AI 应用开发学习路线：从零基础到能独立交付项目
AI 领域的学习资源多得令人眼花缭乱：深度学习课程、最新论文、层出不穷的开发框架、各种“七天精通大模型”的教程。很多初学者在其中迷失方向，学了很多理论却做不出一个能用的东西，或者只会调用框架却不理解背后的原理。对于希望从事 AI 应用开发的人来说，更有效的路径是以项目为导向：先掌握足够的基础，然后通过一个个逐渐复杂的项目建立能力。 本文给出一条务实的学习路线。
先明确方向：应用开发还是模型研发
AI 相关的工作大致可以分为两类：
- 模型研发：训练和改进模型本身，需要扎实的数学、机器学习理论和大规模训练经验，通常需要较高的学历背景和研究能力；
- 应用开发：基于现有的模型构建产品和解决方案，更看重工程能力、产品理解和对模型能力边界的把握。
本文聚焦于应用开发方向，这也是目前需求量最大、入门门槛相对较低的方向。岗位能力的详细说明见 AI 工程师需要哪些技能。
阶段一：编程与工程基础
学什么
- 一门编程语言：Python 是 AI 领域最常用的语言，生态最丰富；如果你从事 Web 开发，TypeScript 也是很好的选择；
- 基础工程能力：版本控制、命令行、HTTP 和 API 的概念、JSON 数据格式、基本的数据库操作；
- 基础的 Web 开发：能够搭建一个简单的后端服务和前端页面，用于展示你的项目。
练手项目
写一个调用公开 API 获取数据并展示的小工具。
如果你已经是开发者，这个阶段可以跳过。
阶段二：大模型核心概念
学什么
不需要推导数学公式，但要理解以下概念的直觉：
- Transformer 和注意力机制的基本思想，参见 Transformer 架构通俗讲解；
- Token、上下文窗口及其对成本和能力的影响，参见 Token 与分词器；
- 预训练、指令微调和对齐的区别；
- 幻觉的成因和局限，参见大模型幻觉的成因；
- Embedding 和语义检索的原理。
学习方式
阅读通俗的技术解读文章，观看知名研究者的入门讲解视频，多动手使用不同的模型，观察它们的表现差异。
阶段三：提示工程与 API 调用
学什么
- 结构化提示词的写法、少样本提示、思维链；
- 通过 API 调用模型，掌握消息结构、参数、流式输出，参见大模型 API 调用入门；
- 结构化输出和工具调用；
- 生产环境的基础实践：密钥管理、错误处理、成本控制。
练手项目
做一个解决自己实际问题的小工具，例如自动整理会议记录、批量改写商品描述、从邮件中提取待办事项。
阶段四：RAG 与 Agent
学什么
- RAG 的完整流程：文档解析、切分、向量化、检索、重排序、生成与引用；
- 向量数据库的基本使用；
- Agent 的核心组成：规划、工具调用、记忆、错误处理；
- 至少熟悉一个主流的开发框架，同时理解它背后在做什么，不被框架绑定。
练手项目
- 为某个领域的文档搭建一个知识库问答机器人，参见知识库问答机器人搭建指南；
- 做一个能调用几个工具完成多步骤任务的简单 Agent。
阶段五：评测、上线与工程化
这是区分“能做演示”和“能交付项目”的关键阶段，也是很多学习者容易忽略的部分。
学什么
- 构建评测集，量化评估效果，参见如何构建评测集；
- 提示词的版本管理和回归测试；
- 延迟和成本优化；
- 上线后的监控和迭代；
- 安全问题：提示注入、数据隐私、权限控制。
练手项目
把阶段四的项目部署上线，邀请几位真实用户使用，收集反馈，建立评测集，迭代改进至少几个版本。
可选的深入方向
在掌握以上内容后，可以根据兴趣和职业目标深入某个方向：
- 模型微调：LoRA、数据集构建、训练与评估；
- 推理部署：开源模型的本地部署、推理引擎、量化与性能优化；
- 多模态应用：图像理解、语音交互、文档智能；
- 垂直行业：结合医疗、金融、法律、教育等行业知识。
常见误区
- 陷入理论而不动手：看了大量课程却没有做过一个完整的项目；
- 只追新框架：框架更新很快，理解原理比熟悉某个框架的接口更重要；
- 只做演示不做评测：演示效果好不等于可以交付，评测和工程化能力才是真正的竞争力；
- 忽视业务理解：AI 应用的价值在于解决实际问题，理解业务需求同样重要；
- 单打独斗：参与开源项目、技术社区和交流活动，能让你学得更快。
小结
AI 应用开发的学习路线可以分为五个阶段：编程与工程基础、大模型核心概念、提示工程与 API、RAG 与 Agent、评测上线与工程化。以项目为导向，每个阶段都动手完成一个解决实际问题的项目，并特别重视评测和工程化能力，你就能逐步建立起独立交付 AI 项目的能力。转型的具体建议可参考程序员如何转型 AI。