AI 算法工程师知识库

面向 AI 算法工程师的中文知识库，围绕“理解原理 → 选择模型 → 完成任务 → 落地项目”组织内容。重点覆盖计算机视觉、自然语言处理、多模态、检索、RAG 与智能体，并将数据、评估、部署和复盘放回具体任务或项目语境中说明。

信息架构

AI 算法工程师知识库
├── 首页
├── 学习路线
├── 基础理论
│   ├── 数学基础
│   ├── 机器学习
│   └── 深度学习
├── 模型与表示
│   ├── 视觉表征模型
│   ├── 语言与文本表征模型
│   ├── 表示学习与检索架构
│   ├── 多模态表示模型
│   └── 训练、适配与推理
├── 任务与方法
│   ├── 计算机视觉
│   ├── 自然语言处理
│   ├── 多模态
│   ├── RAG
│   └── 智能体与生成
└── 项目实战
    ├── 搜索与知识系统
    ├── 文档智能
    ├── 内容理解与生成
    ├── 行业智能
    └── 系统设计案例

目录中的二级分组直接承载叶子知识点。原始设计中更深的分类仅用于整理，不单独生成重复的专题页面。

内容设计原则

• 基础理论回答“概念和公式为什么成立”。
• 模型与表示回答“模型如何表示、训练、比较与适配”。
• 任务与方法回答“针对特定输入、数据、指标和业务目标如何做”。
• 项目实战回答“如何把多个模型与任务组织为可评估、可迭代的系统”。
• 同一模型机制只在“模型与表示”完整讲解；任务页通过“相关知识”链接引用，避免重复。
• 页面名称、侧栏显示名与页面一级标题保持完全一致；缩写首次出现时使用“全称（缩写）”。

文档规范

每个叶子知识点至少包含：摘要、学习目标、核心内容、Q&A、相关知识和参考资料。内容完善后，应补充主流方法、核心原理、数据构造、评估指标、工程实践与适用边界。

站内链接优先使用绝对路径，例如：

[Transformer 架构](/models/语言与文本表征模型/Transformer-架构)

数学公式使用 $...$ 或 $$...$$，以适配站点的 MathJax 渲染配置。

本地运行

npm install
npm run docs:dev

构建验证

npm run docs:build
npm run docs:preview

目录维护

侧栏由 docs/.vitepress/sidebar.ts 维护。若依据目录树重建知识点，可使用：

python3 scripts/rebuild_knowledge_structure.py --tree-file <目录树文件>

仅更新侧栏时使用 --sidebar-only。详细维护约定见 AGENT.md。