自学路线:按交付顺序,不按技术难度
网上大部分"AI 工程师学习路线"是按技术栈排的:先 Python,再 LangChain,再向量库,再 Agent……
这个顺序对 FDE 是错的。 因为真实项目不是从"选什么框架"开始的,是从"客户到底要什么"开始的。
下面这条路线按能力地图六件事的交付顺序排。每一步都标了「自学能不能做到」——有几步是真的难自学的,我们照实说。
第 1 步 · 把模糊需求写成能干活的文档
这一步不需要写任何代码,却是最该先练的。
怎么练:找一个你身边真实的低效环节(报销流程、排班、客服重复问题),写一份文档回答四个问题:
- 现在这件事具体怎么做的?耗时多少?谁做?
- 做成什么样算成功?用什么数字衡量?
- 有哪些硬约束?(预算、数据能不能出内网、谁能拍板)
- 哪些部分不该交给 AI?为什么?
🟢 自学完全可行,而且这是投入产出比最高的一步。 判据:把文档给一个不懂技术的同事看,他能说出"做完之后我的工作会怎么变"。
第 2 步 · 让 AI 准确回答你自己的资料(RAG)
先用最小的东西跑通:十几份你自己的真实文档,而不是教程里那份干净的 PDF。
真实文档会立刻教你三件事:扫描件要 OCR、表格嵌套会丢结构、同一个概念不同部门叫法不同。
🟢 自学可行。 但⚠️ 别用干净数据练 —— 干净数据上跑通的 RAG,遇到真实文档会全线崩溃,而你会误以为自己学会了。
第 3 步 · 让它自己调工具、干多步骤的活(Agent / MCP)
从两步开始:查一个真实接口 → 根据结果做判断。跑通之后再加第三步。
重点不是把链路搭长,是当它做错时,你能说清楚它当时为什么那么决定。
🟡 自学可行但容易跑偏。 常见误区是追求"步骤越多越厉害",而真实项目里步骤越多越不可控。
第 4 步 · 把它部署上线
国内的难点在"私有化":数据不出内网、国产模型适配、离线依赖包。
🟠 自学有门槛。 公网部署自学没问题;但私有化环境、内网隔离、GPU 资源测算这些,自学最大的障碍不是知识,是没有那个环境。 折中办法:先在自己机器上用 Docker 模拟"不出网"的约束,至少把依赖离线化这一课练到。
第 5 步 · 证明它准,并盯住它别退化
在写业务代码之前,先写一百条"坏例子"。
这是整条路线里最反直觉、也最能拉开差距的一步——大厂把它单独写进 JD,恰恰因为它最容易被跳过。
🟢 自学可行,而且不需要任何特殊环境。 判据:能回答"它现在准确率多少、是拿什么数据算的、掉了怎么发现"。
第 6 步 · 把价值说清楚
练法:把你第 1 步那份文档,改写成给不懂技术的人看的一页纸,包含:解决什么问题、花多少钱、多久见效、风险是什么。
🟢 自学可行,但最难自己发现问题——得找真人讲一遍,看他什么时候皱眉。
关于自学的三句实话
一、第 1、5、6 步自学效果最好,而它们恰恰是最容易被跳过、也最能拉开差距的三步。多数人一上来扎进第 2、3 步,因为那看起来最像"在学 AI"。
二、第 4 步的私有化部分,自学的主要障碍是没有环境,不是没有资料。
三、最难自学的其实是"脏"——没有文档的老系统、格式混乱的历史数据、不配合的对接方。这些在教程里永远是干净的,在真实项目里永远是脏的。能不能处理脏,是这个岗位最真实的分水岭。
本站不售卖课程,也不在此页做任何推荐。上面这条路线你完全可以自己走完。
如果你想看看别人是怎么走的,可以先看下面的公开课回放——那是免费的完整实录,不是宣传片。