎯 学习目标

• •回想一个你用过的系统，从简单到复杂是怎么演进的
• •为你现在想做的 SecondMind 写一个演进路线：v0（单体）→ v1（简单拆分）→ v2（服务化 + MLOps）
• +1 更多目标

💡 核心概念

🎯 学习目标

• •承认一个事实：没有文档的系统没人敢接手 😂
• •写一个 ADR（架构决策记录）模板：背景 / 决策 / 备选方案 / 后果
• +1 更多目标

💡 核心概念

🎯 学习目标

• •选一个真实你想做的系统：SecondMind 个人 AI / autopartsalive 智能客服 / AI 架构师学习平台
• •写出完整架构文档提纲：背景&目标、业务流程、技术架构图、数据架构、MLOps、运维&监控、安全&合规、演进路线

💡 核心概念