2026年成为AI工程师：12个月路线图

以下内容整理自 @eng_khairallah1 2026年6月23日发表的长文《如何在2026年成为人工智能工程师（无需计算机科学学位）》。作者开篇破除一个迷信：大多数人认为干 AI 必须有计算机学位；一小部分人意识到，科技行业收入最高的构建型岗位不在乎文凭写什么，在乎你交付了什么。

两类人的差别不是证书，而是作品集。招聘经理直言：见过自学成才的工程师能力碾压博士——交付是与学习不同的另一种能力。这门课把作者的12个月、六阶段路线完整呈现。

去重说明：本课讲"建造路线"（怎么做 AI 工程师）；《第11课》吴恩达心法讲"使用心法"（怎么用好 AI）——prompt 技巧等使用层内容详见《第11课》，本课不重复。

以下来自 @eng_khairallah1 原文。开工前先把角色弄清楚，因为大多数人瞄错了目标：

• 机器学习研究员：发明新模型、训练新模型；确实需要高级学位+大量数学；只占市场一小部分；
• AI 工程师：用已经存在的模型构建有用的东西——解决工单的支持机器人、在一万份文档里找答案的内部搜索、无需看护执行多步骤工作流的 Agent。

绝大多数公开岗位、以及无需学位可进的岗位，都是第二类。这个区分能帮你省下数月时间：别去啃当前不需要的深奥数学。AI 工程师位于三者交汇处：软件工程 + 对 LLM 行为的实用理解 + 产品思维——第一天不需三项顶尖，但要称职、持续进步、有证据。

以下来自 @eng_khairallah1 原文。

阶段 1（第1–3个月）：学会正确地写代码——不能跳过的一步，也是最多人想跳过的一步。语言选 Python（几乎所有 AI 库优先为它构建，这是标准不是偏好）。目标不是"看过教程"，而是"空白文件写小程序、连基本语法都不用查"：变量、数据类型、控制流、函数、文件操作、调 API、错误处理、读别人的代码。从第一天起用 Git 并把所有东西放 GitHub——GitHub 就是作品集的前半部分。数学焦虑先放一边：基本统计感觉够用就行，深奥数学等具体项目需要再学。

该做什么：① 完成一门结构化 Python 课，每天写代码（哪怕30分钟）；② 从零做5个小程序：计算器、文件整理器、调公共 API 的脚本、数据清洗工具、命令行记事本；③ 学 Git 基础，5个项目全推公开 GitHub；④ 加入一个同路人社区。

阶段 2（第3–5个月）：精通 LLM API——聊天界面是给消费者的，AI 工程师通过 API 工作：从代码发请求、编程化处理响应。流利起来的那一刻，你就从"用户"变成了"构建者"。学：发消息、流式响应、对话历史管理、输出格式控制、限流与错误处理；区分"能得到不错答案的提示"和"每次都精确、可重复、适合生产的提示"——在生产环境里，"通常正确"就是一个 bug。还要学工具调用（函数调用）：让模型调函数、查系统、取数据——理解了它，Agent 的世界就打开了（Agent = 带工具和循环的模型）。

该做什么：① 第一小时就去拿 API 密钥、从脚本发出第一次调用；② 做个命令行工具，粘贴任意文本做有用处理；③ 做个带记忆的聊天机器人；④ 实现工具调用：给模型一个函数并让它正确调用。

编程思维框架见《第12课：编程思维》；prompt 从"能用"到"生产级"的技巧见《第11课》。

以下来自 @eng_khairallah1 原文。

阶段 3（第5–7个月）：构建 RAG 系统——这是让人被雇佣的技能，因为大多数真实 AI 产品底层都在做这件事。RAG（检索增强生成）原理很简单：模型只知道训练过的内容和你给它的内容；RAG 就是从你自己的数据里检索出正确信息喂给模型，让它能准确回答训练中从没见过的东西（公司文档、产品手册、知识库）。链路：文档切分→转向量嵌入（表示含义的数值）→存向量数据库→按问题检索最相关片段→喂给模型生成有依据、有来源的答案。做出一个真实文档的端到端 RAG 应用并部署，你就领先了大量只会空谈 AI 的人——这是作品集一号项目。

该做什么：① 先从概念上搞懂嵌入和向量库再看代码；② 在真实文档集（自己的笔记/PDF/维基）上做 RAG；③ 加检索评估：到底找对了片段还是只找了相近的；④ 部署到陌生人也能用的地方。

阶段 4（第7–9个月）：构建 Agent——人人谈论、少人能交付的东西。RAG 用来回答问题，Agent 用来完成工作：接受目标→拆成步骤→用工具逐个完成→根据情况决定下一步。阶段2已学会工具调用，现在把它放进"有目标的循环"，给 Agent 多个工具，并处理混乱现实：绕圈、调错工具、卡住。作者的实话：演示型 Agent 容易做，可靠的 Agent 很难——差距在失败处理、清晰的工具设计和评估；这道差距区分"值得雇佣的工程师"和"只会做花哨视频的人"。

该做什么：① 做个用多种工具完成真实多步任务的单 Agent；② 做个小多 Agent 系统（协作或互查）；③ 加明确的失败处理；④ 作为作品集二号项目：解决真实问题的多 Agent 系统。

以下来自 @eng_khairallah1 原文。

阶段 5（第9–11个月）：学习评估与部署——让你具备就业能力的枯燥阶段，也是业余爱好者完全跳过的阶段。任何人都能让 AI 功能第一次跑通；公司付费买的是一万次运行后依然可靠的东西。评估= 衡量系统是否真优秀、改动是变好变坏（事实准确性/相关性/与参考答案一致性，可用另一个模型打分或人工审查）；部署= 从笔记本电脑到现实世界（托管、监控、扛负载、盯成本、故障比用户先发现），即 MLOps。能证明这两件事的工程师，才是可被信任负责上线的人。

该做什么：① 给之前某个项目建评估套件（测试用例+评分机制）；② 选一个项目正确部署（含监控和成本跟踪）；③ 作为作品集三号项目；④ 记录你测了什么、会怎么改进——边想边说本身就是可被雇佣的信号。

阶段 6（第11–12个月）：找到工作——不再学新技术，而是让合适的人看到你的东西。三个真实项目在手（带评估的 RAG、多 Agent 系统、带监控的部署），对多数 AI 岗位来说比硕士学位更开门。把每个项目写成案例研究：问题是什么、你的方法、你测量了什么、会有什么不同做法；公开构建、发技术拆解（领域变化快，持续产出的建设者很快被注意到）。现实路径常先经"AI 辅助的软件岗"再转完整 AI 工程师；入门薪资约12万美元起，资深可超20万（看公司和地点）。面试被问"Agent 工具失败怎么处理""怎么评估 RAG"时，你讲的是自己实际做过的事——这就是全部关键。

该做什么：① 三个项目各写一份案例研究；② 至少发一篇技术拆解；③ 广泛申请（含 AI 增强型软件岗作为第一步）；④ 面试谈交付和改进，不谈背诵。

以下来自 @eng_khairallah1 原文结尾。作者说了几句实话：

• 12个月是真实时间表，但前提是一直在构建——读书≠成为，看教程≠建作品集；被雇佣的人是每个阶段都交付了东西、不在乎完不完美的人；停滞的人是永远在"准备"、从不把东西给真实用户的人；
• 既然 AI 能写这么多代码，为什么还学？因为总要有人设计系统、做集成、评估输出对不对、决定建什么——AI 工具让会指挥工具的工程师更值钱；你学的不是与工具竞争，而是指挥它们；
• 挡在大多数人外面的资质门槛，是大多数公司已不再执行的那种。

配套：PG 的"先搞懂技术"动机论见《第05课》；AI 使用心法见《第11课》；编程思维框架见《第12课》。