夜雨聆风我花 3 个月画了一张 AI 知识图谱，121 个节点告诉你什么才是"系统学习"
学了三年 AI，却始终感觉自己像个"点焊工"？
你是不是也有这种感觉——
Transformer 论文读了不少，但 SVD 和 MCMC 是什么关系？
跑过 XGBoost 比赛，却说不清它和贝叶斯优化的底层联系。
部署过模型，但对 MLOps 里的 Triton、vLLM、Kubeflow 完全陌生。
这不是你不够努力。
是知识太碎，缺一张地图。
一、为什么是"知识图谱"，不是"知识清单"？
市面上不缺 AI 学习路线图。但大部分是线性清单：学完 A 学 B，学完 B 学 C。
可现实中的 AI 不是线性的。
你要理解 Transformer，就需要 Self-Attention 的数学推导 → 涉及矩阵分解 → 涉及 SVD → 涉及优化理论。同时，你还得知道 BERT 之后 GPT 做了什么改进，RLHF 是怎么对齐人类偏好的，RAG 又是怎么解决知识更新的。
这些知识是网状连接的，不是一条直线。
所以，我用 Obsidian 搭了一张真正意义上的知识图谱：142 个 .md 源文件，抽象成 121 个图谱节点，定义了 279 条连接关系，构建出 7 层纵向架构 + 2 条横向切面。
每一条连线都代表真实的技术关联——不是随意的标签，而是经过推敲的"因为…所以…"。
二、这张图谱长什么样？
从底部到顶部，依次展开：
Layer 0 — 数学基础（16 个节点） SVD、MCMC、凸优化、KKT 条件、贝叶斯推断……别跳过。所有上层技术最终都会回到这里。比如推荐系统里的矩阵分解本质就是 SVD 的变体，GAN 的训练困难与 MCMC 的采样问题共享同一套数学直觉。
Layer 1 — 数据工程（4 个节点） ETL、PCA、主动学习、联邦学习。很多人把数据工程当成"脏活累活"，但主动学习和联邦学习已经把这个层面变成了 AI 研究的核心战场。
Layer 2A — 经典机器学习（11 个节点） SVM、KMeans、随机森林、XGBoost、贝叶斯优化……这些"老家伙"在今天的大模型时代仍然是工业界的顶梁柱。XGBoost 在表格数据上依然吊打大多数神经网络。
Layer 2B-1 — 深度学习（11 个节点） MLP、ResNet、Dropout、GAN、LSTM、Adam……从基础组件到训练技巧，这里是你搭建神经网络所需要的一切。
Layer 2B-2 — Transformer 生态（10 个节点） 这是图谱里热度最高的区域。Self-Attention 作为起点，延伸到 BERT → GPT → RLHF → CoT → MoE → RAG。每一个节点都标注了与其他层的连接——比如 RLHF 往上连接到 Layer 2C 的强化学习，RAG 往下连接到 Layer 1 的数据工程。
Layer 2C — 强化学习（7 个节点） MDP、DQN、PPO、SAC、Q-Learning……RL 并非只属于游戏 AI。RLHF 让它直接成为了 ChatGPT 背后的核心技术。
Layer 3 — 化工与过程控制（27 个节点）🔥 这是整张图谱最独特的部分。PID、MPC、系统辨识、软测量、RTO、HAZOP、SIL……27 个节点，覆盖了传统工业控制与安全工程的全景。
为什么放在 AI 图谱里？
因为工业 AI 正在吃掉传统控制。MPC 与强化学习在多步决策问题上殊途同归，软测量本质上就是回归模型，系统辨识与机器学习在同一数学框架下对话。这张图谱把这些原本互不往来的领域强行拉到了一张桌子上。
Layer 4 — Agent 生态（7 个节点） LangGraph、CrewAI、MCP、Function Calling……2024–2025 年最火的方向。Agent 不再是纸上谈兵，CrewAI 的多智能体协作已经可以解决真实业务流。
Layer 5 — MLOps（13 个节点） MLflow、Kubeflow、vLLM、Triton、模型监控……把模型从笔记本搬到生产环境，你需要这一层的全部知识。vLLM 的 PagedAttention 和 Triton 的 GPU 推理优化，是 LLM 服务化的钥匙。
三、还有两条"横切面"，把一切串起来
除了纵向的 7 层架构，图谱还定义了两条横向切面，横跨所有层级：
横切面 A — 数据驱动方法（8 个节点） 卡尔曼滤波、ARIMA、共形预测、多臂赌博机……这些方法不依赖物理模型，完全靠数据说话，可以应用到从底层信号处理到上层 Agent 决策的各个阶段。
横切面 B — AI 系统属性（8 个节点） SHAP、LIME、对抗样本、差分隐私、稀疏自编码器……可解释性、安全性、隐私性、鲁棒性——当 AI 从 demo 走向产品，这些属性就是你的"护城河"。
四、不止是一张图，是一个可交互的世界
图谱已部署上线：ai-knowledge-graph，支持：
- 交互式 D3 力导向图
— 121 个节点按层 12 色着色，你可以拖拽任意节点，悬停查看详情，点击跳转到对应的笔记页面 - 中文全文搜索
— 不需要翻目录，直接搜"RLHF"就能看到它在图谱中的全部连接 - 深色模式
— 程序员友好
工具链：Obsidian（编辑） → Quartz 5（构建） → D3.js（可视化） → GitHub Pages（部署）
全部开源，一个人搭完。
写在最后
这张图谱不是终点，是一个起点。
AI 技术体系正以每年指数级的速度膨胀，没有人能掌握全部。但拥有一个全局视角，知道某个技术在哪一层、和哪些节点相连、解决什么问题，这本身就是一种极其稀缺的能力。
当别人还在碎片化地追赶热点时，你已经有了地图。
点亮地图的人，永远不会迷路。
如果你喜欢这张图谱——
点个「在看」，转发给同样在搭建自己知识体系的同学和同事。
关注 TechPub，后续会放出分层深度解读文章、以及如何用 Obsidian + Quartz 搭建你自己的知识图谱的实战教程。
你的知识体系，值得一张地图。
这篇文章是关于 AI 技术体系知识图谱项目的第一篇。作者独立维护 142 个源文件、121 个节点、279 条连接。欢迎对图谱内容和架构提出建议，一起迭代。
