智能模块：一般指嵌入 AI 能力的独立可复用模块，比如 RAG 知识库、Agent 智能体、意图识别、OCR、语音 ASR/TTS、AI 调度模块，可集成到 Web / 后端 / 嵌入式系统。下面分基础层 → AI 核心层 → 模块工程化 → 部署与运维 → 进阶方向9.1 编程与计算机基础（必学）9.1.1 编程语言Python：AI 模块首选，框架、微调、Prompt、RAG、Agent 全部基于它。Python 之所以成为 AI 领域的事实标准，主要得益于以下几点：生态成熟：PyTorch、Transformers、LangChain、LlamaIndex 等主流 AI 框架和库都以 Python 为第一语言，社区资源丰富，遇到问题几乎都能找到现成方案。开发效率高：语法简洁、上手快，适合快速原型验证。AI 模块通常需要频繁迭代 Prompt、调整参数，Python 的交互式开发体验（Jupyter Notebook 等）能显著缩短试错周期。全链路覆盖：从数据预处理（pandas、numpy）、模型训练（PyTorch）、推理部署（FastAPI、ONNX）到运维监控，Python 都能贯穿整个智能模块的生命周期。人才与文档：AI 相关教程、开源项目、技术博客绝大多数以 Python 编写，学习资料和可参考代码最为丰富。如果要开发智能模块，可以把 Python 作为主力语言，优先掌握其语法、虚拟环境管理（venv / conda）、包管理（pip）以及基本的面向对象编程，为后续学习框架和实战打好基础。可选：JavaScript/Go：用于封装 API、高性能服务9.1.2 基础计算机知识数据结构与算法：链表、哈希、树、向量检索基础（RAG 核心）。数据结构决定了数据的组织方式，算法决定了处理效率，二者是智能模块性能的底层支撑。建议重点掌握：链表与哈希表：理解内存布局、增删查改的时间复杂度，哈希表在缓存、去重、索引场景中应用广泛。树结构：二叉树、B 树等，是数据库索引和向量索引的底层基础，理解树的分支与平衡策略有助于把握检索性能。向量检索基础：这是 RAG 的核心。要理解向量相似度计算（余弦相似度、内积）、近似最近邻（ANN）检索原理，以及向量索引（HNSW、IVF）如何在海量数据中快速召回。计算机网络：HTTP、RESTful API、WebSocket、MQTT（对接物联网 / 呼叫中心）。网络是智能模块对外通信的通道，需要掌握：HTTP 与 RESTful API：理解请求方法、状态码、请求头与响应体，掌握如何设计、调用和调试 REST 接口，这是封装智能模块对外服务的基础。WebSocket：支持全双工长连接，适合需要实时推送的对话场景，例如流式输出大模型回复、实时状态上报。MQTT：轻量级消息协议，适合物联网设备、呼叫中心等低带宽、高并发的场景，用于设备与智能模块之间的消息传递。