初级
AI工程师学习路径
AI工程师学习路径
一份实用的路线图，基于约2000个职位描述中的实际需求，告诉你该学什么、按什么顺序学。
如果你想进入AI工程领域（不仅仅是机器学习理论），这条路径能真实反映生产系统中系统的构建方式。
核心：20%的技能驱动80%的工作#
这是大多数人搞错的部分。
AI工程不是从头训练模型，而是围绕LLM构建系统。
- LLM基础
从这里开始。一切都建立在此之上。
- LLM的工作原理（高层次理解）
- 它们的优势与局限
- 使用OpenAI和Anthropic等API
- 结构化输出（JSON、模式、工具响应）
- 跨不同任务的提示工程
目标：从“与模型聊天”转变为可预测地控制它们
- RAG（检索增强生成）
这是大多数真实世界AI系统的支柱。
- 向LLM注入自定义数据
- 向量搜索 + 语义检索
- 使用Elasticsearch、Qdrant等工具
- 分块策略（这比人们想象的重要）
- 处理真实数据：PDF、网页、转录文本
👉 实践项目：
- 常见问题解答助手
- 文档问答系统
- 内部知识搜索
- AI代理
这是事情变得有趣且混乱的地方。
- 工具调用（LLM不仅能响应，还能行动）
- 代理循环：思考行动 → 观察 → 重复
- 框架：LangChain、PydanticAI、OpenAI Agents SDK、Google ADK
- 模型上下文协议（MCP）
- 多代理系统（路由、协调、流水线）
👉 实践项目：
- 网络研究代理
- 数据提取流水线
- 多代理工作流
- 测试AI系统
被低估，但至关重要。
- 测试工具使用和输出
- 评估一致性
- 使用LLM作为评判者（是的，有点元，但很有用）
👉 目标：让AI系统可靠，而不仅仅是令人印象深刻
- 监控与可观测性
如果你看不到系统在做什么，就无法修复它。
- 追踪代理工作流
- 记录交互
- 成本追踪
- 反馈循环
- 仪表板（Grafana、OpenTelemetry）
👉 实际影响：这是区分演示与生产系统的关键
- 评估
大多数工程师跳过这一步——结果显而易见。
- 离线评估数据集
- 衡量检索质量
- 合成数据生成
- 基于结果的提示优化
👉 目标：从“感觉不错”转变为可衡量
- 生产系统
这是AI工程师变得有价值的地方。
- 将笔记本转化为真实服务
- 部署（Streamlit用于快速原型）
- 云平台：AWS / GCP / Azure
- 防护栏和安全层
- 并行处理以实现扩展
辅助技能（职位描述实际要求的）#
这些不是可选的——它们无处不在。
Python与工程基础
- Python（约80%以上的角色使用）
- 测试、CI/CD、代码质量
- Git工作流
Web开发（针对真实产品）
- FastAPI（AI应用的后端标准）
- React / Next.js（前端层）
- API：REST / GraphQL
云与基础设施
- 至少一个：AWS、GCP或Azure
- Docker（不可协商）
- Kubernetes（用于扩展）
- Terraform（基础设施即代码）
数据库
- PostgreSQL（默认选择）
- 向量数据库：Pinecone、Weaviate、Qdrant、pgvector
- Redis（缓存、会话）
机器学习基础（足够即可）
你不需要成为研究员——但需要了解背景。
- PyTorch基础
- 嵌入（非常重要）
- 微调（当API不够用时）
- 模型评估基础
数据工程
- ETL流水线
- Airflow、Spark、Kafka
- 使用Databricks、Snowflake等工具
Python之外的语言
- TypeScript（对全栈AI非常重要）
- SQL（处理真实数据的必备技能）
- Java / Go（用于后端密集型角色）
典型的AI工程栈#
一个现代AI系统通常如下所示：
- 前端：React / Next.js
- 后端：FastAPI
- AI编排：LangChain、LangGraph、PydanticAI
- LLM：OpenAI、Anthropic、Groq、本地模型
- 向量数据库：Pinecone / Weaviate / Qdrant
- 基础设施：Docker + Kubernetes + 云
- 监控：OpenTelemetry、Grafana
- 评估：LLM评判者、Evidently等工具
技能优先级（如果时间有限）#
必备技能
- Python
- 提示工程
- RAG系统
- 一个云平台
- Docker
高价值技能
- LangChain或PydanticAI
- FastAPI
- TypeScript
- CI/CD
- Kubernetes
- PyTorch基础
差异化技能（能让你更快被录用）
- 代理框架（LangGraph、CrewAI）
- 模型微调
- 评估系统
- 向量数据库
- 多代理架构
最终总结#
AI工程不是追逐炒作工具。
而是构建可靠的系统，其中LLM只是其中一个组件。
如果你专注于：
- RAG
- 代理
- 评估
- 生产系统
你将已经领先于大多数候选人。
致谢#
本路线图深受Alexey Grigorev原创工作的启发：
帖子#
1#
https://x.com/ParasVerma7454/status/2048692381038543108
https://t.co/VXWvjhi22E
作者：Luffytaro (@ParasVerma7454) 网址：https://x.com/ParasVerma7454/status/2047952507029311621我是Paras。我构建系统、发布它们，然后开始下一个。全栈与AI工程师——开放实习或全职岗位。我构建端到端产品：干净的后端、真实的AI集成、已发布并上线。目前是SDE实习生，大部分时间用于构建和改进真实系统。如果你正在招聘或认识招聘的人，欢迎私信或回复。推荐信不胜感激。作品集在评论区。