AI工程师成长路线图AI工程师学习路径
这张图用8步理清“成为AI工程师”的完整路径。
上次的AI工程师成长路线图（）偏技术，这次的图则更基础，也更清晰。
1 打好底层基本功：
这一阶段包含两块内容：
- 编程和机器学习基础：Python、Bash、（可选Typescript）、基础统计学、常见ML模型；
- 观测与评估：包括埋点、接入观测平台、评估Agent输出效果，尤其是AI Agent Evaluation（智能体评估）是系统上线前的关键环节。
2 掌握LLM API调用方式：
理解大模型的服务调用，重点掌握几个核心概念：
- 不同类型的LLM（如base、chat、多模态）；
- Structured Outputs（结构化输出）；
- Prompt Caching（提示词缓存，用于提速和降低成本）；
- 多模态模型（例如图文输入输出）。
目标是能高效、结构清晰地调用模型服务，搭建基础能力模块。
3 理解模型改造方法：
从“调模型”走向“改模型”，三种常用方式是：
- Prompt Engineering（提示词设计）；
- Tool Use（外部工具调用）；
- Finetuning（模型微调，适配特定任务）。
4 掌握存储与检索方式：
RAG（Retrieval-Augmented Generation）系统的核心在于“信息喂得好”。这部分要搞清楚：
- Vector DB（向量数据库）；
- Graph DB（图数据库）；
- Hybrid Retrieval（混合检索）；
- Metadata Handling（元数据处理）。
数据怎么存、怎么取，直接影响生成结果的准确度和相关性。
5 理解RAG与Agentic RAG流程：
从数据处理到内容生成，这一阶段关注RAG系统全链路：
- Data Preparation（数据预处理）；
- Data Retrieval & Generation（信息检索与内容生成）；
- Reranking（二次排序，提高命中准确率）；
- MCP（Multi-Context Prompting，多上下文提示）：提升多轮对话质量；
- LLM Orchestration Frameworks（LLM编排框架，如LangChain、LlamaIndex）。
相比基础RAG，Agentic RAG在结构上更复杂，模块更多，但也更灵活。
6 理解AI Agent设计逻辑：
AI Agent是“可以执行动作”的智能体，这一步让你从“语言模型”走向“Agent系统”：
- Agent Design Patterns（Agent设计模式）；
- Multi-Agent Systems（多Agent协同）；
- Memory（Agent的记忆系统）；
- Human in/on the loop（人类参与控制）；
- A2A、ACP等Agent通信机制；
- Agent Orchestration Frameworks（多Agent调度框架）。
这一步的目标是让Agent不仅能答题，还能“自主完成任务”。
7 补齐工程部署能力：
一个能上线稳定跑的AI系统，背后离不开这些基础设施：
- 云服务部署、CI/CD流程、模型路由策略；
- LLM部署与资源调度；
- 守护机制与安全边界设定。
另外，两大模块在部署环节不可忽视：
- Security（安全机制）：包括Guardrails（输出限制）、LLM应用测试、安全与伦理控制。
8 探索前沿玩法：
当上述能力已具备，可以进入一些更进阶的方向：
- Voice & Vision Agents（能听会看的多模态Agent）；
- Robotics Agents（连接物理世界的AI机器人）；
- CLI Agents（控制终端命令的Agent）；
- Automated Prompt Engineering（提示词自动生成系统）；
- 更多Computer Use场景的拓展与集成。
（from: Aurimas Griciūnas)
