AI 学习路线图：结构化课程

这是学习 AI 工程的课程表视角——学什么、按什么顺序、以及如何通过检查点验证你真正学会了。（职业策略——角色、市场、求职顺序——请参阅 如何成为 AI 工程师；本页面是与之配套的教学大纲。）

本路线图的设计原则

构建优先：每个阶段结束时都有一个可运行的作品，而不是一门看完的视频课程

先裸 API 后框架：先学 SDK，再学 LangChain——你无法调试你不理解的抽象层

评估前置：质量衡量在阶段 2 就教授，而不是事后才想起——这项技能 区分了可雇佣者与爱好者

阶段 0 — 前置知识（已有可跳过）

Python（函数、类型提示、虚拟环境、异步基础——LLM 应用是 I/O 密集型的：原因）；Git/GitHub；HTTP/REST + JSON；SQL 基础。*检查点：你能构建并调用一个小的 FastAPI 服务。*

明确不要求：线性代数、微积分、经典机器学习理论。它们对研究/ML 工程师方向很重要；对于应用工程来说，它们是选修课（阶段 5）。

阶段 1 — LLM API 基础（2-3 周）

原始提供商 SDK：聊天补全、流式输出、系统提示、结构化输出 + 验证、工具调用、错误处理/重试（生产基础）。提示工程作为工程学：速查表模式 + 为什么提示像代码一样行为。了解 模型格局 和层级经济学。 *检查点：一个 CLI/笔记本工具，能调用 LLM 实现流式输出、验证过的 JSON 输出和工具调用——不使用任何框架。*

阶段 2 — RAG + 评估（3-4 周）

嵌入与相似度；分块；完整检索流水线；pgvector 作为第一个向量存储；混合搜索与重排序作为可测量的实验。以及评估层，同一阶段：构建一个 50-100 题的评估集，评分 groundedness，做一次改进并*展示差值*（工作流）。 *检查点：在你熟悉的语料库上部署了 RAG 应用，并在 README 中包含评估表格。*

阶段 3 — 生产工程（2-3 周）

流式端点；异步 + 队列处理批量工作（批处理 API）；成本监控；降级方案；可观测性（工具）；安全基础（注入、PII、合规意识）。 *检查点：你的阶段 2 应用能在提供商故障时存活（降级），显示每次查询的成本，并有追踪。*

阶段 4 — 智能体与编排（3-4 周）

工具设计；从零开始实现智能体循环（一次，约 100 行——去神秘化）；然后 LangGraph 用于状态/持久化/人在回路；何时智能体是错误工具；多智能体模式 作为阅读材料。 *检查点：一个智能体能在审批门后执行重要工作，具有预算限制和持久化状态。*

阶段 5 — 按去向选修

基础设施方向：推理服务、KV 缓存内部、本地模型

模型方向：使用 LoRA 微调、RLHF/DPO 概念，以及*现在*学习数学基础

多模态方向：视觉流水线、OCR、音频

产品方向：SaaS 架构模式、系统设计面试准备

如何学习（决定成败的部分）

课程时间封顶 30%——另外 70% 用于构建检查点

一个不断演进的项目贯穿阶段 2-4，胜过四个孤立的演示——它将成为你的 作品集核心

边学边写：每个阶段写一篇短文，记录让你惊讶的事情——这个习惯会积累成你的可见度

总现实时间线：有编程经验者，兼职 3-4 个月可达到阶段 4 检查点；无经验者加倍（将多出的时间花在阶段 0，而不是后面）

---

*最后更新：2026 年 6 月。*