AI 应用开发完整学习路线

经常有人问我，做 AI 到底该从哪学起？我自己的感受是，AI 这行现在分成了三条完全不同的赛道，很多人的迷茫，根源就是没搞清自己想走哪条路就乱学一气。

三条赛道，先认清再选

第一条是底层科研。搞模型基础能力研发的，深度学习数学推导、Transformer 结构、预训练任务、算力集群调度，这些东西研究出来是要发论文的。你要懂注意力机制的数学原理、懂反向传播的推导、懂 Scaling Law（模型规模与能力的缩放规律）、懂分布式训练怎么切分模型和梯度。门槛极高，需要扎实的数学功底和海量算力支持，走这条路的基本是算法研究员。对大多数应用开发者来说，这条路的投入产出比很不划算。

第二条是模型微调。在现有大模型基础上做垂直场景优化，LoRA、全量微调、RLHF、DPO 这些，核心能力是数据集清洗、参数调优、算力管控，对应的岗位是模型工程师。这条路有价值，因为垂直领域往往需要把通用模型"调教"成专用模型，但它对数据和算力的要求也不低，而且试错成本很高——微调一次可能就要花几小时到几天。有意思的是，现在 LoRA 这类"参数高效微调"技术大大降低了门槛——只调一小部分参数，就能让模型适配某个领域，这也是很多应用团队正在用的方案。

第三条，也是我最推荐普通开发者走的，是应用工程化。它不碰模型预训练，也不用改底层结构，核心是拿现成的开源或闭源大模型，搭出真正能落地、能迭代、能上线的业务系统。落地场景最广，就业门槛适中，商业化价值也最高——现在市场上的 AI 增量机会，绝大多数都在这层。你不需要懂怎么训练模型，你需要的是"怎么把模型用对、用好、用稳"。

应用工程化的学习路线

应用工程化要学的东西，我按顺序排了一下，别跳级：

第一步是 Prompt 工程。别觉得写提示词简单，它是一套系统方法：角色限定、指令约束、负向限制、少样本示例、结构化输出。先把这一步练扎实，因为后面所有环节的输出质量，都建立在"你能把话说清楚"的基础上。Prompt 的功夫，一半在"写"，一半在"调"——不同的任务要用不同的策略，这需要大量实践积累语感。比如"角色设定+明确指令+格式约束+示例"这套结构，就是最基础也最实用的写法。

第二步是 RAG 检索增强。解决私有知识问答的准确性问题。找几十篇真实文档，把清洗、分块、向量化、检索、重排、生成整套流程跑一遍，你才真正理解"为什么光把文档丢进向量库没用"。RAG 的难点在于工程细节——分块怎么切、检索怎么混、重排怎么用、幻觉怎么防，每一环都有坑。

第三步是 Agent 智能体。做一个带三五个工具的小项目，比如搜索、查询状态、写结果。重点是观察它失败、观察它的限制，而不是只看它成功的样子。你要搞懂工具调用（Function Calling）的机制、循环和上下文的管理、错误怎么兜底，这些是 Agent 真正能落地的关键。

第四步是工程化能力。日志、权限、限流、成本统计、评测集，这些看起来不酷，但决定一个东西能不能从 demo 变成产品。尤其要注意的是 Token 成本——大模型的每一次调用都在烧钱，上线前不算清成本，上线后会被账单教做人。举个简单的例子：一次长对话可能消耗几万 Token，如果按 0.1 元每万 Token 算，单个用户一天几十次对话，成本就上去了。所以"缓存常用回答"“限制对话长度”“用便宜的模型处理简单任务”，这些成本优化手段，工程上都得有。

学习的判断标准

说到最后，判断你自己学没学会的标准很简单：能不能独立完成一个能用的应用，而不是只跑通官方示例。这里有个很常见的误区——跟着教程跑通一个 demo，就觉得自己会了。真正的会，是你把它换到真实场景里，处理真实数据、踩到真实的坑、能自己修好。

另外还有个心态问题：AI 领域变化太快，今天的技术明天可能就过时。与其追着最新模型跑，不如把"工程能力"练扎实——Prompt、RAG、Agent 这些方法论是相对稳定的，模型换得再快，工程框架不会变。

AI 领域最不缺看热闹的人，缺的是能把东西做出来的人。别被"AI 一夜之间改变世界"的焦虑裹挟，脚踏实地把一条链路打通，比什么都强。