学习路径

以路线图的形式规划技术学习方向：标注每个阶段的目标、推荐资源、练习项目与验收标准，让学习有迹可循。

已收录

• 前端工程师路线 — 四阶段完整路线：基础 → 框架实战 → 工程化与性能 → 进阶方向，含站内文档闭环、里程碑项目与验收标准
• 后端工程师路线 — 从一门语言到分布式系统设计：语言基础 → 数据库与缓存 → 可上生产 → 规模化架构，含主线选型、站内文档闭环与贯穿全程的里程碑项目
• AI 工程师路线 — 从数学与 Python 到 LLM 应用：基础 → 机器学习与深度学习 → PyTorch 训练工程 → LLM 原理与应用（Prompt / RAG / Agent / 微调 / 服务化），含赛道选型与站内文档闭环
• 跨方向转型路线 — 在既有方向之间切换：技能盘点与决策 → 差分补课建立新方向最小闭环 → 「旧 × 新」整合项目 → 求职叙事，面向后端转全栈 / 前端转后端 / 任意方向转 AI 应用等场景

路径模板

每条学习路径建议包含以下章节：

## 阶段一：打基础
- 目标：...
- 资源：...
- 练习：...
- 验收：...

规划清单

主题	说明	状态
前端工程师路线	从零到可独立交付前端项目	✅ 已收录（frontend.md：四阶段路线全景与学习策略，每阶段含知识地图、站内文档闭环、练习与验收、常见误区；里程碑项目贯穿全程；跨路线协同与文档速查附录）
后端工程师路线	从语言到分布式系统设计	✅ 已收录（backend.md：四阶段路线全景与学习策略，每阶段含知识地图、站内文档闭环、练习与验收、常见误区；主线语言三选一（Node / Spring Boot / Go）及与语言层文档的分工、数据库与缓存、可上生产（鉴权 / 容器 / CI / 可观测）、规模化架构与设计报告；里程碑项目（记账 API v0→v2→演进报告）贯穿全程；跨路线协同与「路线 × 本站文档速查」附录）
AI 工程师路线	从数学基础到 LLM 应用开发	✅ 已收录（ai.md：四阶段路线全景与学习策略，每阶段含知识地图、站内文档闭环、练习与验收、常见误区；Python 与数据栈 → 机器学习 / 深度学习原理 → PyTorch 训练工程 → LLM 原理与「应用 / 模型」双赛道选型（Prompt / RAG / Agent / 微调 / 服务化）；里程碑项目（个人学习助手或微调模型）贯穿全程并强调评测闭环；跨路线协同（前端产品化 / 后端底座 / 论文内容）与「路线 × 本站文档速查」附录，互链 ai / languages / papers / journals）
跨方向转型路线	如后端转全栈、前端转 AI 的补课清单	✅ 已收录（transition.md：面向已有方向基础的转型方法论——技能存量三层归类（可平移 / 需换皮 / 需新学）与盘点决策书、三条经典转型场景（后端转全栈 / 前端转后端 / 前后端转 AI 应用）的差分补课路径、旧 × 新整合项目设计原则与三场景示例、求职叙事三线（旧域优势 / 学习能力 / 动机一致性）与转型三问；跨路线协同与「转型差分速查」附录，互链三条路线与 languages / backend / frontend / ai / papers / journals 文档）

写作规范

• 每个阶段都要有可验收的产出（项目、证书、通过某测试），避免只列资源；
• 链接到本站对应领域的文档页，形成「路径 → 文档」闭环；
• 路径中的每篇记录完成后，在 过程记录 中留下学习日志。