很多人认为做 AI 工程师必须要有计算机学位。但实际情况是,这个领域目前薪水最高的构建型岗位不看你的学位——看的是你交付过什么。
两者的差距不在学历,在项目组合。
先搞清楚一个容易被搞混的关键区别:机器学习研究员发明和训练新模型,这个角色确实很吃高等数学和学术训练,但它在市场里只占一小块;AI 工程师用已有的模型构建有用的产品,这个角色更看重软件技能、产品意识和交付纪律。绝大多数开放岗位、以及你可以不需要学位就能入行的,是第二种。
你的目标是成为「用 AI 构建东西的工程师」,不是「构建 AI 本身的科学家」。这一区分能帮你省下好几个月在当下用不上的数学上。
这个角色的位置处在三个领域的交汇点:软件工程能力、对大语言模型行为的理解、产品思维。你不需要第一天就在三方面都拔尖——能胜任并且持续提升就可以,但你需要证据。
第一阶段(第 1–3 个月):老老实实学会写代码
这一步跳不过去,也是很多人最想跳的一步。
在学其他东西之前,你必须能写出真正能跑的代码。语言选 Python——几乎所有 AI 库和框架都是 Python 优先的,这不是偏好,是现实标准。
这三个月的目标不是「我看过教程了」那种程度,而是「我能从空白文件开始写出一个小程序,不用查基础语法」的程度。变量、数据类型、控制流、函数、文件操作、调用 API、错误处理、能读懂别人的代码。从第一天开始学 Git、所有东西推 GitHub,因为你的 GitHub 就是你项目组合的前半部分。
至于对数学的担忧,先放一放。你需要对基础统计有感觉,理解数字怎么变化。不需要现在就啃线性代数和微积分——深度数学对研究员有用,你是做工程的,等将来具体项目需要时再补。
这个阶段要做什么:
• 完成一个结构化 Python 课程,每天写代码,哪怕只有 30 分钟
• 从零写 5 个小程序:计算器、文件整理工具、调用公开 API 的脚本、简单数据清洗器、命令行笔记工具
• 学 Git 基础,把 5 个项目全推到公开 GitHub
• 加入一个在做同样事情的学习社群,别闷头自学
第二阶段(第 3–5 个月):掌握 LLM API
这是整个工作的核心。
聊天界面是消费级产品。AI 工程师通过 API 工作——从自己的代码里发请求,用程序处理响应。真正的杠杆在这里,熟练掌控 API 的那一刻,你就从用户变成了构建者。
学会从你自己的脚本里给模型发消息;学会处理流式响应、管理对话历史、控制输出格式、从容应对速率限制和错误。还要搞懂一个关键能力:什么样的 prompt 能拿到一个可靠、可复现、可直接投产的答案——因为在实际产品里「基本上对」就是 bug。
这个阶段还要学会工具调用(function calling)。它让你给模型赋予行动能力:调用函数、查询系统、获取数据。一旦掌握了工具调用,Agent 的世界就彻底打开了——因为 Agent 无非就是有工具、有循环的模型而已。
这个阶段要做什么:
• 拿到 API key,一小时内从 Python 脚本发出第一次调用
• 做一个命令行工具,把自己粘贴进去的任意文本做一件有用的事(汇总、翻译、分类都行)
• 做一个有记忆的聊天机器人,能在多轮对话里记住前面说的东西
• 实现工具调用:给模型一个它有权调用的函数,确保它每次都能调对
第三阶段(第 5–7 个月):构建 RAG 系统
这是能让人拿 offer 的技能,因为大多真实 AI 产品在底层做的就是这件事。
RAG 全称是 retrieval-augmented generation,思路并不复杂。模型只知道训练数据里的东西和你当前喂给它的东西。RAG 的原理就是:从你自己的数据里捞出正确的信息,然后把这…