想干 AI 工程师，重要的不是学历，是有没有做出过能跑起来的东西。
这里是一条 12 个月的路线图，照着走⬇️
先分清两个岗位，别搞混：
一个是模型研究员——负责造模型、训练模型，这个岗位确实看重高学历和数学底子，市场需求量小。
一个是 AI 工程师——负责把已经造好的大模型接到实际产品里，比如做一个真能解决问题的客服机器人、一个能在几万篇文档里翻到答案的内部搜索、一个不用人盯着就能跑完整个流程的智能体。
这才是现在需求量最大、也是"没有 CS 学位一样能进"的那个岗位。它靠的是软件能力、对大模型脾气的理解、还有产品判断——不是学历。
国内这两年也是这个趋势，越来越多招聘不卡死"计算机相关专业"，卡的是"你做过什么、能不能上手就干"。但也要说清楚：国内目前多数岗位还是"学历门槛 + 项目经验"一起卡，不是纯粹拼作品集就能绕开学历——学历没那么硬，但也没完全失效，作品集是加分项、不是万能钥匙。
第一阶段（1-3 月）：把代码写扎实
这一步不能跳。
语言选 Python，几乎所有 AI 相关的库和框架都是先给 Python 写的。
这三个月要做到：不看语法能从空文件写出一个能跑的小程序。变量、条件、函数、读写文件、调 API、处理报错、看懂别人的代码。
学会用 Git，把代码传到 GitHub 上——国内网络访问 GitHub 偶尔会慢，可以配合用 Gitee 做镜像备份。
数学不用慌，用不上线性代数和微积分，能看懂基础统计、有点数字感就够用，真用到再补。
要做的事：
- 学一套系统的 Python 教程，每天写代码，哪怕半小时
- 写 5 个小项目：计算器、文件整理脚本、调一个公开 API 的小工具、简单的数据清洗脚本、命令行记事本
- 学会 Git 基本操作，把这 5 个项目都传到 GitHub / Gitee 上
- 找一个同路人的社群，别自己闷头学
第二阶段（3-5 月）：学会调大模型 API
聊天界面是给普通用户用的，AI 工程师要在自己的代码里直接调 API、处理返回结果。
练手不用非得开 OpenAI 账号（充值和网络都麻烦），国内的 DeepSeek、Kimi、通义千问、智谱都有开放 API，接口逻辑差不多，先用哪个都行。
要学会：从自己的脚本里发请求给模型，处理流式返回，管理多轮对话的历史记录，控制输出格式，处理限流和报错。
学会写"能稳定复现"的提示词，跟"碰运气能对"的提示词，是两种能力——真实产品里"大概率对"是个 bug，不是能力。
再学会 tool use（也叫 function calling）：让模型能调用一个函数、查一个系统、取一段数据。这一步打通了，"智能体"这个概念就不再是黑话了——agent 说白了就是"模型 + 工具 + 一个循环"。
要做的事：
- 拿到 API key，第一个小时内跑通第一次调用
- 写一个命令行工具：粘贴任意文本进去，让模型帮你处理
- 写一个带记忆的聊天机器人，能记住前面聊过的内容
- 实现一次 tool use：给模型一个能调的函数，让它准确调用
第三阶段（5-7 月）：做一个 RAG 系统
这是决定你能不能被招进去的关键技能，因为现在大多数实际落地的 AI 产品，底层都在干这件事。
RAG（检索增强生成）的逻辑很简单：模型只知道训练时喂给它的东西，你想让它准确回答你自己的数据（公司文档、产品手册、知识库），就得把相关内容现场找出来、塞给它看。
要学的技术链路：把文档切块，把每块转成 embedding（语义的数字表示），存进向量数据库，问问题时先检索出最相关的几块，再喂给模型生成答案。
向量数据库不用死磕国外的，国内常用的有 Milvus、腾讯云 VectorDB，云厂商也基本都有托管服务，直接能用。
做出一个真能跑、用真实文档跑通的 RAG 应用，就已经超过一大批只停留在"聊过 AI"层面的人——这是你的第一个作品集项目。
要做的事：
- 先弄懂 embedding 和向量数据库的原理，再动手写代码
- 用一批真实文档（自己的笔记、一堆 PDF、某个 wiki）搭一个 RAG 应用
- 加一层检索评估：到底找对了相关内容，还是找了个"看起来沾边"的
- 把它部署到一个陌生人也能访问的地方，别只留在自己电脑里
第四阶段（7-9 月）：做 Agent
这是现在人人在谈、但很少人能真正做出可靠版本的东西。
Agent，就是给它一个目标，它自己拆步骤、调工具、根据结果决定下一步该干什么。RAG 是回答一个问题，Agent 是把一件事办完。
第二阶段学的 tool use，这一步放进一个循环里，给它多个工具，同时要面对现实：agent 经常兜圈子、调错工具、卡死不动。
能做出"演示视频里很炸、实际能用又不掉链子"的 agent，跟只能做出前者的人，中间差的就是失败处理、工具设计和评估——这恰恰是市场真正缺人的地方。
要做的事：
- 搭一个单 agent 系统，用几个工具完成一个真实的多步骤任务
- 搭一个小型多 agent 系统，两个以上 agent 互相配合或互相检查
- 加上明确的失败处理：工具调用失败、返回空结果时，agent 该怎么办
- 这是你的第二个作品集项目：一个解决真实问题的多 agent 系统
第五阶段（9-11 月）：学评估和部署
这一步最枯燥，也最能筛人，很多人半途而废的地方也在这——把一个 AI 功能跑通一次不难，跑通第一万次还稳定，才是公司真正付钱要买的东西。
评估（evaluation）：建立一套方法去衡量系统到底好不好、改动之后是变好还是变坏。常见做法是拿一批测试用例，衡量准确性、相关性、一致性，有时候用另一个模型来打分，有时候靠人工 review。
部署（deployment，也叫 MLOps）：把系统从自己电脑搬到能被真实用户访问的地方，做监控，扛得住并发，看得住成本，问题出在用户发现之前就先被你发现。
哪怕只掌握基础的部署和监控，也比只会在自己电脑上跑 demo 的人明显更容易被招进去。
要做的事：
- 给之前某个项目搭一套评估体系，配一批测试用例和打分方法
- 把某个项目正式部署上线，带监控和基本的成本追踪
- 这是你的第三个作品集项目：一个带评估、带监控的、真正部署上线的系统
- 记录下你测了什么、发现了什么、下一步准备怎么改——这个思考过程本身就是加分项
第六阶段（11-12 月）：找工作
到这一步，不用再学新技能了，要做的是让该看到你作品的人看到。
你手上有三个真实项目：一个带评估的 RAG 应用、一个解决真实问题的多 agent 系统、一个带监控的正式部署系统。这份作品集，比大多数 AI 工程师岗位要求的学历更有说服力。
把每个项目写成一篇清楚的案例：遇到的问题、你的思路、你测量了什么、如果重来会怎么改。
投递时可以把"AI 应用工程师""AI + 软件工程师"这类岗位也一起投，很多时候这是更现实的第一步，再往上走到专门的 AI 工程师岗位。
国内这个岗位的薪资区间目前浮动很大，跟城市、公司、经验强相关，入门大致在二三十万人民币一年，有经验、进大厂能到五十万以上甚至更高——这个数字建议自己再核实一下当下的招聘信息，行情变化比较快。
面试被问"你觉得 agent 该怎么处理工具调用失败""你会怎么评估一个 RAG 系统"，你能讲的是自己真做过的事，不是背下来的概念——这才是这条路真正要交付的东西。
要做的事：
- 给三个作品集项目各写一篇清楚的案例
- 公开发布至少一篇技术拆解，讲你是怎么把某个难点解决的
- 广泛投递，把"AI + 软件工程师"这类岗位也当作现实的第一步
- 面试里讲你做过什么、发现了什么问题，别背概念
说句实话
十二个月是个真实的周期，但前提是你每个阶段都真的在动手做，不是只在"准备"。
看完这条不算学会，做完五个小项目、一个 RAG 应用、一个 agent 系统，才算往前走了一步。
至于"AI 都会写代码了，还用学这个吗"——因为得有人设计这套系统该怎么搭、判断输出对不对、决定到底要做什么。AI 工具让一个懂行的人更值钱，不是让他没用。你不是在跟工具比赛，你是在学怎么指挥它。
来源：RomFun520