用途：这是一份数据工程、机器学习、AI 与 MLOps 的学习与技能参考，帮助读者按目标角色选择路径并了解常用工具。
主要能力：给出三条学习路径。数据工程师路径依次为 SQL 精通、Python for Data、ETL/ELT 管道、Spark 大数据、数据仓库、编排，2025 栈为 Python + Spark + Airflow + dbt + Snowflake/BigQuery。ML 工程师路径为 Python + NumPy、数学基础、经典 ML、深度学习、MLOps，栈为 Python + PyTorch + scikit-learn + MLflow + W&B。AI 工程师路径为 LLM 基础、提示工程、RAG 系统、AI 智能体、生产部署，栈为 Python + LangChain/LlamaIndex + OpenAI/Anthropic + ChromaDB。另含工具矩阵（Pandas、Polars、Spark、dbt；scikit-learn、XGBoost、PyTorch、TensorFlow；LangChain、LlamaIndex、ChromaDB 等）、经典与深度学习算法参考、智能体循环（感知→推理→行动→反思）与 Anthropic 2025 设计模式（提示链、路由、并行化、编排者-工作者、评估者-优化者）。
使用方式：按角色选择路径，按周推进各阶段；遇到模型效果差、LLM 回答差、管道延迟等问题时参考排错清单；用作品集项目（ETL 管道、实时流、分类模型、RAG 聊天机器人、带工具智能体等）练手。
适用场景：数据管道与仓库建设、模型训练与部署、LLM 应用与智能体开发的学习规划。
限制：资料为学习路线与工具概览，未提供具体安装命令、代码示例、收费与平台细节；时间估算为参考值，实际因个人基础而异。