每周我都会收到一些类似这样的消息我该如何成为 AI engineer问题不在于路线图、课程或视频不够多。问题在于它们大多是在AI Agents、Model Context Protocol (MCP)、Context Engineering 和 production LLM systems成为公司真正招聘所看重的技能之前制作的。如今即使是入门级 AI engineering 岗位也会要求你理解Retrieval-Augmented Generation (RAG)、embeddings、vector databases、structured outputs 和 agentic workflows等概念。在指导学习者、面试 AI 岗位、构建 production AI 应用以及花了无数时间去弄清楚什么真正重要之后我决定把所有内容整理成一份路线图。(终于)无论你是从零开始的学生转向 AI 的 software engineer或者是想要提升能力的 AI engineer这份路线图都旨在帮助你学习 2026 年真正重要的技能。它与五年前的重要内容有着很大不同。让我们开始吧。AI 变化的速度比大多数路线图都要快互联网上大多数AI roadmap内容本质上都是一份 2019 年的 Machine Learning Roadmap只不过在上面草草加了一个LLM章节。它也许对刚入门的新手有用但对有经验的 engineer 来说远远不够。今天对 AI Engineer 的要求是什么到了 2026 年AI Engineer 的含义已经明显不同于哪怕两年前(如果你已经在这个行业里你可能已经意识到了这一点)我们应该害怕 AI 吗你需要担心 AI 会夺走 tech 行业的工作吗我的诚实答案是不需要只要你努力跟上它。因为两年前甚至还没有一个 prompt engineering 的职位。相信我但看看如今有多少工作都围绕 prompt engineering 聚集所以如果你要花几个月学习这类内容你理应得到一份反映当下团队真实招聘需求的路线图而不是一个过时的遗物。免责声明在学习 AI 之前先学会构建软件是的我先说出这个不太受欢迎的部分。让我直说你不可能仅仅通过周末看一些关于 transformer 的 YouTube 视频就直接跳到“我靠 fine-tune LLMs 谋生构建 AI agents”。我尊重的每一位 AI Engineer——那些真正把东西交付出去而不只是发帖讨论的人——其底层都是扎实的 software engineer。他们能够阅读 stack trace或者在面对新的 stack trace 时不慌张写出别人或者未来的自己也能真正理解和维护的代码把 git 当作工具来使用思考当 10,000 个请求打到 endpoint 上时会发生什么而不是只有 1 个请求时的情况*对有经验的开发者来说*注意对于每个阶段的概念我都标注了相应资源包括视频教程、阅读指南以及在需要时的相关项目。先从最适合你的开始。始终记住最好的学习方式就是把它付诸实践。让我们开始吧第一阶段Python、Git 和编程基础已经熟悉 Python 了可以跳到 Git、virtual environments 和 debugging。这里才是Python for AI真正开始的地方。我花了几个月时间刷教程之后才意识到动手实现比被动学习能教会你更多东西。只有当我开始练习 DSA 并实现算法时我才真正开始思考得更清晰并看到了显著提升。所以我的建议是先把纯 Python或者你选择的任何编程语言比如 C练到足够熟练。如果你一开始做 DSA 用它更容易但记住之后你可能还需要切换到 Python )Python会让那些 AI 专属库不再像一门外语。你之后会有这种感觉以下是你需要真正熟悉的内容1. Python 核心Data structureslists、dict、sets、functions、classes、list/dict comprehensions、generators、decorators你会在很多 AI frameworks 里频繁看到这些把选择最优资源的时间压到最少然后先从一个开始。我建议你先从课程或视频入手。掌握基础理解之后再到LeetCode之类的平台上做 DSA 题目并持续提升。2. Virtual environments 与 package managementvenv、pip以及越来越常用的uv。如果跳过这些你会在 dependency conflicts 上浪费掉大量时间Git GitHub:branches、commits、pull requests以及在不哭的情况下解决 merge conflicts。你不需要死记硬背边做边学它会变成一种习惯Working with files data:读取/写入 JSON、CSV 和纯文本因为在数据变成漂亮 dataframe 之前它 80% 的样子都是这样The terminal:基础 bash、目录导航、把命令串联起来Debugging:在把错误信息复制给 chatbot 之前先真正读一下报错。也试着在你正在使用的 IDE 里用工具调试比如 VS Code 的 breakpoints。另外print statements 也是救命的很多初学者在这里会掉入一个陷阱把这个阶段当成不断看教程直到“突然懂了”。但只看是不会“突然懂”的。真正懂是通过输入、排错、再执行循环往复才会发生。动手时间你的第一个真实项目 从一个简单项目开始比如 BMI Calculator、Sudoku 或 Tic-tac-toe来打磨你的初学者技能然后再构建一些真正包含实际数据或真实问题的东西比如一个 CLI tool用于从 public API 抓取并清洗数据然后保存到结构化文件中一个小脚本用于解析你自己的 bank statement CSV 或 Spliwise 导出文件并对支出进行分类一个简单的 web scraper data cleaner用于处理你个人感兴趣的数据集这个项目的目标与其说是结果不如说是逼自己穿过那些不那么光鲜的部分比如格式损坏的数据、off-by-one errors、以及一个在你脚本执行到一半时突然改变返回结构的 API。你可以使用 这个资源 来探索从适合初学者到接近真实世界的项目想法注意你将在下面第二阶段学习的任何数学内容都尽量通过代码实现出来。这样你会学到该用哪些 libraries以及何时使用它们。第二阶段真正重要的数学人们对 AI 的恐惧往往比实际需要的更多。我们不需要一开始就学完所有 linear algebra但需要其中一小部分、而且是有针对性的一小部分。你总可以在此基础上继续扩展1. Linear AlgebraVectors、matrices、tensors以及它们相乘在几何上究竟做了什么Dot products、matrix multiplications、eigenvalues 和 vectors你会马上在 attention mechanisms 和 embeddings 中再次见到它们2. Calculus我们大多数人可能在高中时都学过。但这里是主要主题和可能有助于你回顾概念的资源。Precalculus、Differential Calculus、Integral Calculus、Multivariate CalculusDerivatives尤其是 gradient 的概念3. Probability StatisticsDistributions、mean/variance、conditional probability这才是模型输出、不确定性和评估指标真正使用的语言。4. OptimizationGradient descent、learning rates、loss functions也就是把错误逐步变成__没那么错** 的机制如果你还在想所有数学究竟在哪里变得必要处理数据的工具学习 Pandas 和 NumPy 之类的流行 libraries用于数据处理和分析。看看 Matplotlib 和 Seaborn 之类的数据可视化工具。先从 matplotlib 开始它更简单Data Visualization 可以拓展思维和叙事的边界动手时间从零实现 Linear Regression 这是整份路线图里回报最高的练习但大多数人因为它看起来太基础而跳过它。不要跳过。import numpy as npclass LinearRegressionScratch: def __init__(self, learning_rate0.01, n_iterations1000): self.learning_rate learning_rate self.n_iterations n_iterations self.weights None self.bias None def fit(self, X, y): n_samples, n_features X.shape self.weights np.zeros(n_features) self.bias 0 for _ in range(self.n_iterations): y_pred np.dot(X, self.weights) self.bias # Gradients dw (1 / n_samples) * np.dot(X.T, (y_pred - y)) db (1 / n_samples) * np.sum(y_pred - y) # Update self.weights - self.learning_rate * dw self.bias - self.learning_rate * db def predict(self, X): return np.dot(X, self.weights) self.bias一旦这段代码运行起来就把结果与同一数据上的sklearn.linear_model.LinearRegression进行对比。当数值大致吻合时你就已经向自己证明你理解了之后每个模型底层到底在发生什么。每当你遇到类似技术时尽量把底层算法实现出来这样你会更好地理解它。Libraries 也许能让一切变得简单但了解背后的算法和数学很重要。第三阶段经典 Machine Learning在你接触 neural network 之前必须先熟悉这类经典内容因为现实世界中大量 ML 问题使用这些方法仍然比 deep learning model 更好、更便宜。理解为什么我们在某些场景下使用某些技术而不是其他技术以及它是如何解决问题的。核心主题Supervised learningregression、classification、decision trees、random forests、gradient boostingXGBoost/LightGBMUnsupervised learningclusteringk-means、dimensionality reductionPCAModel evaluationtrain/test splits、cross-validation、precision/recall/F1、ROC-AUC以及关键的是知道对于某个具体 business problem真正重要的是哪个metricFeature engineering这是决定你的模型是优秀还是平庸的技能熟练使用scikit-learn、pipelines、preprocessing、model selection作品集项目 #1Customer Churn Prediction 这个项目之所以成为所有人的必经之路是有原因的它会逼你完整经历现实世界里的整个生命周期从杂乱的 tabular data、class imbalance、feature engineering、model comparison到与业务相关的 evaluation这里的 false negative 字面上就会让公司损失一个客户。一个高质量版本的这个项目应包含对于你为什么选择该 evaluation metric 的清晰说明churn 场景下 accuracy 几乎总是错误答案至少两个模型对比而不是只说“我用了 XGBoost因为它很流行”ExplainabilitySHAP values、confusion matrix 或 feature importances这样你才能说明为什么模型会做出它所做出的预测作品集项目 #2Recommendation Systems 这个项目会教你从similarity的角度思考一旦你后面学到 embeddings 和 RAG就会持续依赖这个概念。构建一个简单的 content-based 或 collaborative-filtering recommendermovies、books 或 products 都适合作为数据集。重点在于将表示__item为vectors并衡量它们之间的距离这一想法内化因为这个想法会在第五阶段再次出现。我个人做过一个书店推荐系统初学阶段学到的内容对判断什么方法有效、什么方法无效帮助很大。第四阶段Deep Learning这个阶段实际上决定了Deep Learning是否适合你。很多自学者或 engineer 就是在这里要么爱上了这个领域要么只学到基础就放弃了。不管结果如何我都建议你认真尝试一次然后再决定你属于哪一类核心主题Neural network 基础layers、activation functions、forward/backward passTraining dynamicsoverfitting、regularization、dropout、batch normalizationOptimizersSGD、Adam以及为什么它们在实践中的选择确实很重要GPUs不需要理论只要足够让你明白为什么当你运行一个十亿参数模型时笔记本会像着火一样发烫等等……PyTorch 还是 TensorFlow这是每个初学者都会提出的一个非常合理的问题也值得一个直接的答案PyTorch实际上已经成为research、大多数现代开源模型以及 2026 年你会接触到的大部分 production AI engineering 工作的默认选择。TensorFlow仍然有其存在感尤其是在一些 enterprise 和 mobile deployment 场景中通过TensorFlow****Lite但如果你只能先深入学一个 framework那就学PyTorch。几乎你会读到的每一个 Hugging Face 模型、agent frameworks 和 research code都是基于它构建的。NLP、Computer Vision 和 Transformers你需要在以下内容上具备能实际操作的**素养NLP 基础tokenization、embeddings、sequence modelsComputer Vision 基础CNNs、image preprocessing、transfer learningTransformer architectureattention、self-attention以及为什么正是这一架构使你今天使用的每一个 LLM 得以存在Attention is all you need!字面意义上就是这样一定要真正理解 Transformer architecture 中的 Attention mechanism 是如何工作的。第五阶段的一切都建立在它之上。见下方资源作品集项目 #3Sentiment Analysis在一个情感分类数据集上 fine-tune 一个 pretrained transformerdistilled BERT 变体是一个不错且成本较低的起点。这个项目会让你大致掌握整个现代 fine-tuning workflow从加载 pretrained model、正确 tokenizing 数据到在其上进行 fine-tuning再到评估与 production teams 使用的同一工作流在更大规模下的表现。作品集项目 #4Meeting Transcriber构建一个端到端 pipeline输入音频输出 transcript再输出 summary。这把 speech-to-text这里Whisper显然是最合适、也非常优秀的选择和一个 LLM summarization 步骤结合起来。这会让它成为你的第一个真正的 AI 应用而不仅仅是一个 model。它也是一个真正有用的工具你会真的愿意继续使用自己做出来的东西第五阶段AI Engineer这正是整份路线图一路构建到的阶段也是实际AI Engineering工作的核心所在。注意如果你正在准备 ML 相关岗位那么从这里开始准备方向会发生分化。在此之前的内容都是基础是 AI 和 ML 两个方向都通用的无论你是应届生还是有经验的开发者这都是你要在其上搭建的框架。Context EngineeringContext Engineering是 2026 年对prompt engineering的真正继任者。Prompt engineer 会问我应该把哪些词放进 prompt而 Context Engineer 会问模型在 context window 中完成这个任务所需的完整信息集合是什么——检索到的文档、tool outputs、对话历史、system instructions、memory——以及我该如何结构化并优先排序这些内容这就是整个场景。归根结底就是以系统的方式思考。需要重点关注的核心概念实际上哪些information需要放入context哪些是稀释信号的noise如何对这些 context 进行structure排序、格式化、压缩让模型更好地使用它Context window budgeting你没有无限 tokens而且为了“以防万一”把所有东西都塞进去往往会让输出更差而不是更好Structured Outputs学习如何让 LLM 按预定义 schemaJSON、Pydantic 等生成响应而不是自由文本。这会让 AI 应用更可靠也更容易与下游系统集成。Retrieval-Augmented Generation (RAG)RAG 是一种让 LLM 使用它从未训练过的信息来回答问题的技术。核心主题Chunking strategies朴素的固定大小 chunking 与 semantic chunking以及为什么这个选择会悄悄决定你的 retrieval quality 上限Embeddings vector databases文本如何变成 vector以及 Pinecone、Weaviate、Chroma 或 pgvector 之类的工具如何用于存储和搜索它们Retrievalsimilarity search、hybrid search结合 keyword semantic以及 re-rankingRAG techniquesQuery Rewriting在检索前改进用户查询、Agentic RAG让 agents 迭代式地规划和检索以及Graph RAG使用 knowledge graphs 捕捉实体之间的关系以实现更丰富的检索Evaluation衡量 retrieval quality、hallucinations不只是最终答案看起来是否还行使用 context precision 和 recall 等指标我个人发现这门课程在理解 RAG 的所有内容方面极其有帮助之后可以在这里深入学习 RAG strategies作为项目你可以尝试在自己的一套个人 journal 上实现 RAG这确实是个很酷的项目。Model Context Protocol (MCP)MCP用一句话来说就是一种标准化方式让 LLM 应用连接到external****tools和datasources而不是每个团队都为 agent 需要接触的每个工具编写一套自定义集成。核心主题理解 MCP 的 client/server 模型将现有的 MCP server 连接到你构建的 agent为一个还没有现成 MCP server 的工具构建一个最小化的自定义 MCP server你在 ChatGPT 或 Claude 里使用的每一个工具无论是向 Canva、Notion 写入还是从中读取或者任何外部工具背后都是 MCP 在驱动。AI AgentsAI Agent 是这样一种系统一个 LLM 可以围绕一个goal进行推理决定使用哪个tool执行一个actionobserve结果并不断loop而不仅仅像 chatbot 那样只输出一段静态文本。核心主题Reasoning loopplan → act → observe → repeatReAct-style patternsTool use/function calling模型如何决定何时以及调用什么Memory短期在单次会话内与长期跨会话持久化Guardrails防止 agent 做出破坏性、昂贵或错误行为的机制在接触 LangChain 或 LangGraph 这类 framework 之前至少先基于原始 API 调用构建一个 agent。这之间的区别就在于你是知道 LangChain 或类似 framework 在替你做什么还是只知道它的 API 表面。虽然理解 agent 概念比框架更重要但还是值得去了解一下现代框架比如OpenAI Agents SDK、LangGraph、CrewAI、Google ADK、Agno、AutoGen和Smolagents以理解构建可投入生产的 agentic systems 的不同方式。Multi-Agent SystemsMulti-Agent Systems 会把上面的单 agent 模式拆分开让多个专门的 agents 协同完成复杂任务。这很重要因为单 agent 在复杂、多步骤任务上会遇到真正的上限context 会被塞满而且让一个 agent 什么都想做、什么都想懂往往意味着它在大多数事情上都表现平平专门化 agents——每个都有狭窄、明确定义的职责和自己的 context——通常会胜过试图包揽一切的通用型 agent就像我们人类会专注于某项任务并把它做好值得了解的模式Orchestrator-worker一个 agent 把子任务委派给专门的 workersSequential pipelinesagent A 的输出成为 agent B 的输入Debate/critique patterns一个 agent 的输出在最终定稿前会由另一个 agent 审查和质疑AI Evaluation作为 AI Engineer我怎么强调这一点都不为过。它几乎可以说是 demo 和 production system 之间的分水岭。核心主题在发布之前先构建一个代表性输入的 test set为你的特定任务定义什么叫good正确性对检索来源的忠实度语气延迟当人工评估无法扩展时使用LLM-as-judge模式同时理解这种方法带来的偏差使用DeepEval、Promptfoo、LangSmith、Ragas和Arize****Phoenix等 evaluation frameworks对 prompts、RAG pipelines 和 agentic workflows 进行 benchmark 并追踪 regressions。当你更改 prompts、models 或 retrieval logic 时持续跟踪regressionsLLMOps随着 AI 系统逐渐成为 production applications学习LLMOps变得越来越重要。核心主题Prompt versioningmodel routingtracing、observabilitycost monitoringcachingexperiment trackingLLMOps 有助于构建可靠、可扩展的 AI 系统。部署 AI 应用值得掌握的 deployment 基础APIs用 FastAPI 或类似工具包装你的 model/agentContainerizationDocker至少要知道它为什么存在以及如何使用**Inference 和 model-serving tools**vLLM用于高吞吐量 LLM servingLiteLLM用于通过统一接口在多个 model provider 之间路由请求基础云部署可以选择你最熟悉的 cloud provider完成端到端部署Monitoring cost trackingLLM 调用按 token 计费production system 需要对 latency 和花费都有可见性。这是最受关注的领域之一CI/CD 基础用于部署和自动化 pipeline我看到每个初学者都会犯的错误在跳过第一到第三阶段的情况下直接冲向 LLM 和 agents把 frameworksLangChain 等当作需要单独学习的东西而不是建立在你应先独立理解的概念之上的东西收集教程而不是构建项目观看不等于实践而这两者之间的差距正是大多数人悄悄卡住的地方在构建过程中就把 eval pipeline 一并搭建好而不是留到以后。每一次微小改动都能让我们知道 pipeline 是在变好还是变差。最后的想法如果你只从这份路线图里带走一件事那就让它是这一点成为 AI Engineer 并不是要掌握每一个新工具而是要建立扎实的基础并持续地应用它们。在穿越每个阶段时不要急。做项目、做实验、犯错误并通过实践去学习。真正的成长就发生在这里。我希望这份路线图能给你一个清晰的方向并帮你省下我曾经花在弄清楚下一步该学什么上的时间。普通人如何抓住AI大模型的风口领取方式在文末2026年入行AI大模型的黄金窗口!!!AI产业正迎来前所未有的爆发式增长。从DeepSeek以百万年薪重金招募顶尖研究员到百度、阿里、腾讯等头部企业加速推进AI Agent商业化布局再到国家层面持续出台政策大力扶持数字经济与AI人才培育体系多重信号清晰指向一个共识AI的“黄金十年”已全面开启在产业浪潮的强劲推动下AI人才争夺战日趋白热化。技术迭代与场景落地双轮驱动催生海量高价值岗位。放眼未来AI领域的职业发展前景广阔无垠正涌现出大量高潜机遇堪称一片值得深耕的**“人才蓝海”**。脉脉数据显示2026年1-2月AI岗位数量同比增长约12倍增速远超新经济行业整体增幅AI岗位在全部新经济岗位中的占比也从2025年同期的2.29%跃升至26.23%几乎占据新经济招聘市场的四分之一。与此同时AI新发岗位平均月薪高达60738元较新经济行业整体平均月薪48189元高出约26%。这一切都说明一件事2026年正是入行AI大模型的黄金窗口❗️❗️如何学习AI大模型作为一名热心肠的互联网老兵我决定把宝贵的AI知识分享给大家。 至于能学习到多少就看你的学习毅力和能力了 。我已将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】一、全套AGI大模型学习路线AI大模型时代的学习之旅从基础到前沿掌握人工智能的核心技能二、640套AI大模型报告合集这套包含640份报告的合集涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师还是对AI大模型感兴趣的爱好者这套报告合集都将为您提供宝贵的信息和启示。三、AI大模型经典PDF籍随着人工智能技术的飞速发展AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型如GPT-3、BERT、XLNet等以其强大的语言理解和生成能力正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。四、AI大模型商业化落地方案作为普通人入局大模型时代需要持续学习和实践不断提高自己的技能和认知水平同时也需要有责任感和伦理意识为人工智能的健康发展贡献力量。
每周我都会收到一些类似这样的消息我该如何成为 AI engineer问题不在于路线图、课程或视频不够多。问题在于它们大多是在AI Agents、Model Context Protocol (MCP)、Context Engineering 和 production LLM systems成为公司真正招聘所看重的技能之前制作的。如今即使是入门级 AI engineering 岗位也会要求你理解Retrieval-Augmented Generation (RAG)、embeddings、vector databases、structured outputs 和 agentic workflows等概念。在指导学习者、面试 AI 岗位、构建 production AI 应用以及花了无数时间去弄清楚什么真正重要之后我决定把所有内容整理成一份路线图。(终于)无论你是从零开始的学生转向 AI 的 software engineer或者是想要提升能力的 AI engineer这份路线图都旨在帮助你学习 2026 年真正重要的技能。它与五年前的重要内容有着很大不同。让我们开始吧。AI 变化的速度比大多数路线图都要快互联网上大多数AI roadmap内容本质上都是一份 2019 年的 Machine Learning Roadmap只不过在上面草草加了一个LLM章节。它也许对刚入门的新手有用但对有经验的 engineer 来说远远不够。今天对 AI Engineer 的要求是什么到了 2026 年AI Engineer 的含义已经明显不同于哪怕两年前(如果你已经在这个行业里你可能已经意识到了这一点)我们应该害怕 AI 吗你需要担心 AI 会夺走 tech 行业的工作吗我的诚实答案是不需要只要你努力跟上它。因为两年前甚至还没有一个 prompt engineering 的职位。相信我但看看如今有多少工作都围绕 prompt engineering 聚集所以如果你要花几个月学习这类内容你理应得到一份反映当下团队真实招聘需求的路线图而不是一个过时的遗物。免责声明在学习 AI 之前先学会构建软件是的我先说出这个不太受欢迎的部分。让我直说你不可能仅仅通过周末看一些关于 transformer 的 YouTube 视频就直接跳到“我靠 fine-tune LLMs 谋生构建 AI agents”。我尊重的每一位 AI Engineer——那些真正把东西交付出去而不只是发帖讨论的人——其底层都是扎实的 software engineer。他们能够阅读 stack trace或者在面对新的 stack trace 时不慌张写出别人或者未来的自己也能真正理解和维护的代码把 git 当作工具来使用思考当 10,000 个请求打到 endpoint 上时会发生什么而不是只有 1 个请求时的情况*对有经验的开发者来说*注意对于每个阶段的概念我都标注了相应资源包括视频教程、阅读指南以及在需要时的相关项目。先从最适合你的开始。始终记住最好的学习方式就是把它付诸实践。让我们开始吧第一阶段Python、Git 和编程基础已经熟悉 Python 了可以跳到 Git、virtual environments 和 debugging。这里才是Python for AI真正开始的地方。我花了几个月时间刷教程之后才意识到动手实现比被动学习能教会你更多东西。只有当我开始练习 DSA 并实现算法时我才真正开始思考得更清晰并看到了显著提升。所以我的建议是先把纯 Python或者你选择的任何编程语言比如 C练到足够熟练。如果你一开始做 DSA 用它更容易但记住之后你可能还需要切换到 Python )Python会让那些 AI 专属库不再像一门外语。你之后会有这种感觉以下是你需要真正熟悉的内容1. Python 核心Data structureslists、dict、sets、functions、classes、list/dict comprehensions、generators、decorators你会在很多 AI frameworks 里频繁看到这些把选择最优资源的时间压到最少然后先从一个开始。我建议你先从课程或视频入手。掌握基础理解之后再到LeetCode之类的平台上做 DSA 题目并持续提升。2. Virtual environments 与 package managementvenv、pip以及越来越常用的uv。如果跳过这些你会在 dependency conflicts 上浪费掉大量时间Git GitHub:branches、commits、pull requests以及在不哭的情况下解决 merge conflicts。你不需要死记硬背边做边学它会变成一种习惯Working with files data:读取/写入 JSON、CSV 和纯文本因为在数据变成漂亮 dataframe 之前它 80% 的样子都是这样The terminal:基础 bash、目录导航、把命令串联起来Debugging:在把错误信息复制给 chatbot 之前先真正读一下报错。也试着在你正在使用的 IDE 里用工具调试比如 VS Code 的 breakpoints。另外print statements 也是救命的很多初学者在这里会掉入一个陷阱把这个阶段当成不断看教程直到“突然懂了”。但只看是不会“突然懂”的。真正懂是通过输入、排错、再执行循环往复才会发生。动手时间你的第一个真实项目 从一个简单项目开始比如 BMI Calculator、Sudoku 或 Tic-tac-toe来打磨你的初学者技能然后再构建一些真正包含实际数据或真实问题的东西比如一个 CLI tool用于从 public API 抓取并清洗数据然后保存到结构化文件中一个小脚本用于解析你自己的 bank statement CSV 或 Spliwise 导出文件并对支出进行分类一个简单的 web scraper data cleaner用于处理你个人感兴趣的数据集这个项目的目标与其说是结果不如说是逼自己穿过那些不那么光鲜的部分比如格式损坏的数据、off-by-one errors、以及一个在你脚本执行到一半时突然改变返回结构的 API。你可以使用 这个资源 来探索从适合初学者到接近真实世界的项目想法注意你将在下面第二阶段学习的任何数学内容都尽量通过代码实现出来。这样你会学到该用哪些 libraries以及何时使用它们。第二阶段真正重要的数学人们对 AI 的恐惧往往比实际需要的更多。我们不需要一开始就学完所有 linear algebra但需要其中一小部分、而且是有针对性的一小部分。你总可以在此基础上继续扩展1. Linear AlgebraVectors、matrices、tensors以及它们相乘在几何上究竟做了什么Dot products、matrix multiplications、eigenvalues 和 vectors你会马上在 attention mechanisms 和 embeddings 中再次见到它们2. Calculus我们大多数人可能在高中时都学过。但这里是主要主题和可能有助于你回顾概念的资源。Precalculus、Differential Calculus、Integral Calculus、Multivariate CalculusDerivatives尤其是 gradient 的概念3. Probability StatisticsDistributions、mean/variance、conditional probability这才是模型输出、不确定性和评估指标真正使用的语言。4. OptimizationGradient descent、learning rates、loss functions也就是把错误逐步变成__没那么错** 的机制如果你还在想所有数学究竟在哪里变得必要处理数据的工具学习 Pandas 和 NumPy 之类的流行 libraries用于数据处理和分析。看看 Matplotlib 和 Seaborn 之类的数据可视化工具。先从 matplotlib 开始它更简单Data Visualization 可以拓展思维和叙事的边界动手时间从零实现 Linear Regression 这是整份路线图里回报最高的练习但大多数人因为它看起来太基础而跳过它。不要跳过。import numpy as npclass LinearRegressionScratch: def __init__(self, learning_rate0.01, n_iterations1000): self.learning_rate learning_rate self.n_iterations n_iterations self.weights None self.bias None def fit(self, X, y): n_samples, n_features X.shape self.weights np.zeros(n_features) self.bias 0 for _ in range(self.n_iterations): y_pred np.dot(X, self.weights) self.bias # Gradients dw (1 / n_samples) * np.dot(X.T, (y_pred - y)) db (1 / n_samples) * np.sum(y_pred - y) # Update self.weights - self.learning_rate * dw self.bias - self.learning_rate * db def predict(self, X): return np.dot(X, self.weights) self.bias一旦这段代码运行起来就把结果与同一数据上的sklearn.linear_model.LinearRegression进行对比。当数值大致吻合时你就已经向自己证明你理解了之后每个模型底层到底在发生什么。每当你遇到类似技术时尽量把底层算法实现出来这样你会更好地理解它。Libraries 也许能让一切变得简单但了解背后的算法和数学很重要。第三阶段经典 Machine Learning在你接触 neural network 之前必须先熟悉这类经典内容因为现实世界中大量 ML 问题使用这些方法仍然比 deep learning model 更好、更便宜。理解为什么我们在某些场景下使用某些技术而不是其他技术以及它是如何解决问题的。核心主题Supervised learningregression、classification、decision trees、random forests、gradient boostingXGBoost/LightGBMUnsupervised learningclusteringk-means、dimensionality reductionPCAModel evaluationtrain/test splits、cross-validation、precision/recall/F1、ROC-AUC以及关键的是知道对于某个具体 business problem真正重要的是哪个metricFeature engineering这是决定你的模型是优秀还是平庸的技能熟练使用scikit-learn、pipelines、preprocessing、model selection作品集项目 #1Customer Churn Prediction 这个项目之所以成为所有人的必经之路是有原因的它会逼你完整经历现实世界里的整个生命周期从杂乱的 tabular data、class imbalance、feature engineering、model comparison到与业务相关的 evaluation这里的 false negative 字面上就会让公司损失一个客户。一个高质量版本的这个项目应包含对于你为什么选择该 evaluation metric 的清晰说明churn 场景下 accuracy 几乎总是错误答案至少两个模型对比而不是只说“我用了 XGBoost因为它很流行”ExplainabilitySHAP values、confusion matrix 或 feature importances这样你才能说明为什么模型会做出它所做出的预测作品集项目 #2Recommendation Systems 这个项目会教你从similarity的角度思考一旦你后面学到 embeddings 和 RAG就会持续依赖这个概念。构建一个简单的 content-based 或 collaborative-filtering recommendermovies、books 或 products 都适合作为数据集。重点在于将表示__item为vectors并衡量它们之间的距离这一想法内化因为这个想法会在第五阶段再次出现。我个人做过一个书店推荐系统初学阶段学到的内容对判断什么方法有效、什么方法无效帮助很大。第四阶段Deep Learning这个阶段实际上决定了Deep Learning是否适合你。很多自学者或 engineer 就是在这里要么爱上了这个领域要么只学到基础就放弃了。不管结果如何我都建议你认真尝试一次然后再决定你属于哪一类核心主题Neural network 基础layers、activation functions、forward/backward passTraining dynamicsoverfitting、regularization、dropout、batch normalizationOptimizersSGD、Adam以及为什么它们在实践中的选择确实很重要GPUs不需要理论只要足够让你明白为什么当你运行一个十亿参数模型时笔记本会像着火一样发烫等等……PyTorch 还是 TensorFlow这是每个初学者都会提出的一个非常合理的问题也值得一个直接的答案PyTorch实际上已经成为research、大多数现代开源模型以及 2026 年你会接触到的大部分 production AI engineering 工作的默认选择。TensorFlow仍然有其存在感尤其是在一些 enterprise 和 mobile deployment 场景中通过TensorFlow****Lite但如果你只能先深入学一个 framework那就学PyTorch。几乎你会读到的每一个 Hugging Face 模型、agent frameworks 和 research code都是基于它构建的。NLP、Computer Vision 和 Transformers你需要在以下内容上具备能实际操作的**素养NLP 基础tokenization、embeddings、sequence modelsComputer Vision 基础CNNs、image preprocessing、transfer learningTransformer architectureattention、self-attention以及为什么正是这一架构使你今天使用的每一个 LLM 得以存在Attention is all you need!字面意义上就是这样一定要真正理解 Transformer architecture 中的 Attention mechanism 是如何工作的。第五阶段的一切都建立在它之上。见下方资源作品集项目 #3Sentiment Analysis在一个情感分类数据集上 fine-tune 一个 pretrained transformerdistilled BERT 变体是一个不错且成本较低的起点。这个项目会让你大致掌握整个现代 fine-tuning workflow从加载 pretrained model、正确 tokenizing 数据到在其上进行 fine-tuning再到评估与 production teams 使用的同一工作流在更大规模下的表现。作品集项目 #4Meeting Transcriber构建一个端到端 pipeline输入音频输出 transcript再输出 summary。这把 speech-to-text这里Whisper显然是最合适、也非常优秀的选择和一个 LLM summarization 步骤结合起来。这会让它成为你的第一个真正的 AI 应用而不仅仅是一个 model。它也是一个真正有用的工具你会真的愿意继续使用自己做出来的东西第五阶段AI Engineer这正是整份路线图一路构建到的阶段也是实际AI Engineering工作的核心所在。注意如果你正在准备 ML 相关岗位那么从这里开始准备方向会发生分化。在此之前的内容都是基础是 AI 和 ML 两个方向都通用的无论你是应届生还是有经验的开发者这都是你要在其上搭建的框架。Context EngineeringContext Engineering是 2026 年对prompt engineering的真正继任者。Prompt engineer 会问我应该把哪些词放进 prompt而 Context Engineer 会问模型在 context window 中完成这个任务所需的完整信息集合是什么——检索到的文档、tool outputs、对话历史、system instructions、memory——以及我该如何结构化并优先排序这些内容这就是整个场景。归根结底就是以系统的方式思考。需要重点关注的核心概念实际上哪些information需要放入context哪些是稀释信号的noise如何对这些 context 进行structure排序、格式化、压缩让模型更好地使用它Context window budgeting你没有无限 tokens而且为了“以防万一”把所有东西都塞进去往往会让输出更差而不是更好Structured Outputs学习如何让 LLM 按预定义 schemaJSON、Pydantic 等生成响应而不是自由文本。这会让 AI 应用更可靠也更容易与下游系统集成。Retrieval-Augmented Generation (RAG)RAG 是一种让 LLM 使用它从未训练过的信息来回答问题的技术。核心主题Chunking strategies朴素的固定大小 chunking 与 semantic chunking以及为什么这个选择会悄悄决定你的 retrieval quality 上限Embeddings vector databases文本如何变成 vector以及 Pinecone、Weaviate、Chroma 或 pgvector 之类的工具如何用于存储和搜索它们Retrievalsimilarity search、hybrid search结合 keyword semantic以及 re-rankingRAG techniquesQuery Rewriting在检索前改进用户查询、Agentic RAG让 agents 迭代式地规划和检索以及Graph RAG使用 knowledge graphs 捕捉实体之间的关系以实现更丰富的检索Evaluation衡量 retrieval quality、hallucinations不只是最终答案看起来是否还行使用 context precision 和 recall 等指标我个人发现这门课程在理解 RAG 的所有内容方面极其有帮助之后可以在这里深入学习 RAG strategies作为项目你可以尝试在自己的一套个人 journal 上实现 RAG这确实是个很酷的项目。Model Context Protocol (MCP)MCP用一句话来说就是一种标准化方式让 LLM 应用连接到external****tools和datasources而不是每个团队都为 agent 需要接触的每个工具编写一套自定义集成。核心主题理解 MCP 的 client/server 模型将现有的 MCP server 连接到你构建的 agent为一个还没有现成 MCP server 的工具构建一个最小化的自定义 MCP server你在 ChatGPT 或 Claude 里使用的每一个工具无论是向 Canva、Notion 写入还是从中读取或者任何外部工具背后都是 MCP 在驱动。AI AgentsAI Agent 是这样一种系统一个 LLM 可以围绕一个goal进行推理决定使用哪个tool执行一个actionobserve结果并不断loop而不仅仅像 chatbot 那样只输出一段静态文本。核心主题Reasoning loopplan → act → observe → repeatReAct-style patternsTool use/function calling模型如何决定何时以及调用什么Memory短期在单次会话内与长期跨会话持久化Guardrails防止 agent 做出破坏性、昂贵或错误行为的机制在接触 LangChain 或 LangGraph 这类 framework 之前至少先基于原始 API 调用构建一个 agent。这之间的区别就在于你是知道 LangChain 或类似 framework 在替你做什么还是只知道它的 API 表面。虽然理解 agent 概念比框架更重要但还是值得去了解一下现代框架比如OpenAI Agents SDK、LangGraph、CrewAI、Google ADK、Agno、AutoGen和Smolagents以理解构建可投入生产的 agentic systems 的不同方式。Multi-Agent SystemsMulti-Agent Systems 会把上面的单 agent 模式拆分开让多个专门的 agents 协同完成复杂任务。这很重要因为单 agent 在复杂、多步骤任务上会遇到真正的上限context 会被塞满而且让一个 agent 什么都想做、什么都想懂往往意味着它在大多数事情上都表现平平专门化 agents——每个都有狭窄、明确定义的职责和自己的 context——通常会胜过试图包揽一切的通用型 agent就像我们人类会专注于某项任务并把它做好值得了解的模式Orchestrator-worker一个 agent 把子任务委派给专门的 workersSequential pipelinesagent A 的输出成为 agent B 的输入Debate/critique patterns一个 agent 的输出在最终定稿前会由另一个 agent 审查和质疑AI Evaluation作为 AI Engineer我怎么强调这一点都不为过。它几乎可以说是 demo 和 production system 之间的分水岭。核心主题在发布之前先构建一个代表性输入的 test set为你的特定任务定义什么叫good正确性对检索来源的忠实度语气延迟当人工评估无法扩展时使用LLM-as-judge模式同时理解这种方法带来的偏差使用DeepEval、Promptfoo、LangSmith、Ragas和Arize****Phoenix等 evaluation frameworks对 prompts、RAG pipelines 和 agentic workflows 进行 benchmark 并追踪 regressions。当你更改 prompts、models 或 retrieval logic 时持续跟踪regressionsLLMOps随着 AI 系统逐渐成为 production applications学习LLMOps变得越来越重要。核心主题Prompt versioningmodel routingtracing、observabilitycost monitoringcachingexperiment trackingLLMOps 有助于构建可靠、可扩展的 AI 系统。部署 AI 应用值得掌握的 deployment 基础APIs用 FastAPI 或类似工具包装你的 model/agentContainerizationDocker至少要知道它为什么存在以及如何使用**Inference 和 model-serving tools**vLLM用于高吞吐量 LLM servingLiteLLM用于通过统一接口在多个 model provider 之间路由请求基础云部署可以选择你最熟悉的 cloud provider完成端到端部署Monitoring cost trackingLLM 调用按 token 计费production system 需要对 latency 和花费都有可见性。这是最受关注的领域之一CI/CD 基础用于部署和自动化 pipeline我看到每个初学者都会犯的错误在跳过第一到第三阶段的情况下直接冲向 LLM 和 agents把 frameworksLangChain 等当作需要单独学习的东西而不是建立在你应先独立理解的概念之上的东西收集教程而不是构建项目观看不等于实践而这两者之间的差距正是大多数人悄悄卡住的地方在构建过程中就把 eval pipeline 一并搭建好而不是留到以后。每一次微小改动都能让我们知道 pipeline 是在变好还是变差。最后的想法如果你只从这份路线图里带走一件事那就让它是这一点成为 AI Engineer 并不是要掌握每一个新工具而是要建立扎实的基础并持续地应用它们。在穿越每个阶段时不要急。做项目、做实验、犯错误并通过实践去学习。真正的成长就发生在这里。我希望这份路线图能给你一个清晰的方向并帮你省下我曾经花在弄清楚下一步该学什么上的时间。普通人如何抓住AI大模型的风口领取方式在文末2026年入行AI大模型的黄金窗口!!!AI产业正迎来前所未有的爆发式增长。从DeepSeek以百万年薪重金招募顶尖研究员到百度、阿里、腾讯等头部企业加速推进AI Agent商业化布局再到国家层面持续出台政策大力扶持数字经济与AI人才培育体系多重信号清晰指向一个共识AI的“黄金十年”已全面开启在产业浪潮的强劲推动下AI人才争夺战日趋白热化。技术迭代与场景落地双轮驱动催生海量高价值岗位。放眼未来AI领域的职业发展前景广阔无垠正涌现出大量高潜机遇堪称一片值得深耕的**“人才蓝海”**。脉脉数据显示2026年1-2月AI岗位数量同比增长约12倍增速远超新经济行业整体增幅AI岗位在全部新经济岗位中的占比也从2025年同期的2.29%跃升至26.23%几乎占据新经济招聘市场的四分之一。与此同时AI新发岗位平均月薪高达60738元较新经济行业整体平均月薪48189元高出约26%。这一切都说明一件事2026年正是入行AI大模型的黄金窗口❗️❗️如何学习AI大模型作为一名热心肠的互联网老兵我决定把宝贵的AI知识分享给大家。 至于能学习到多少就看你的学习毅力和能力了 。我已将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】一、全套AGI大模型学习路线AI大模型时代的学习之旅从基础到前沿掌握人工智能的核心技能二、640套AI大模型报告合集这套包含640份报告的合集涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师还是对AI大模型感兴趣的爱好者这套报告合集都将为您提供宝贵的信息和启示。三、AI大模型经典PDF籍随着人工智能技术的飞速发展AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型如GPT-3、BERT、XLNet等以其强大的语言理解和生成能力正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。四、AI大模型商业化落地方案作为普通人入局大模型时代需要持续学习和实践不断提高自己的技能和认知水平同时也需要有责任感和伦理意识为人工智能的健康发展贡献力量。
)
、swift协作式线程池 and python信号量)
![[光学原理与应用-521]：对光的错误理解与纠偏](http://pic.xiahunao.cn/yaotu/[光学原理与应用-521]：对光的错误理解与纠偏)
