AI 工程正在成为科技行业薪资最高、增长最快的岗位之一。

而进入这个行业的门，比历史上任何时候都要宽。

大多数路线图犯的是同一个错误：要么甩给你一墙理论，从线性代数、神经网络数学开始，第二周就把你劝退；要么丢给你 80 个链接，没有顺序，没有结论，结果你花在决定学什么上的时间比实际学习的时间还多。

下面这条路线，是为真正需要转行的人准备的。

没有数学学位。没有四年计划。

四个专注的月，每项技能一个明确选择，附可复制的 prompt，以及那些悄悄杀死大多数转行者的坑。

一、为什么现在是窗口期

PwC 2026 年全球 AI 就业晴雨表分析了六大洲超过十亿条招聘广告，三个发现值得每个考虑转行的人认真看。

第一，AI 技能岗位增速是整体市场的八倍。需要 AI 技能的岗位增长了 69%，而整体就业市场只增长了 9%。这不是统计误差，这是一个正在和其他领域拉开差距的品类。

第二，薪资溢价是真实的且在上升。拥有 AI 技能的劳动者比同等非 AI 岗位高出 62% 的薪资，前一年这个数字是 57%。公司在为真正能用这些工具做出东西的人付更多钱，不是更少。

第三，也是最能改变转行者命运的一个：学历要求正在下降，而且在 AI 相关岗位上下降最快。2019 年到 2024 年，要求学位的 AI 增强型岗位从 66% 降到 59%。而在 AI 替代部分工作的岗位上，进一步从 53% 降到 44%。

雇主在 AI 暴露的工作上抛弃证书滤镜的速度，比其他任何领域都快。

还有一个数字值得停留一下。在美国，对 AI 最敏感的入门级岗位自 2019 年增长了 35%，而其他入门级岗位下降了 10%。AI 梯子的底层正在变宽，而其余入门市场在收缩。

当然也有反面声音。PwC 同样发现，AI 暴露的入门级岗位越来越多地要求过去只属于高级人才的技能：判断力、沟通能力、对结果负责而不是对任务负责。

门槛不是全面降低了，而是移动了。从"你有没有证书"变成了"你能不能让这件事跑起来并解释为什么能跑起来"。

如果你是一个刚毕业没有工作经验的 22 岁学生，这是坏消息。但如果你是从其他行业转来的，这是好消息——你已经有了他们在问的东西。

你交付过东西。你处理过利益相关方。你在压力下对结果负责过。

一个有 CS 学位的应届生通常没有这些。把你已有的判断力和这条路线里的技术技能配对，你并不落后于那些应届毕业生。在雇主最在乎的维度上，你领先于他们。

这就是转行者的优势，几乎没有任何路线图告诉过你这一点。

至于薪资，截至 2026 年中，Glassdoor 数据显示美国 AI 工程师平均薪资约 143,500 美元，典型区间 115,000 到 181,000 美元。资深岗位更高，招聘生产级 AI 人才的猎头报告中端基础薪资集中在 155,000 到 200,000 美元。

二、AI 工程师到底做什么

在开始计划之前，先消除最大的 intimidation 来源——因为它阻止的人比任何技术门槛都多。

大多数人听到"AI 工程师"，想象的是一个在实验室里从头训练大模型的人，周围堆满 GPU 和他们永远学不会的数学。

那是另一个工作，叫研究科学家或 ML 研究员，数量相对少，通常也确实需要高级学位。

而那个增速是市场八倍的 AI 工程师岗位，是完全不同的东西。

你在已有模型之上构建产品和功能。你拿 Claude、GPT 或某个开源模型，让它在真实应用里完成一个具体、可靠的工作。

具体来说：你连接模型 API，设计喂给它们的 prompt 和上下文，取回结构化数据，把模型接入工具和数据库，让它检索正确信息，处理所有可能出问题的地方，然后部署给真实用户使用。

它介于软件工程、产品工作和应用 AI 之间。你是建造者，不是研究者。

一句话测试：如果你能让大模型在应用里可靠地完成一个具体工作，并且你理解足够的原理来在它出问题时修好它，那你就是 AI 工程师。就这么简单。

你不需要知道 transformer 内部如何工作。不需要微积分。不需要能推导反向传播。

你需要成为一个称职的建造者，理解如何在现实世界里和这些模型协作。

这是一个可以学习的技能，四个月足够让你达到可用的水平。

三、四个会杀死转行的错误

这四个错误几乎所有人都会犯，而且它们发生在第二周，不是第三个月。

错误一：从理论和数学开始

你很兴奋，想把事情做对，所以去找了个机器学习课程，从线性代数、梯度下降和神经网络的数学开始。

三周后你看了一大堆讲座，什么都建不出来，觉得自己像个冒牌货。然后你放弃了。

解法：跳过它。对于你要做的这个工作，你不需要推导数学。

你需要建造。

你会在实际项目中遇到真正需要的概念，然后它们会因为和你构建的东西绑在一起而记住。

理论优先是聪明人退出这个领域最常见的原因。别从这里开始。

错误二：看教程而不造

这个很隐蔽，因为它感觉像在进步。你看了一个四小时的 Python 课，频频点头，觉得自己学到了东西。你没有。你看了别人学东西。当你打开一个空白文件时，那些东西全不在那里。

解法：30 分钟规则。每花一小时看或读，至少花 30 分钟在不开教程的情况下自己建东西。自己敲示例。搞坏它。修改它。遇到错误然后修好它。错误就是学习。

一个建得很烂四个月的人，永远打败一个看得很完美四个月的人。雇主看十秒你的 GitHub 就能看出区别。

错误三：学工具而不是学技能

你听说 LangChain 是现在最火的工具，所以你深入钻研 LangChain。

六个月后行业变了，大家都在用别的东西，你的 LangChain 知识感觉浪费了。于是你去追新工具。然后那个也变了。你永远在后面追，因为你在优化错误的层级。

解法：学工具下面的技能。写出能产生可靠输出的 prompt 这个技能，不会因为框架更新而过期。从模型中获取结构化数据、评估系统是否真的好用、判断一个任务需要 agent 还是单次调用——这些技能跨所有会存在的工具都通用。

把工具当作练习技能的手段，而不是目标。

错误四：等"准备好了"才开始公开发布

你决定等自己"准备好了"再开始分享作品、申请职位或接自由职业。

你永远不会感觉准备好了。"准备好了"是一种开始之后才会到来的感觉，不是之前。

同时，那些获得工作和客户的人，是在感觉自己还不够格几个月前就开始发布粗糙作品的人。

解法：第一个月就开始公开发布。发布你做的小东西。写你学到了什么。每个项目完成的当天就放到 GitHub 上，哪怕是很丑的。

"我在学"和"我在公开建造"之间的差距，是大多数转行者卡住一年的地方。早点跨过它。

四、第一月：Python 和基础设施

目标：成为一个功能性的 Python 开发者，能调用 API、管理小项目，不再为基本语法疯狂搜索。

不是专家。功能性。

第二到第四月的所有内容都建立在你能够写出干净的 Python 代码并在终端里工作的能力之上。这是地基，跳过它以后会痛。

记住一件事：AI 工程首先是软件工程。AI 的部分坐在正常软件栈的上面。如果下面的栈不稳，AI 的部分永远不可靠。

Python

Python 是这个领域的语言。几乎所有你接下来四个月会碰到的库、API、教程和工作都是 Python 写的。

首选：CS50P，哈佛的 Python 编程入门。免费、严谨，而且它迫使你真正解决问题，而不是看别人解决问题。

习题集是全部价值所在。它比温和的 YouTube 课要求更高，而这正是重点。你需要那个让你稍微挣扎的版本，因为技能就是在挣扎中形成的。

聚焦顺序：变量和数据类型 → 循环和条件 → 函数 → 集合类型（列表、字典、集合、元组） → 文件处理和 JSON 读写（你会在和 AI API 打交道时持续用到） → 足够的类和面向对象基础（能看懂别人的代码不恐慌） → 异常处理 → 虚拟环境和 pip。

不要试图记住任何东西。理解到能快速查阅的程度，然后用它们建东西直到记住。

本月构建目标：一个小的命令行工具，做点真实的事。比如一个读写 JSON 文件的记账器，或者一个调用免费公开 API 并以清晰格式打印结果的脚本。大概 60 到 100 行自己的代码。

丑不重要。重要的是你写了。

从第一天起就用 AI 学 AI

这一点旧路线图不会告诉你：你有史上最有耐心的导师可用，而且免费层就够用。

遇到不懂的错误，不要在论坛花 40 分钟搜索。粘贴到 Claude 或 ChatGPT，让它用大白话解释错误并引导你走向修复，而不是直接给你答案。

下面这个 prompt 值得第一天就保存：

你的角色：当我作为转行者学习 Python 时，做我耐心的导师。关于我的信息：- 我学 Python 是为了成为 AI 工程师- 我是编程的完全新手，但不是不会努力- 我通过动手学得最好，不喜欢被直接给答案你要做的：- 当我粘贴错误时，用大白话解释它是什么意思以及可能的原因 不要直接给我修好的代码- 先用提示引导我走向修复。只有我两次要求后才给出完整解法- 当我分享代码时，说一个做得好的地方和一个可以改进的地方，只说两个- 在我搞定之后，问一个简短的问题来检查我是否真正理解了规则：- 不用没有大白话定义的术语- 假设我想学习而不是只想过关。慢一点没关系- 如果我即将养成坏习惯，直接说出来，友善地

一个警告：用 AI 来理解和解除阻塞，不是让它帮你写整段代码。如果你让它写代码你看着看，你就回到了错误二。让它解释。你打字。

Git 和 GitHub

Git 是开发者保存、版本管理和分享代码的方式。GitHub 是你的作品公开存放和变成作品集的地方。

对于转行者来说，在你有简历之前，GitHub 就是你最接近简历的东西。

首选：GitHub Skills。免费、交互式，由 GitHub 在 GitHub 内部构建，所以你通过使用工具来学习工具。

聚焦：init、add、commit、push、pull 的核心循环 → 分支和合并 → .gitignore 文件的作用以及为什么永远不要把密钥或 API key 提交到公开仓库 → 怎么写基本的 README（它在你找工作时会做真正的工作）。

习惯：每个你碰的项目，哪怕是 20 行的脚本，当天就放进 GitHub 仓库。这就是错误四的修复在实践中。你在安静地公开发布，从第一天开始。

到第四个月你会有一条工作轨迹，而不是空白的个人资料。

终端

你会持续从命令行运行脚本、安装包、管理项目。在终端里慢或害怕是其他一切的真实拖累，而且这很容易修复。

学会 cd、ls、pwd、mkdir 和 rm 来移动和管理文件。学会 cat 和 grep 来阅读和搜索。学会从终端运行 Python 脚本和设置环境变量（处理 API key 时需要）。

你不需要成为 shell 巫师。你需要不再犹豫。用终端做每件事哪怕你通常会用鼠标，一周就到。

API、JSON 和 HTTP

这是通往第二月的桥梁。

从第一天开始用大模型建东西起，你就在做 API 调用，所以在你碰 OpenAI 或 Anthropic 的工具之前，你需要理解 web API 如何工作。

聚焦：GET 和 POST 请求是什么以及如何在 Python 中发起它们 → 读写 JSON（每个 AI API 都说这种语言） → HTTP 状态码及常见含义（200 成功、401 错误 API key、429 速率限制、500 服务器错误——你会持续看到这些） → API key 是什么以及基本认证如何工作 → async 和 await 在 Python 中做了什么的大致了解（后面流式响应时需要）。

构建目标：一个调用免费公开 API 的 Python 脚本（不需要 key 的，比如 Open-Meteo 天气 API），以清晰的格式化输出打印结果。这是你第二月会持续做的事情的微小版本，只是还没有 AI 部分。

SQL 速成

你不需要成为数据人，但你需要定期查看和查询数据，基础 SQL 持续救你。

首选：SQLBolt。免费、交互式，大约 20 个简短的浏览器课程教你 SQL 核心。聚焦 SELECT、WHERE、GROUP BY、JOIN 和 ORDER BY。够了。项目需要时再深入。

第一月里程碑

到月底，你应该能写一个读写文件、调用 API、自己处理错误不崩溃的 Python 程序。你应该用 Git 版本化代码并放在 GitHub 仓库里。你应该能在终端里不犹豫地移动。你应该理解 HTTP 请求是什么并能在 Python 中发起一个。你应该能运行基本 SQL 查询。

能做到这些，你就有了地基。

大多数放弃的人从来没到这里，而到这里确实是 hardest part 因为这是最没意思的部分。从第二月开始会更有趣，因为从这里开始你用 AI 建东西了。

五、第二月：用 LLM API 建东西

目标：用模型 API 构建真正的 AI 驱动功能。

到月底，你应该能写出产生可靠输出的 prompt、从模型获取结构化数据、让模型调用你自己的函数、管理对话、处理所有可能崩溃的地方。

这是整个工作的核心。后面的所有内容都建立在此之上。这个月值得慢慢来。第二月的深度比其他任何地方的深度回报都大。

真正有效的 Prompt 工程

Prompt 工程不是 nicely 地问聊天机器人一个问题。它是写出能从本质上概率性的系统中产生一致、可靠输出的指令的技能。

作为 AI 工程师，你在这上面花的时间会比预期多，而把它做好是你这个月能做的最高杠杆的事。

首选：Anthropic 的交互式 prompt 工程教程（GitHub 上的 anthropics/prompt-eng-interactive-tutorial）。这是现存最 hands-on 的资源，分成章节并配有你在 Claude API 上实际运行的练习。你自己练习写和修 prompt 而不是阅读关于它的理论——如果你还记得错误二，这就是全部重点。

聚焦：系统消息和用户消息的区别以及为什么这个区别重要 → 为什么具体性永远胜过礼貌 → 链式思考 prompt（要求模型在回答前逐步推理，这在涉及逻辑的任何事情上可测量地改善结果） → 在 prompt 里使用示例（few-shot prompting）来向模型展示你想要的格式 → 对小的措辞变化如何产生大的输出变化建立感觉，这只有通过大量实践才能获得。

一个快速教学练习：拿一个真实任务（比如总结文档或分类反馈），为它写五个不同的 prompt。全部运行。并排比较输出。你会立刻看到 prompt 设计如何驱动可靠性，这个教训比任何讲座都记得牢。

结构化输出

在真实应用里，你几乎从不想要模型返回一段文字。你想要代码能解析、存储和使用的结构化数据。

结构化输出通过强制模型返回匹配你定义的 schema 的数据来解决这个问题。这是把 demo 和真正能在软件里用的东西分开的技能之一。

首选：Instructor 库（Python），配合 OpenAI 和 Anthropic 的官方结构化输出文档。Instructor 是用 Pydantic 从任何主流模型获取结构化数据的最干净方式。它跨提供商用同一套代码工作，在模型返回畸形输出时自动重试。它接近很多工作中的工程师实际在用的东西。

聚焦：定义描述你想要的数据的 Pydantic 模型 → 把 schema 传给 API → 处理模型拒绝或返回意外结果的情况 → 理解真正的结构化输出（schema 被强制执行）和更松的 JSON 模式（不保证）的区别。

下面这个 prompt 模式值得保存：

你的角色：从我提供的文本中提取结构化数据并以干净的 JSON 返回。你要做的：- 仔细阅读输入文本- 只提取下面 Output 中列出的字段- 如果字段在文本中缺失，用 null。不要猜或编造- 只返回 JSON 对象。不要解释，不要 markdown，不要前言规则：- 每个值必须能追溯到输入文本中的内容- 日期用 YYYY-MM-DD 格式。数字用数字不是字符串- 如果文本有歧义，优先用 null 而不是自信的错误答案输出：一个包含以下字段的 JSON 对象{ "field_one": string 或 null, "field_two": number 或 null, "field_three": list of strings 或空列表}输入文本：[粘贴文本]

第一次做这个时的真实失败记录：模型有时会把 JSON 包在 markdown 代码块里，或者在前面加一句友好的话，然后你的解析器会卡住。这很正常。修复方法是在解析前去掉代码块围栏，并在 prompt 中明确要求只要 JSON 对象。

本月构建目标：一个收据或发票解析器。喂给它像"Invoice 123, $45.99 for 3 widgets, due March 30"这样的混乱文本，返回包含发票号、金额、物品数量和截止日期的干净结构化对象。这是真正有用的小工具，也是好的作品集素材。

工具调用

工具调用是把文本生成器变成能采取行动的东西的东西：搜索网络、查询数据库、调用你的 API、运行代码。

这是整份指南里最重要的技能之一，也是第三月所有内容的基础。

让它 click 的心智模型：模型不会运行你的函数。它看对话，决定应该使用一个工具，返回一个命名函数和参数的结构化请求。你的代码运行函数并把结果交回给模型。模型是决策者，你的代码是手。

聚焦：清晰地用 schema 描述你的函数 → 解析模型的工具调用响应 → 运行函数并把结果喂回 → 处理模型决定不需要工具的情况。你的工具描述的质量比初学者预期的重要得多，这个主题在第三月会强烈回归。

本月构建目标：一个有三个工具的小助手，比如 get_weather、calculate 和 search_notes（search_notes 只是在一个硬编码字典里查找）。把它们全部接好，看模型根据你问的内容决定调用哪个。当你看到它自己选对工具的那一刻，这个概念就永久落位了。

对话状态和流式

两个更小但必不可少的技能。

模型在调用之间没有记忆。对话是你通过每次请求发送完整消息历史来管理的东西。理解这个是基础，而且几乎每个人第一次都感到意外。

聚焦：messages 数组如何结构化 → 为什么你要追加用户的消息和模型的回复 → 超出上下文窗口时会发生什么 → 修剪旧消息的基本策略。

建一个简单的多轮终端聊天机器人，保持历史并有重置命令。它很小但完整地教了这个概念。

流式意味着在模型生成时逐字显示输出，而不是让用户等整件事完成。它让 app 感觉戏剧性地更快。

对任何真实用户会用的东西，流式几乎总是正确的选择。没人想盯着转圈看十秒。

成本、失败处理和安全

三个区分爱好项目和能放到用户面前的东西的技能。

成本和 token：模型按 token 收费，大约四分之三个词。输入和输出 token 定价不同。学会在发送前估算一个请求的成本，把提供商定价页加入书签，并内化一个真正省钱的规则：不要对简单任务用最大最贵的模型。更便宜的模型通常完全够用，规模化时的成本差异是巨大的。

失败处理：API 会失败。会触发速率限制、请求会超时、模型会返回畸形输出。优雅地处理这个才是生产级的东西。学会捕获速率限制错误并用递增延迟重试（指数退避）。Tenacity 库用单个装饰器就做这个。学会在信任模型的输出前验证它，永远不要让意外响应崩溃整个 app。

Prompt 注入简述：这是 LLM app 中的头号安全风险。当不可信的用户输入和你的指令合并时发生，让用户可以覆盖或劫持你系统做的事。你不需要这个月成为安全专家，但在你发布任何东西之前需要知道它存在。核心防御：不要信任未验证的模型输出自动采取重要行动，给你的工具完成工作所需的最小访问权限。

第二月里程碑

到月底，你应该能：为给定任务写出产生可靠输出的 prompt → 用 Pydantic 和 Instructor 从模型获取结构化 JSON → 接好工具调用让模型能运行你的 Python 函数 → 实时流式响应 → 管理多轮对话历史 → 在发送前估算请求的 token 成本 → 处理 API 错误和坏输出不崩溃 → 解释什么是 prompt 注入。

这是一套真正的、可雇佣的技能组合。

生产中很多付费的 AI 功能做的就是这些，不多不少。

但第三月才是真正让你被雇佣的地方。

六、第三月：RAG 和 Agent，让你被雇佣的技能

目标：构建能让模型从你的文档中回答问题的系统，以及构建能自己采取多步行动的系统。

这两项技能——检索和 agent——是当前 AI 工程中最被需要的实际能力。几乎每个真实公司用例，从客服机器人到内部知识工具到文档分析，都建立在这两者之上。

RAG，先用大白话理解

RAG 全称 retrieval-augmented generation。剥开术语，很简单：你给模型一个可以查阅的图书馆，所以它不需要记住一切，所以它能回答关于你特定文档的问题。

流程是：你把文档分块 → 把每块转换成捕获其含义的一串数字 → 存储这些数字 → 用户提问时，把问题同样转换成数字 → 找到数字最接近的那些块 → 把这些块连同问题一起交给模型 → 模型用它收到的东西回答。这就是 RAG。其他一切都是优化。

Embedding

Embedding 是一段被转换成一长串数字的文本，代表它的含义。有用的属性：含义相似的文本最终会有相似的数字，在这个数字空间里彼此接近。这种接近度让"按含义搜索"成为可能，这就是 RAG 下面的引擎。

你不需要知道 embedding 是如何被产出的数学。你需要知道如何使用它们。

微型构建练习：拿 20 句相关主题的句子，把每句转换成 embedding，写一个小函数，给定一个新句子，从你的集合中返回最相似的三个。这就是迷你版 RAG。建过这个之后，完整版就只是同一个想法的放大。

分块

你的文档太大，不能整体 embedding，所以你在 embedding 之前把它们分块。你怎么分块直接控制你的系统找到正确信息的能力。

即使一个完美的检索设置也会因为底层块很烂而失败。

首选：LangChain 的 RecursiveCharacterTextSplitter，分块大小约 500 字符，重叠约 50。这个重叠很重要，因为它阻止你在一块结束和下一块开始的边界处丢失含义。这是给你工作基线的 sensible default。

核心取舍：块太大失去精度，块太小丢失上下文。从默认开始，然后根据检索实际出错的地方调整。

向量数据库

有了 embedding 之后，你需要一个地方快速存储和搜索它们。这就是向量数据库做的事。

学习首选：Chroma。它在本地运行不需要设置基础设施，这正是你学习时需要的。你还不需要托管云规模，提前加只会给你更多东西去配置和搞坏。Chroma 让你专注概念。

学会创建 collection、插入带元数据（来源、章节）的 embedding、按相似度查询获得最匹配结果、查询时按元数据过滤。

你不需要理解下面的索引算法。你需要使用它们。当你最终需要生产规模时，如果你的 app 已经用 Postgres，pgvector 是自然的下一步。但现在，本地的 Chroma 就够了。

让检索真正好用

基础相似度搜索给你 demo。几个优化给你可靠工作的东西，知道这些是把复制教程的人和真正理解系统的人分开的东西。

元数据过滤：存储时给每个块打上有用信息（来源文件、日期、章节、类别）。然后在查询时过滤。这是玩具和"用户问’只显示 Q4 报告的结果’并真正得到"之间的区别。

重排序：第一次搜索是快但近似的。重排序器拿前几十个结果，按对问题的真实相关度重新打分，这以很小的速度代价显著改善质量。模式是：快速检索广泛集合，然后重排序到最好的几个。

调试检索：大多数 RAG 失败是检索失败，不是模型失败。当系统给出错误答案时，模型通常不是问题。检索给了它错误的块。学会常见失败模式：问题和相关块在数字空间不匹配（通过重写查询修复） → 相关信息被分到两块（通过更多重叠修复） → 正确块存在但没进前几名结果（通过检索更多然后重排序修复）。当答案错时，先检查检索到了什么再怪模型。这一个习惯会省去你巨大的挫败感。

接地和引用：好的 RAG 系统不只回答，它告诉你答案从哪里来，这建立信任并让调试容易得多。把每块的来源信息传进你的 prompt，并指示模型引用它。

你的角色：仅用提供的上下文回答用户问题。你要做的：- 阅读下面的上下文块。每块有来源标签- 仅用上下文中发现的信息回答问题- 在每个声明后，引用来源标签，如 [source: filename, p.3]- 如果上下文不包含答案，准确说： "我没有足够的信息来回答这个问题。"规则：- 永远不要用提供上下文之外的知识- 永远不要猜。不要用听起来合理的东西填补空白- 如果上下文部分回答问题，回答那部分并清楚说明缺少什么

"不知道时准确这么说"的指令在做重活。这是削减检索系统中幻觉的最有效方法，因为它给了模型一个被认可的承认无知的方式，而不是编造答案来显得有帮助。

RAG 构建

用框架把这些绑在一起而不是从头构建每个部分。

首选：LlamaIndex，搜索优先构建，用很少的代码给你工作管道。LangChain 是另一个主要选项，在接下来的多步 agent 工作上更闪耀，所以你会马上遇到它。

构建目标：一个"和你的文档聊天"的 app。摄入 10 到 20 个 PDF 或文本文件（你自己的笔记或一组产品文档效果不错），构建一个接受问题、用重排序检索最相关块、并返回有引用的答案的东西。放一个简单的界面上面。这是让招聘经理认真对待你的项目，因为它正是公司现在付钱让人建的东西。

Agent

月中，切换到 agent。

Agent 听起来像魔法，一旦你看穿它其实很简单：它是一个循环，模型反复决定下一步、用工具执行它、看结果、再决定，直到任务完成。

心智模型：agent 是一个 while 循环，由模型做分支决策。思考发生在 prompt 里。分支是模型选择使用哪个工具。执行是你的代码运行那个工具。其他都是管道。

首选：在写任何 agent 代码之前，先读 Anthropic 的"Building Effective Agents"。这是关于 agent 在实践中如何工作的最清晰的文字，来自构建模型的团队。配合一个动手框架课程，比如 LangGraph 入门，准备好建的时候用。

聚焦：感知 → 决定 → 行动 → 观察的循环 → 它怎么知道什么时候停 → 工具调用在循环里失败时会发生什么 → 怎么写模型实际能用的工具描述（模糊描述的工具会被调用错或被忽略） → 管理状态（贯穿 agent 工作的共享记忆）。

这个月最有价值的练习：完全不用框架、只用模型 API 直接从零建一个小 agent。给它三个工具、一个目标和一个循环。这教你框架隐藏了什么，让它之后碰到的每个框架都有意义。在碰 LangGraph 之前做这个。

最后

对于正在迷茫择业、想转行提升，或是刚入门的程序员、编程小白来说，有一个问题几乎人人都在问：未来10年，什么领域的职业发展潜力最大？

答案只有一个：人工智能（尤其是大模型方向）

当下，人工智能行业正处于爆发式增长期，其中大模型相关岗位更是供不应求，薪资待遇直接拉满——字节跳动作为AI领域的头部玩家，给硕士毕业的优质AI人才（含大模型相关方向）开出的月基础工资高达5万—6万元；即便是非“人才计划”的普通应聘者，月基础工资也能稳定在4万元左右。

再看阿里、腾讯两大互联网大厂，非“人才计划”的AI相关岗位应聘者，月基础工资也约有3万元，远超其他行业同资历岗位的薪资水平，对于程序员、小白来说，无疑是绝佳的转型和提升赛道。

如果你还不知道从何开始，我自己整理一套全网最全最细的大模型零基础教程，我也是一路自学走过来的，很清楚小白前期学习的痛楚，你要是没有方向还没有好的资源，根本学不到东西！

下面是我整理的大模型学习资源，希望能帮到你。

👇👇扫码免费领取全部内容👇👇

最后

1、大模型学习路线

2、从0到进阶大模型学习视频教程

从入门到进阶这里都有，跟着老师学习事半功倍。

3、 入门必看大模型学习书籍&文档.pdf（书面上的技术书籍确实太多了，这些是我精选出来的，还有很多不在图里）

4、AI大模型最新行业报告

2026最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

5、面试试题/经验

【大厂 AI 岗位面经分享（107 道）】

【AI 大模型面试真题（102 道）】

【LLMs 面试真题（97 道）】

6、大模型项目实战&配套源码

适用人群

四阶段学习规划（共90天，可落地执行）

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型

• 带你了解全球大模型

• 使用国产大模型服务

• 搭建 OpenAI 代理

• 热身：基于阿里云 PAI 部署 Stable Diffusion

• 在本地计算机运行大模型

• 大模型的私有化部署

• 基于 vLLM 部署大模型

• 案例：如何优雅地在阿里云私有部署开源大模型

• 部署一套开源 LLM 项目

• 内容安全

• 互联网信息服务算法备案

• …

  👇👇扫码免费领取全部内容👇👇

3、这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

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】