AI 工程学习路径

你要负责什么

• 观察工作流、用户、例外情况和隐性的交接环节。
• 把需求缩减为最小且有价值的端到端切片。
• 整合依据注入、评估和生产控制。
• 运行可衡量的试点，并将反馈转为下一次系统改动。

适配度与边界

适合你，如果：你喜欢模糊的用户问题、快速的技术迭代，以及上线后的共同负责。

边界：这不是售前工程或泛咨询。证据是你能实际运行、并能衡量的系统。

作品集证据

交付一份工作流档案、一个有依据的原型、一组评估集和一份试点计划，构成完整证据包。

• 明确列出的假设和风险最高的测试
• 已衡量的任务质量与失败案例
• 上线、回滚与反馈的责任归属

课程覆盖与缺口

该路线涵盖发现、风险、RAG、评估、生产、指标、上线和反馈。

仍需在其他地方获得：客户领域专业知识、利益相关者信任、采购约束，以及生产压力下的负责经验。

你要负责什么

• 构建能经受全新环境安装的集成和示例。
• 准确讲解 API、工具、协议和技能的契约。
• 复现开发者遇到的阻碍，而不是凭空猜测。
• 把支持信号转化为文档、工具和产品反馈。

适配度与边界

适合你，如果：你喜欢构建、教学、与其他开发者一起排错，并让复杂系统变得易懂。

边界：这不是只写内容的营销。可信度来自可运行的技术工作和准确的解释。

作品集证据

发布一个开发者入门包，包含可用的集成、示例、可复用的 agent 包和一份阻碍报告。

• 在全新环境中的配置证据
• 成功、负面与失败示例
• 关联到具体改进的反馈

课程覆盖与缺口

该路线涵盖 API、工具契约、MCP、Agent Skills、打包、评估和反馈。

仍需在其他地方获得：面对真实受众的实践、社群判断、采用分析、编辑深度和持续的开发者支持。

你要负责什么

• 采集、转换、版本化和验证训练或检索数据。
• 构建嵌入、索引、检索和评估管道。
• 定义数据质量检查，并调查静默漂移。
• 呈现血缘、新鲜度、成本和运行时健康状况。

适配度与边界

适合你，如果：你喜欢管道、数据质量、可复现性，以及调试远离用户界面的系统故障。

边界：这条路线专注于 AI 数据产品，不能替代数据工程中更广泛的数据仓库、数据库和平台深度。

作品集证据

交付一条经过版本管理的文档到检索管道，配套质量门、评估数据和运行报告。

• 可复现的采集过程和数据血缘
• 检索质量与新鲜度度量
• 故障恢复与可观测性证据

课程覆盖与缺口

该路线涵盖数据管理、特征、管道、嵌入、上下文、RAG、评估、生产和可观测性。

仍需在其他地方获得：高级 SQL、数据仓库架构、治理、隐私运营和大规模分布式数据系统。

你要负责什么

• 设计工具契约和观察、决策、行动的循环。
• 控制上下文、记忆、状态和持久执行。
• 选择编排边界和终止策略。
• 对权限做威胁建模，并评估完整轨迹。
• 借助追踪与显式的失败控制运行该运行时。

适配度与边界

适合你，如果：你喜欢运行时设计、状态机、分布式协作、安全边界和困难的故障分析。

边界：这是围绕模型行为的系统工程，不代表加上 agent 循环就能让产品自主运行。

作品集证据

交付一个有边界的工具调用运行时，包含记忆、编排、威胁模型、轨迹评估和故障运行手册。

• 确定性的工具与状态追踪
• 权限、沙箱和注入控制
• 终止、恢复和评估证据

课程覆盖与缺口

该路线涵盖工具、MCP、循环、上下文、记忆、图、编排、安全、评估、运行时和可观测性。

仍需在其他地方获得：特定服务商的基础设施、高规模分布式运维、延迟工程，以及团队中的生产负责经验。

你要负责什么

• 设计面向模型的接口与结构化契约。
• 用上下文、检索和工具为行为提供依据。
• 在优化功能前构建任务评估。
• 控制安全、成本、延迟、缓存和降级方案。
• 交付行为可观测的完整功能。

适配度与边界

适合你，如果：你想把产品需求连接到模型行为，并负责模型周边的软件系统。

边界：这不是基础模型研究或模型训练。工作始于模型能力遇到真实产品约束之处。

作品集证据

交付一项有依据的产品功能，包含结构化输出、工具、评估集、成本与延迟预算，以及有防护的发布。

• 有代表性的成功与失败案例
• 质量、成本与延迟的权衡
• 降级、发布与回滚的证据

课程覆盖与缺口

该路线涵盖 prompt、结构化输出、嵌入、上下文、RAG、工具、评估、成本、防护栏、生产、网关和发布。

仍需在其他地方获得：产品发现、交互设计、真实用户研究、领域监管，以及在持续流量下运行功能的经验。

你要负责什么

• 定义评估集、指标、评分器和失败分类。
• 为模型、agent 和服务行为埋点。
• 构建发布门、实验和回归检测。
• 测试负载、降级、恢复和事件响应。
• 把证据连接到上线和运维决策。

适配度与边界

适合你，如果：你喜欢统计学、对抗测试、可观测性、发布判断，以及从事件中学习。

边界：这比离线模型准确率更广。可靠性还包括应用、运行时、基础设施和响应过程。

作品集证据

交付一个连接到追踪的行为评估 harness、一个发布门、一次负载或故障实验，以及一份事件运行手册。

• 已版本化的案例与指标依据
• 回归与上线决策
• 已观察到的恢复过程和残余风险

课程覆盖与缺口

该路线涵盖模型、LLM 与 agent 评估、可观测性、服务指标、实验、负载、金丝雀发布、混沌工程和 SRE。

仍需在其他地方获得：真实值班经验、组织特有的事件流程、生产流量、合规证据和跨团队发布权限。