如果我只有 6 个月从零成为 AI 工程师 我会这样做 **第一阶段：枯燥但必要的基础** - 学习：Python、Git、命令行、HTTP 和 JSON、基础 SQL、FastAPI - 实践：写一个 CLI 工具，调用公开 API 并把结果以干净的 JSON 格式写入磁盘 - 为什么：AI 工程首先是软件工程，下面每个阶段都默认你能交付一个可用的接口 **第二阶段：LLM 应用开发** - 学习：Prompting、用 Pydantic 实现结构化输出、工具调用、流式输出、会话状态、Token 成本 - 实践：做一个发票解析器，返回带类型的 Python 对象；然后给模型 3 个工具，让它自己选择调用哪个 - 为什么：这才是真正的工作内容，而大多数人会直接跳过这一步去做智能体 **第三阶段：正确地使用 RAG** - 学习：Embedding、分块、向量数据库、元数据过滤、重排序 - 实践：摄入 20 个 PDF 文件，交付一个接口，能从 Top 5 分块中返回带引用来源的答案 - 为什么：大多数 RAG 失败是检索失败，所以能把检索调通的人最值钱 **第四阶段：智能体、工作流与评估** - 学习：智能体循环、工具描述、状态、重试，以及什么时候不该用智能体 - 实践：完全不依赖框架，只用 API、3 个工具和一个 while 循环，写一个智能体 - 为什么：3 次固定调用的链式流程，往往胜过一个可能调用 3 次的智能体；而知道你到底需要哪一种，才是高级工程师的水平 **第五阶段：部署与可靠性** - 学习：Docker、后台任务、鉴权、速率限制、用 Langfuse 做链路追踪、缓存、成本控制 - 实践：把你的 RAG 应用连同向量数据库和 Redis 一起容器化，然后给它设置每日硬性支出上限 - 为什么：大多数人卡在这一关，他们能做演示，但无法承受凌晨 2 点的真实流量 **第六阶段：选定一条赛道** - 学习：产品工程、应用机器学习，或业务自动化 - 实践：发布 2-3 个项目，一个陌生人打开后能直接使用，不需要你任何解释 - 为什么：6 个月会让你在一个方向上足够精通，而不是在三个方向上都平庸 你不需要训练模型 你需要在模型之上构建系统，而这才是公司真正付费购买的东西 我把这份路线图的完整版写好了，每个阶段都附上了所有资源和链接 所以，如果你是初学者，而且 6 个月前跳过了这篇文章，请接着往下读：