AI+财务 × AI 工程师双轨学习看板

16 周可持续版 | 六阶段按项目验收推进 | 每周约 33 小时(周日下午起休息)

16 周约 4 个月周期
6 阶段验收后进入下一阶段
约 99 h主线视频;官方实操另计
约 432 h主线投入;选修另 42h
6 个可验收项目产出
最终标准不是「看完多少课」,而是:能做出一个财务 AI 应用,并具备初级 AI 应用工程师的投递能力。
本版改动:16 周留出 18% 缓冲 · 量化与 LoRA 降为选修 · 补一个可演示的前端界面 · 第 5 周即可投出第一份简历。

双轨怎么分工

同一套项目,两侧目标不同:财务轨练业务判断,工程轨练工程实现
◆ AI + 财务轨(你的护城河)
  • 数据底座:事实表 / 维度表建模、指标字典、口径定义与版本管理
  • 财务指标:毛利率、广告费占比、退款率、退货率的可复算口径
  • 拆解维度:渠道 × 型号 × 月份三维归因,异常定位到具体 SKU
  • 数据质量:区分「真实 0」「缺失值」「未到截止日」——三者混用是财务分析最常见的翻车点
  • 业务解释:把数字变化翻译成原因假设 + 待确认项,而不是只给一张表
◆ AI 工程轨(你的门槛)
  • 数据处理:Python + Pandas 完成清洗、聚合、导出,替代手工 Excel
  • 服务封装:FastAPI + Pydantic + ORM,把分析能力变成可调用接口
  • 知识检索:LangChain + RAG:切分 / Embedding / 向量库 / 重排 / 引用溯源
  • Agent 编排:LangGraph 单 Agent 与多 Agent 路由、状态管理、人工确认、错误恢复
  • 工程交付:Docker 与私有化部署、前端界面、测试、评测与文档(量化与 LoRA 为选修)

16 周主线 · 六个阶段

共 16 周:学习内容 → 课程章节 → 项目 → 验收
主线课程完成度0%
○未开始◐进行中✓已完成点击课程左侧圆点切换状态;仅统计 18 项主线课程与官方实操(量化、LoRA 已转选修,不计数)。
阶段
01
约 76h
共同基础:Python + SQL + Pandas 财务轨工程轨
先把 Excel 分析流程写成代码,把财务口径固化成「换一个月的数据也能一键复算」的脚本。Transformer 原理移到阶段 3,等你真正用过 LLM 再看。
学习内容
  • Python 语法 → 函数 / 文件 / 异常 / 模块
  • Git 提交与分支
  • SQL 筛选 / 聚合 / 分组 / 多表 JOIN / 子查询
  • Pandas 缺失值 / 合并 / 分组聚合
  • Excel 读写、财务数据清洗、指标字典
课程与观看章节
P1–P35(全);通识打底,建立「AI 能做什么、不能做什么」的判断。不计入阶段 1 的 80h,用通勤、睡前时间看,不占项目时间。
P3–P89(Python 部分)
跳过 Linux 与 LangChain 章节,那两段另有更专的课
P1–P14(全)
SQL P43–P58 | Numpy P73–P80
Pandas P81–P114
案例 P115–P117、P128–P143
P2–P4(读取 / 写入 / 修改)
P115–P120(索引原理)
P136–P140(EXPLAIN 执行计划)
P161–P163(事务 ACID)
项目 1 · 财务数据底座

读取销售、广告、利润三份数据(Excel/CSV),输出「月度 × 渠道 × 型号」三张分析表。必须包含:字段字典、口径说明、缺失值处理规则。

验收标准: 脚本可重复运行缺失值与真实 0 分开处理毛利率可复算且与手工核对一致输出表含口径注释换一个月的数据能直接跑通
阶段
02
约 55h
财务数据分析助手:FastAPI 工程轨为主
把上一阶段的脚本包成一个接口。这是从「会写脚本」到「能做服务」的分界线。
第 5 周末里程碑:此时已具备投递「Python 数据分析 / AI 应用助理」岗位的最低条件。把项目 1、2 整理成 GitHub 仓库 + README,先投出去,边投边学后面的阶段——不要等到 16 周结束才第一次写简历。
学习内容
  • REST API 设计、状态码
  • FastAPI 路由 / 依赖注入 / 中间件
  • Pydantic 请求响应模型
  • ORM 建表与查询、异常处理
  • 接口测试(pytest + TestClient)
  • LLM 结构化输出(JSON Schema 约束)
课程与观看章节
P1–P29(基础 + ORM)
P30–P46(项目结构 / 全局异常)
项目 2 · 自然语言经营分析接口

输入「分析 10 月渠道利润变化」,返回:数字结论 + 数据依据(引用了哪张表哪个字段)+ 可能原因 + 待确认项。四个部分缺一不可。

验收标准: pytest 覆盖核心接口返回体固定 schema异常返回明确错误码数字可追溯到源表
阶段
03
约 78h
财务知识库与 RAG 工程轨为主
RAG 的难点不在「能答」,在「答错的时候能不能被查出来」——所以要同步搭评测。
学习内容
  • Transformer:Token、Embedding、自注意力与位置编码(先用过 LLM,再看原理)
  • 提示词结构化写法与 LangChain 提示模板、检索组件
  • 文档切分策略、Embedding
  • 向量库(Milvus)增删改查
  • 召回与重排、引用来源
  • 知识版本与权限边界
  • RAG 评测指标(命中率 / 引用正确率)
课程与观看章节
P1–P5(全);掌握自注意力、位置编码与生成流程。
P1–P10(全)
P19–P54(RAG 全链路 + 项目)
P55–P67 仅在 Agent 阶段需要时再看,未计入 8h54m
P1–P7(指标 / AutoRAG / RAGas)
配合 RAGas 官方文档动手建评测集 文档
P102–P120(RAG + Milvus)
P33–P40(工具定义);结合官方教程实践提示模板、检索组件与引用
项目 3 · 财务制度与指标口径问答

财务制度、预算规则、指标字典三类文档入库。每个回答必须给出引用来源和文档版本,答不出来要明确说「未收录」而不是编。

验收标准: 20 条评测集引用正确率 ≥ 80%幻觉案例有记录答不出时拒答LangChain 检索链可运行且附引用
阶段
04
约 75h
财务 Agent:工具调用与状态编排 工程轨为主
先完成单 Agent,再加入分析与校验两个角色,明确路由、权限和失败回退。
学习内容
  • LangGraph 图、节点、边、状态
  • 工具定义与调用成功率
  • 条件分支与循环终止条件
  • 人工确认(HITL)
  • 错误恢复与重试策略
  • Agent 轨迹记录与评测
  • 多 Agent:双角色分工、路由、共享状态与结果校验
课程与观看章节
P71–P86(LangGraph 核心)
P28–P43(Agent 进阶,含 HITL)
P1–P31(反射 / 工具 / 规划 / 多智能体);另用阶段项目实现双 Agent 路由。
项目 4 · 财务分析 Agent

分析 Agent 调用数据查询工具,校验 Agent 复核数字和口径,主流程路由并生成报告;记录每一步的参数、耗时、成本与失败处理。

验收标准: 工具调用成功率 ≥ 90%每步可追溯出错能降级不崩溃关键步骤人工确认两 Agent 分工与路由可复现
阶段
05
约 58h
工程化部署 工程轨为主
把应用部署成「一条命令启动」的服务,并用本地模型证明推理不依赖云端。量化与 LoRA 微调移入选修:对解决方案 / 应用开发岗,它们的边际收益低于评测与交付能力。
学习内容
  • Linux 命令、文件、权限、端口、日志
  • Docker 镜像 / 容器 / Dockerfile
  • Docker Compose 编排多服务
  • Redis 缓存与会话、缓存穿透击穿雪崩
  • 本地私有化部署:模型与数据留在本机,服务只对授权环境开放
  • 云服务器部署与端口安全
  • 日志、配置管理、成本统计
课程与观看章节
P2–P21(命令 / 文件系统 / vim)
P7–P9 虚拟机安装可跳,直接用云服务器
P16–P22(镜像 / 容器)
P29–P30(数据卷)
P57–P64(Dockerfile)
P78–P86(Compose)
P10–P16(常用命令)
P35–P47(缓存 / 穿透 / 击穿 / 雪崩)
P56–P58(分布式锁原理)
Ollama 官方:本地模型与 API ↗官方实操文档 · 实操约 20h
阅读“Run a local model / API”;本机运行小模型,把 FastAPI 接到本地推理接口,核对请求不依赖云端模型。
项目 5 · 服务上线与私有模型实验

Docker 启动应用服务;本地小模型通过私有接口供 FastAPI 调用。另用模拟数据保留可公开演示版本。真实财务数据不进入公开演示。有余力再做量化与 LoRA 选修实验(各自 4h 起,见「按需拓展」)。

验收标准: 一条命令启动本地模型接口可用且不调用云端模型日志可定位错误有成本与耗时统计重装环境可复现
阶段
06
约 90h
综合作品集:一整个财务 AI 应用 财务轨工程轨
补一个能给人看的界面,加入图文多模态处理,再把前五阶段的产出整合为完整产品。
功能必须包含
  • 财务制度问答 + 指标口径查询
  • 利润 / 渠道 / 型号分析
  • 预算差异分析、异常解释
  • 报告生成与数据来源引用
  • 多模态:发票或报表截图字段提取、来源核对与人工复核
  • 可演示的前端界面(问答 / 分析 / 引用三区)
  • 权限控制、人工复核
交付必须包含
  • 评测集(≥ 30 条)与评测报告
  • 本地私有部署说明 + 模拟数据演示版
  • 前端页面源码(Streamlit 单文件亦可)
  • README(含快速上手)
  • 架构图
  • 演示视频(3–5 分钟)
  • GitHub 仓库公开可访问
必学课程与官方实操
Streamlit 官方文档:演示界面 ↗官方实操文档 · 实操约 5h
约 5 小时做一个「提问 + 结果表 + 引用来源」三栏页面,直接调阶段 2–4 的接口。作品集从「能跑」变成「能用」。
Ollama 官方:图像与文字输入 ↗官方实操文档 · 实操约 20h
阅读“Quick start / Usage with API”;对发票或报表截图做字段提取、来源核对与人工复核。
项目 6 · 综合作品集

一个可演示、可复现的财务 AI 应用:财务问答、分析、双 Agent、图文提取和本地模型服务均有验收记录。

验收标准: 陌生人能按 README 跑起来界面可现场演示,不需要 curl演示视频 3 分钟讲清价值评测数据支撑效果图文字段提取与原图人工核对GitHub 有提交记录

按需拓展

以下内容不计入主线;量化与 LoRA 由必学改为选修

选学课程

量化与 LoRA 从主线移到这里:投解决方案 / 应用开发岗时,42 小时投在评测和交付上回报更高;投算法或 Infra 岗再回来补。

课程链接分级观看章节视频时长
MCP 终极指南 ↗选学单 P(27 分钟)27m
Pandas 玩转 Excel(30 集) ↗选学P1–P8(读 / 写 / 填充 / 排序 / 筛选)约 1.5h
模型量化:HF 概览 + MLX-LM ↗选修4/8-bit 原理;同一小模型比体积、内存、速度、质量约 12h
MLX-LM 官方:LoRA / QLoRA 微调 ↗选修Fine-tune / Test / Save adapter;模拟财务数据对比基模约 30h

暂缓内容

内容安排
黑马 AI+Java 全套确定投递 Java 后端岗再学。
黑马 RabbitMQ项目出现异步消息需求时再学。
王道 数据结构面试前按岗位要求练题。
王道 操作系统按需补进程、线程与内存基础。
王道 计算机网络按需补 TCP、HTTP、DNS 与状态码。
卢菁 Agent 企业实战旧版框架课程;优先使用当前资料。
Kubernetes单人作品集暂不需要集群编排。

B 站收藏夹与外部资料

B 站部分已按学习顺序建好;4 项官方文档收不进收藏夹,需单独打开
AI财务主线收藏夹17 个视频 · 打开即为学习顺序
打开收藏夹 ↗
B 站收藏夹没有手动排序功能,只能按收藏时间排。这里用倒序收藏实现:先收最后一门、最后收第一门,所以默认「最近收藏在前」的视图正好是学习顺序。注意:之后往这个夹里加新视频会打乱顺序。
01预热吴恩达 AI for EveryoneBV13SpCzEE3L
02S1黑马 Python + AI 零基础BV1h1VbzHER2
03S1狂神说 GitBV1FE411P7B3
04S1黑马 Python 数据分析全套BV1ReshzoEgG
05S1白月黑羽 Excel 自动化BV1K7411a72M
06S1李宏毅 TransformerBV1Xp4y1b7ih
07S2黑马 FastAPIBV1zV2QBtE39
08S3吴恩达 提示词工程BV1173jzNELG
09S3黑马 RAG 与 Agent 实战BV1yjz5BLEoY
10S3RAG 评估体系BV1Esu3zMETG
11S3尚硅谷 LangChain 2026BV1rv7A6oEeP
12S4黑马 LangChain + LangGraphBV178w1z7EHQ
13S4吴恩达 Agentic AIBV1cgYK6iE5y
14S5尚硅谷 Docker 实战BV1gr4y1U7CY
15S5黑马 Redis 入门到实战BV1cr4y1671t
16选学MCP 终极指南BV1uronYREWR
17选学Pandas 玩转 ExcelBV1hk4y1C73S

收不进 B 站收藏夹的 4 项官方资料

私有部署
Ollama 本地模型与 API:本机拉模型、FastAPI 接到本地推理接口,核对请求不依赖云端模型。
Ollama API 文档
模型量化
4-bit / 8-bit 原理与硬件选择;对同一小模型比较体积、内存、速度与回答质量。
HF 量化概览 MLX-LM
LoRA 微调
按 Fine-tune / Test / Save adapter 做小模型实验,用模拟财务问答数据对比基模效果。
MLX-LM LoRA 指南
多模态视觉
图像 + 文字输入:对发票或报表截图做字段提取、来源核对与人工复核。
Ollama Vision 文档

每周怎么排

示例时间块共 33 小时;周日下午起完全休息,按阶段验收调整任务
时段时长做什么当周产出
周一至周五
19:00–23:00
4h × 5课程约 8h;其余时间复现代码、读官方文档并处理阶段项目可运行练习与问题记录
周六上午
09:00–12:00
3h项目核心功能可运行版本
周六下午
14:00–18:00
4h模型、检索、部署或前端实验实验记录与 Git 提交
周六晚上
19:30–21:30
2h测试、排错与机动缓冲问题清单更新
周日上午
09:00–13:00
4h财务口径、数据质量、评测与阶段验收验收记录与可复算结果
周日下午起
13:00 之后
休息完全不碰项目。写一句话复盘即可:本周卡在哪、下周第一件事是什么下周第一个任务

执行规则

约 16 周 × 33h = 528h 容量;主线估算约 432h,余约 96h 缓冲(18%)。这 96h 专门吃掉环境配置、模型下载和跑不通的时间——不要用它去加内容。
  • 视频约 99h。官方文档、模型实验和六个项目的时间另计。
  • 每周至少一次 Git 提交。保存可运行版本和实验结果。
  • 阶段验收后再推进。量化与微调属选修,放在作品集完成后;结果必须可复算。
  • 公开演示只用模拟数据。私有模型服务与真实财务数据留在授权环境。

学习负荷

16 周、每周约 33 小时;阶段时长为规划估算
阶段 176h
阶段 255h
阶段 378h
阶段 475h
阶段 558h
阶段 690h
选修42h
主线合计 约 432 小时 + 选修 42h(量化 12h、LoRA 30h)| 16 周 × 33h = 528h | 预留约 96h 缓冲(18%)。文档卡上的“实操约 Xh”包含在对应阶段内,不另加总。

负荷边界

  • 33h/周仍是高强度:连续 16 周每天 4–5 小时。周日下午起强制休息,是计划的一部分,不是偷懒。
  • 本机为 Apple M2、16GB 内存。模型大小和训练配置须先做设备适配;不预设能运行大型模型。
  • 主线视频约 99h;官方文档没有“视频时长”,以实践记录和验收结果衡量。
  • 私有化以本机模型和内网接口实验为验收范围;企业生产部署还需专用服务器与安全配置。多模态先做图像 + 文字的财务场景。
  • 量化与 LoRA 已移出主线:若设备(M2 / 16GB)跑不动,直接跳过,不影响 18 项验收中的其他项。
  • 总时长是规划估算,遇模型下载、依赖或硬件瓶颈需重新估算完成日期。

最终岗位能力验收

16 周完成后,以这 18 项能力检查作品集与投递准备(16、17 为选修)
01用 Python + Pandas 处理财务数据,含缺失值与口径处理
02用 SQL 查询渠道 / 型号 / 月份三维数据并做归因
03用 FastAPI 把分析能力封装成可调用服务
04用 RAG 构建带引用溯源的财务知识库
05用 LangGraph 构建有状态、可分支的财务 Agent
06实现 工具调用 + 结构化输出,且成功率可统计
07处理 缺失数据与指标口径冲突,能说清判定规则
08用 Docker 部署应用;公开演示与本地私有模型服务分开
09编写 基础测试与评测集,有量化指标
10记录 日志、成本、错误,能定位线上问题
11讲清 Transformer / Embedding / Attention 的基本原理
12用 README + 架构图 + 界面 + 演示视频把项目讲明白
13用 LangChain 构建可运行的提示、检索与引用链
14让 两个 Agent 按角色路由、复核并记录失败回退
15完成 本地私有模型部署,证明推理不依赖云端模型
16选修 完成一次 LoRA 微调,用留出样本对比基线
17选修 比较 4-bit / 8-bit 量化的内存、速度与回答质量
18用 多模态模型读取财务图片并人工复核字段

目标岗位分级

这三组不是「难度分级」,而是「你的背景能不能被兑现」的分级
优先投递 · 背景能直接兑现
  • 财务 AI 解决方案工程师
  • 企业 AI 应用工程师
  • AI 经营分析解决方案工程师
  • 企业知识库 / RAG 应用工程师
  • AI 项目交付工程师 / FDE
  • AI 产品技术经理
第二目标 · 需项目足够硬
  • 初级 Agent 应用工程师
  • AI 后端开发工程师
  • 大模型应用开发工程师
  • AI 全栈工程师
暂不主投 · 结构性不匹配
  • 大模型算法工程师
  • 搜索推荐算法工程师
  • AI Infra / 推理系统工程师
  • 大模型训练工程师