这是基于 ~2000 份真实职位描述整理的实用学习路径，按顺序排列，映射真实生产系统的构建方式。
核心误解
AI 工程不是从零训练模型。是围绕 LLM 构建系统。
1. LLM 基础
从这儿开始。所有东西都建立在此之上。
- LLM 如何工作（高层理解）
- 擅长什么 vs 失败在哪里
- 使用 OpenAI / Anthropic 等 API
- 结构化输出（JSON、schema、工具调用响应）
- 不同任务场景的 Prompt 工程
目标： 从"和模型聊天"到可预测地控制模型
2. RAG（检索增强生成）
大多数真实世界 AI 系统的支柱。
- 把自定义数据注入 LLM
- 向量搜索 + 语义检索
- Elasticsearch、Qdrant 等工具
- 分块策略（这比人们认为的重要得多）
- 处理真实数据：PDF、网页、转录
练习项目： FAQ 助手 / 文档问答系统 / 内部知识搜索
3. AI Agent
这里开始变得有趣——也混乱。
- 工具调用（能行动的 LLM，不只是响应）
- Agent 循环：think → act → observe → repeat
- 框架：LangChain、PydanticAI、OpenAI Agents SDK、Google ADK
- MCP（Model Context Protocol）
- 多 Agent 系统（路由、协调、管道）
练习项目： 网络研究 Agent / 数据提取管道 / 多 Agent 工作流
4. 测试 AI 系统
被低估但关键。
- 测试工具使用和输出
- 评估一致性
- 用 LLM 做裁判（元但有用）
目标： 让 AI 系统可靠，而不只是亮眼
5. 监控与可观测性
看不到系统在做什么，就没法修复。
- 追踪 Agent 工作流
- 记录交互
- 成本追踪
- 反馈循环
- 仪表盘（Grafana、OpenTelemetry）
真实影响： 这是区分 Demo 和生产系统的关键
6. 评估
大多数工程师跳过这个——结果很明显。
- 离线评估数据集
- 衡量检索质量
- 合成数据生成
- 基于结果的 Prompt 优化
目标： 从"感觉不错"到"可衡量"
7. 生产系统
这里是 AI 工程师变得有价值的地方。
- 从 notebook 到真实服务
- 部署（Streamlit 适合快速原型）
- 云平台：AWS / GCP / Azure
- Guardrails 和安全层
- 规模化并行处理
基础技能
Python 和工程基础
- Python（80%+ 职位用到）
- 测试、CI/CD、代码质量
- Git 工作流
Web 开发（做真实产品）
- FastAPI（AI 应用后端标准）
- React / Next.js（前端层）
- REST / GraphQL API
云和基础设施
- AWS / GCP / Azure 至少一个
- Docker（不可或缺）
- Kubernetes（规模化）
- Terraform（基础设施即代码）
数据库
- PostgreSQL（默认选择）
- 向量库：Pinecone、Weaviate、Qdrant、pgvector
- Redis（缓存、会话）
ML 基础（够用就行） 不需要成为研究员，但需要上下文。
- PyTorch 基础
- Embedding（非常重要）
- 微调（API 不够用时）
- 模型评估基础
数据工程
- ETL 管道
- Airflow、Spark、Kafka
- Databricks、Snowflake
Python 以外的语言
- TypeScript（对全栈 AI 非常重要）
- SQL（真实数据工作的必备）
- Java / Go（后端密集型职位）
现代 AI 系统技术栈
通常长这样：
- 前端：React / Next.js
- 后端：FastAPI
- AI 编排：LangChain、LangGraph、PydanticAI
- LLM：OpenAI、Anthropic、Groq、本地模型
- 向量库：Pinecone / Weaviate / Qdrant
- 基础设施：Docker + Kubernetes + 云
- 监控：OpenTelemetry、Grafana
- 评估：LLM 裁判、Evidently 等工具
优先级
必备： Python / Prompt 工程 / RAG 系统 / 一个云平台 / Docker
高价值： LangChain 或 PydanticAI / FastAPI / TypeScript / CI/CD / Kubernetes / PyTorch 基础
差异化（更快被录用）： Agent 框架（LangGraph、CrewAI）/ 微调模型 / 评估系统 / 向量数据库 / 多 Agent 架构
最终结论
AI 工程不是追逐炒作工具。是围绕 LLM 构建可靠系统，LLM 只是其中一个组件。
聚焦：
- RAG
- Agent
- 评估
- 生产系统
做到这些，已经领先大多数候选人了。