本文基于《AI研发工程师岗位技能图谱》，详细解析了AI研发工程师的核心工作内容，强调了模型效果并非终点，稳定交付才是关键。文章针对不同背景的工程师提供了转型路线图，并分享了学习计划、作品集构建方法和岗位能力权重矩阵，帮助读者明确学习方向，快速成长为AI研发工程师。

会调用模型 API，是否就等于 AI 研发工程师？

不等于。调用 API 是一个有价值的起点，但真正的 AI 研发能力是模型、数据、工程、安全和业务交付的闭环：理解需求，准备可信的数据和上下文，选择并连接模型，构建稳定的服务，持续评测和监控风险，最后用业务指标证明它解决了问题。

这是一条从模型、数据、工程、安全到业务交付的完整闭环。模型效果只是起点，稳定交付才是工程终点。对希望转型的普通工程师而言，真正要紧的是尽快做出一个能被验证、能被使用、能被复盘的 AI 系统，而非背完所有热门术语；对已经从事 AI 研发的工程师而言，这张图谱则可以帮助你发现能力闭环中的短板。

一、AI 研发工程师到底在做什么

设想你要为公司搭建一个企业知识助手。用户希望它能回答制度、产品和流程问题，并且答案可追溯、权限不越界、遇到不确定内容能坦诚说明。

这项工作从来不是“写一句提示词”就结束。你要先把模糊的需求转成可验证的目标：它服务哪些用户，回答哪些问题，什么算答对，延迟和成本允许到什么程度。接着要盘点文档来源、更新频率、数据质量和访问权限，清洗并切分资料，建立可追溯的检索索引。

在模型层，你要决定使用什么模型、怎样组织上下文、何时检索、何时调用工具、怎样约束输出格式。在服务层，你要处理接口、会话状态、鉴权、限流、缓存、失败降级和发布回滚。在交付之后，还要用回归集评测答案质量，监控错误、成本和延迟，检查提示词注入、敏感信息泄露和越权工具调用，并观察用户采纳率、问题解决率等业务指标。

这条链路可以概括为：

需求定义 → 数据准备 → 检索与上下文 → 模型与工具 → 服务交付 → 评测与监控 → 安全治理 → 业务指标

图 1：AI 研发不是一次模型调用，而是由业务指标反馈驱动的持续交付闭环。

传统研发更聚焦于确定性软件逻辑、服务可靠性和系统演进；算法研究更聚焦于模型、数据集和实验结果；Prompt 使用者主要通过自然语言与现成模型协作。AI 研发工程师处在三者的交汇处：既要理解模型为什么会出错，也要让系统在真实约束下稳定运行，还要对最终交付的业务价值负责。

因此，我不建议把“会训练大模型”当作转型的前置门槛。很多岗位首先需要的，是能把现成模型、企业数据和工程系统连接起来，并把结果做成可评测、可运营、可治理的产品能力。

二、如何正确使用这张技能图谱

技能图谱覆盖九项能力：语言基础、机器学习、深度学习、大模型技术、AI 工程化、数据工程、AI 安全、落地应用和通用能力。它描述的是 AI 研发的完整能力边界，不是要求每个人同时成为九个方向的专家。

图 2：九项能力不是平铺清单，而是从基础、智能能力、生产底座到价值交付的分层架构。

阅读图谱时，可以先用三个层次定位自己：

• 知道

：能说明一个概念解决什么问题，能读懂文档、示例和他人的实现

• 能做

：能在明确边界内独立完成一个功能或项目，并用测试、评测或演示证明结果。

• 能负责

：能在不确定条件下做取舍，定义验收标准，处理异常与风险，并对上线后的结果持续负责。

这对应图谱中的初级、中级和高级：初级重点是建立正确概念并完成最小闭环；中级重点是把能力放进可评测、可维护的项目；高级重点是围绕业务目标设计方案、协调约束并承担交付责任。三个层级的区别不在于记住多少名词，而在于责任边界是否逐层扩大。

图谱也不是必须从左到右学完的课程表。更有效的使用方式是先选定目标岗位和一个真实问题，再把能力分成三类：

• 共同必修

：Python 与基本工程能力、模型使用与评测意识、数据质量与安全边界。这些能力支撑任何 AI 项目形成最小交付闭环。

• 岗位选修

：面向算法和模型岗位，逐步加深机器学习、深度学习与训练优化；面向平台岗位，加深推理服务、可观测性和资源治理；面向业务应用岗位，加深 RAG（检索增强生成，即先检索外部资料，再把可引用的上下文交给模型回答）、工具调用、产品指标与行业知识。

• 延后学习

：当前项目不需要、短期无法转化为交付物的深层理论或特定框架，可以先不投入主要精力，等目标和瓶颈明确后再补。

• 接下来的章节会先拆解九项能力，再从不同背景和目标岗位出发，给出学习节奏、作品集与自测方式。阅读时不妨在每一节标记：我已经知道什么、已经能做什么、下一次项目必须补上什么。

为方便第一次接触这些岗位的读者：下文 LLM 指大语言模型，MLOps 指机器学习全生命周期工程，LLMOps 则把同类运行治理聚焦到大模型应用。

三、九项能力详解

我把每项能力压成“学习边界—分级标准—项目证据—岗位权重”，方便你直接对照，而不再重复罗列课程名。

3.1 语言基础（初级｜中级｜高级）

语言是连接模型、数据和服务的工作台。Python 覆盖数据处理、模型框架、推理服务与自动化，但原有的 Java、Go、TypeScript 或 C++ 仍可承担高并发、交互与性能敏感模块。先掌握类型、异常、包与虚拟环境、HTTP/JSON、配置、日志、Git、Linux 和测试，再按项目补 NumPy、pandas、Pydantic；不要为了转型重写整套系统。

初级能读 SDK，写出从环境变量取密钥、带异常处理的结构化调用；中级能把调用、检索、缓存和接口组织成有类型、测试与配置隔离的服务；高级能划分多语言边界，处理契约演进、并发、失败传播和可观测性。练习可选工单信息提取 API：用不少于 20 条带标注的正常、缺字段和恶意样例检查 JSON schema 与字段质量，并让他人按 README 在新环境复现。密钥进仓库、异常无测试或只在 notebook 跑通，都不能算交付。

岗位权重（与第七节矩阵一致）。 AI 应用：高；机器学习/算法：高；大模型：高；AI 平台/MLOps：高；AI 安全：高；AI 解决方案：高。

3.2 机器学习（初级｜中级｜高级）

机器学习的价值在于判断问题能否被数据表示、模型是否学到规律，以及离线分数能否迁移到真实场景。监督学习用带标签样本解决分类、回归等预测；无监督学习从未标注数据中发现聚类、表示或异常；强化学习根据环境反馈学习连续决策策略；特征工程把领域信息清洗、编码、组合或筛选成模型可用输入。AI 应用岗要能判断这些方法的边界与指标，机器学习/算法岗则需深入原理、实验和优化。

必修概念还包括训练/验证/测试切分、损失、正则化、偏差—方差、类别不平衡、阈值、Precision、Recall 与 F1。要区分 ROC-AUC 和 PR-AUC：ROC-AUC 适合观察整体区分能力；正例稀少时应同时报告更聚焦 Precision—Recall 权衡的 PR-AUC，并按漏报、误报代价选阈值。时间穿越、同一用户跨集合和事后字段都属于数据泄漏。

初级能完成正确切分与简单基线；中级能按业务代价选指标、比较模型并做误差分析；高级能与业务方定义标签和阈值，设计时间外验证或在线实验，并安排漂移后的重训与回滚。练习可用历史工单预测“是否人工升级”：按时间切分，比较逻辑回归与树模型，报告混淆矩阵、分群表现和三类主要错误。只追 Accuracy、反复用测试集调参或把模型分数直接写成业务收益，都会制造虚假进展。

岗位权重（与第七节矩阵一致）。 AI 应用：中；机器学习/算法：核心；大模型：高；AI 平台/MLOps：中；AI 安全：高；AI 解决方案：中。

3.3 深度学习（初级｜中级｜高级）

深度学习帮助工程师理解神经网络如何学习表征，以及训练为何昂贵且脆弱。CNN 擅长空间局部模式，RNN/LSTM/GRU 面向序列状态，Transformer 用注意力建模长距离关系并便于并行，Autoencoder/VAE 用于表征、压缩、异常检测或生成。应掌握张量、反向传播、优化、正则化、训练/验证循环和显存关系，并理解 token、embedding（把离散内容映射为可比较的向量表示）与注意力的用途。

框架也要按角色选修：PyTorch、TensorFlow、Keras 用于建模、训练和实验，ONNX 用于跨框架交换模型，TensorRT 用于 NVIDIA 环境的推理优化。算法与大模型岗位要深入训练和实验，平台岗位重点掌握模型转换、部署与性能，AI 应用和解决方案岗位通常理解边界即可，除非岗位要求自定义训练。

初级能完成小型训练循环并解释训练/验证损失；中级能复现微调，处理显存、梯度、过拟合与类别失衡，记录随机种子和超参数；高级能在精度、延迟、显存、数据与成本间取舍，设计消融实验，并判断应微调、检索增强、蒸馏还是不训练。练习时保留简单基线与未见数据，报告质量改善及显存、延迟、训练成本；只交最高分 checkpoint、忽略数据许可或只看 loss，都不足以证明能力。

岗位权重（与第七节矩阵一致）。 AI 应用：中；机器学习/算法：核心；大模型：核心；AI 平台/MLOps：高；AI 安全：高；AI 解决方案：了解。

3.4 大模型技术（初级｜中级｜高级）

大模型技术要让概率模型在上下文、工具和约束中稳定完成任务。few-shot/in-context learning 把少量示例放进上下文而不改模型参数；RLHF 用人类偏好反馈做对齐；蒸馏、量化和剪枝在质量、体积、速度间取舍；多模态连接文本、图像或音频，MoE 则以按需激活部分“专家”扩大容量。算法/大模型岗需要深入训练与压缩，应用/方案岗优先掌握上下文、检索和工具，平台岗重点关注部署与性能。

还要掌握 Prompt、结构化输出与版本管理，设计 RAG 的切分、召回、重排、引用和更新；判断是否需要 SFT（监督微调），以及采用全参微调还是 LoRA/QLoRA（以较少可训练参数微调，QLoRA 再结合量化降低显存）。频繁更新且需要溯源的知识优先采用检索增强，再按行为稳定性、数据和成本决定是否微调。Agent 与 Function Calling（让模型按 schema 请求受限函数）必须配服务端权限。

初级能交付结构化单轮调用；中级能完成带引用的 RAG 或受限工具工作流，并建立小型回归集；高级能按任务、敏感性、成本与延迟选模型和架构。质量验收要分开报告答案正确率、引用可访问率、引用支持/正确率、拒答正确率和工具成功率；性能用 P50/P95（分别表示中位与高分位请求延迟）和单次成本衡量。线上采纳、编辑、转人工、投诉只能作为代理信号，模型是否真的变好仍由固定离线标注集确认。

练习可做制度问答与表单预填助手：只据授权材料回答并展示引用；工具先生成草稿，用户确认后才提交；覆盖无答案、过期文档、错误参数和注入指令。频繁更新的知识优先用检索增强，不要默认依赖微调；也不要把 RAG 当权限系统或把 Agent 等同于多智能体。

岗位权重（与第七节矩阵一致）。 AI 应用：核心；机器学习/算法：中；大模型：核心；AI 平台/MLOps：高；AI 安全：高；AI 解决方案：高。

3.5 AI 工程化（初级｜中级｜高级）

AI 工程化把实验变成可发布、可观察、可回滚的服务。能力范围包括代码、数据、模型、提示词和配置版本；容器、CI/CD、鉴权、限流、缓存与队列；日志、指标、trace（把一次请求跨模型、检索和工具的耗时与错误串起来）、告警；以及容量、成本、灰度、降级、备份和演练。

初级能封装服务，隔离配置并提供健康检查和超时；中级能部署、监控与限流，只对瞬态错误做有上限的退避重试，并为非幂等动作加幂等键；高级能设定 SLO（用目标约束一段时间内的成功率、延迟或质量），治理流量和多版本灰度，组织回滚与复盘。把 RAG API 服务化时，应压测成功率与 P95，主动制造模型超时、向量库不可用和坏配置，验证降级、告警与回滚。Docker 只是起点，CPU/内存也不是完整的 AI 监控。

岗位权重（与第七节矩阵一致）。 AI 应用：核心；机器学习/算法：中；大模型：高；AI 平台/MLOps：核心；AI 安全：高；AI 解决方案：高。

3.6 数据工程（初级｜中级｜高级）

数据工程决定模型看见什么、何时看见、能否信任。需要掌握采集与增量同步、清洗去重、批流处理、数据库、对象存储、向量索引与湖仓（兼顾数据湖灵活存储和数仓治理查询）概念，同时治理 schema、元数据、血缘、权限、保留与脱敏。RAG 必须保留“原文—切分块—向量—索引版本—引用”链路。

初级能从受控数据源完成提取、清洗和加载；中级能构建可重复增量管道，处理新增、修改、删除和失败记录；高级能设计数据契约与质量门禁，追踪血缘，并评估源数据变化对效果与合规的影响。练习可为知识库做增量索引：用新增、改版、删除、损坏、无权限五类文档验收，确保删除内容不再命中、改版引用指向新版本、失败可追踪、重复执行不重复写入。向量库不能替代权限、删除同步和数据治理。

岗位权重（与第七节矩阵一致）。 AI 应用：高；机器学习/算法：核心；大模型：高；AI 平台/MLOps：核心；AI 安全：高；AI 解决方案：高。

3.7 AI 安全（初级｜中级｜高级）

AI 安全包含两条边界。模型安全关注对抗样本、训练或评测数据投毒、模型窃取、成员推断与其他隐私攻击、模型水印，以及训练和推理资产保护；应用/Agent 安全关注身份权限、提示词注入、RAG 污染、越权工具、敏感信息和供应链。内容治理横跨两者，用策略、分类、审核与申诉机制约束输入输出，但不能替代权限控制。

共同底线包括最小权限、身份认证、输入输出校验、数据分级与脱敏、审计、速率限制、密钥管理、红队测试和人工兜底。系统提示词可能泄露，不能承载权限；用户输入、检索内容、工具返回和模型输出都按不可信处理。

初级能守住密钥、数据和日志边界；中级能为 RAG、工具和多租户场景设计权限、隔离、过滤与攻击测试；高级能做威胁建模和分级，把控制嵌入发布门禁，并定义人审和事故响应。练习可为知识库与工单助手增加安全层：检索按身份过滤，工具只收白名单参数，高风险动作需用户确认且服务端重新鉴权；再用直接/间接注入、越权读取和异常参数演练，证明越权数据拿不到、危险动作不执行、失败有审计。

岗位权重（与第七节矩阵一致）。 AI 应用：高；机器学习/算法：中；大模型：高；AI 平台/MLOps：高；AI 安全：核心；AI 解决方案：高。

3.8 落地应用（初级｜中级｜高级）

落地应用把“技术能做”转成“业务值得做”。面对“做智能助手”，要追问目标用户、流程摩擦、现有基线、错误代价与人工责任，再收敛为单一流程 MVP。必修能力包括需求澄清、用户旅程、指标与护栏、反馈闭环、试验设计、培训和跨团队协作；模型指标与业务指标必须分开解释。

初级能写清用户、输入输出、非目标与验收；中级能选择指标并据反馈迭代；高级能评估收益、风险与组织阻力，推动数据、权限、责任和成功标准达成一致。练习可做客服工单回复建议：只覆盖一种高频问题，允许采纳、编辑或拒绝且不自动发送。只有真实受控试用才能报告采纳率、编辑率和处理时长等业务指标；模拟试用只报告任务完成、错误、交互观察和演练结果，并显式标为模拟证据。没有基线就宣称效率提升，或把聊天界面直接当产品，都会误导评审。

岗位权重（与第七节矩阵一致）。 AI 应用：核心；机器学习/算法：中；大模型：高；AI 平台/MLOps：中；AI 安全：中；AI 解决方案：核心。

3.9 通用能力（初级｜中级｜高级）

通用能力让九项技术能力转成协作结果，重点是问题拆解、结构化沟通、技术写作、来源判断、跨团队协作、复盘与开源规范。初级能说明输入输出、不确定性和已尝试路径；中级能拆出可验证步骤，主持评审并写复现说明与决策记录；高级能在业务、算法、工程和安全之间建立共同语言，推动决策并形成团队习惯。

最实用的练习，是为任意 AI 项目整理一页问题与非目标、架构/数据流、运行说明、评测结果、已知风险、失败复盘和下一步，再请非项目成员复现。README 能运行、实验能复核、行动项有责任人，比“沟通能力强”更可信；文档堆术语、复盘只归责或追热点不查来源，都会提高协作成本。

岗位权重（与第七节矩阵一致）。 AI 应用：高；机器学习/算法：高；大模型：高；AI 平台/MLOps：高；AI 安全：高；AI 解决方案：核心。

四、六类背景工程师的转型路线

先别问“我能不能转 AI”，先盘点你已经能替 AI 系统兜住哪一段。六类人的高效转型路径各不相同：保留原有优势，把最影响第一个交付物的短板排在前面。下表的第一个作品都只覆盖一个流程：能在四到八周完成、被别人运行和验收，范围应小于一个包罗万象的聊天 Demo。

后端工程师：从服务能力走向 AI 交付闭环

后端工程师最容易把模型当成不稳定的第三方 API，却仍按确定性业务规则来设计。先选一个已有的工单、搜索或表单流程，用 Python 封装模型调用，要求模型只返回可校验的结构化数据；把超时、鉴权、审计和人工确认沿用到新链路。再用小型回归集检查字段正确性与拒答。暂时不要重写整套微服务，也不要一上来训练或微调模型；先证明模型进入现有服务后仍可控。

前端工程师：从交互体验走向 AI 应用能力

前端工程师的稀缺优势，是能看见用户如何理解、修正和放弃一次模型回答。先选一个单一任务，做出展示引用、加载状态、不确定性、编辑入口和反馈按钮的工作台；同时补一条最薄的 Python 服务链路，理解流式返回、会话边界、鉴权与错误状态。把“用户能否判断答案是否可信”作为首个交互问题。暂时不要从复杂 Agent 编排或模型训练开始，也不要把系统提示词当成前端权限控制；权限必须留在服务端。

数据工程师：从数据管道走向模型效果与评测

数据工程师离可用 RAG 系统往往只差两件事：把“数据到了”变成“答案可追溯”，把“任务成功”变成“质量被度量”。先在熟悉的数据源上做增量索引，明确删除、版本更新、chunk 元数据与访问标签怎样传到检索结果；再写最小调用服务和一组标准答案、无答案、过期答案评测题。优先看召回、引用和数据新鲜度，而不只看向量库是否写入成功。暂时不要一次性接入所有数据源，或把向量库当成数据治理的替代品。

测试工程师：从质量体系走向 AI 评测与安全测试

测试工程师真正的切入点，是为不确定输出建立可重复的质量门禁，而不只是“替模型找几个 bug”。先选一个有明确输入输出的抽取、分类或问答接口，定义正常、缺失、歧义、无答案和恶意输入样例；分别检查 JSON 可解析性、字段正确性、引用可访问率、引用支持/正确率、拒答和工具调用是否越权。将用例、提示词、检索索引和模型版本一起记录，让每次改动都能比较。这个入口对应的是 AI 安全测试/红队工程师；若要转向综合 AI 安全工程师，还必须补身份与权限、威胁建模、安全架构、供应链安全和事故响应。暂时不要追求一次性把回答判成绝对正确，也不要只做聊天式人工点测；先建立小而稳定的回归集，再逐步加入人工复核和红队场景。

运维/SRE：从稳定性治理走向 MLOps 与 LLMOps

运维/SRE 的优势在于知道“能跑”与“可运营”之间隔着多少异常路径。先接管一条模型服务的可观测性：按请求记录模型、提示词和索引版本，拆分检索与生成耗时，观察 token、失败率、P50/P95 延迟与单位请求成本；随后演练限流、上游超时、向量库不可用和回滚。补课重点不是先学大规模训练，而是理解质量指标同样需要监控，模型输出和工具调用都需要最小权限。暂时不要在没有负载和 SLO 的前提下搭复杂集群，也不要只监控 CPU、内存而忽略答案质量与成本。

算法工程师：从实验结果走向工程化与业务落地

算法工程师已有实验和误差分析能力，短板常在“谁来用、出错怎么办、结果是否改善流程”。先把一个已有分类、检索或微调模型封装成带输入校验、版本标识和健康检查的接口，和业务方共同写出一个模型指标及一个业务护栏指标；找十到二十条真实失败样例，决定它们该由数据、模型、交互还是人工流程处理。再补压测、日志、权限和反馈收集。暂时不要把更高离线分数直接当作上线理由，也不要一开始扩展到多模态、多 Agent 或全量微调。

五、0—12 个月：按交付结果推进的学习计划

我更建议把时间看成四个交付关口，而非统一课表。已有基础的人可以加速，但每一关都要留下可运行、可复查的证据；详细工程要求和指标集中在第六节，这里只回答“何时完成什么”。

图 3：每个学习阶段都应沉淀为更高一级的可运行作品，而不是只增加课程完成数。

0—2 个月：建立 Python、AI/LLM 基础和最小应用闭环

目标与里程碑。 从聊天窗口试 Prompt，走到第六节一级作品：一个输入输出明确的结构化 API，附 README、冻结样例和异常测试。

验收关口。 新环境可启动；schema 与字段质量达到预设目标或优于冻结基线；密钥泄露、异常路径失控为零容忍；他人能复述非目标和人工决定权。

暂缓项。 不训练大模型，不堆框架或多 Agent，不扩成全流程自动化。

2—4 个月：完成 RAG、工具调用、评测与服务化

目标与里程碑。 走到二级作品：交付单领域知识助手，答案有授权来源，工具只生成待确认草稿；提交增量更新、固定回归集与服务化说明。

验收关口。 检索、答案、引用、拒答和工具指标达到冻结目标；删除内容、越权数据和未确认高风险动作均为零容忍；每次修改在同一数据、配置和版本下复跑。

暂缓项。 不一次接入所有资料，不用 RAG 绕权限；回归集稳定前不频繁换模型、向量库或 Agent 框架。

4—6 个月：交付具备最小生产控制集的项目

目标与里程碑。 把三级工作流扩展到最小生产控制集：数据可追溯、权限可验证、变更可回归、运行可观察、故障可止损。这不等于搭完整企业平台；可用获授权的脱敏/合成数据、模拟角色和代表性负载，但必须标明模拟证据。

验收关口。 离线质量达到冻结目标；真实受控试用才报告采纳率、处理时长等业务指标，模拟试用只报告任务、错误、交互与演练结果；越权、未确认执行和回滚失败为零容忍，延迟与成本不越护栏。

暂缓项。 不盲目上分布式组件或复杂路由；没有数据许可、责任人与人工兜底时不处理高风险动作。

6—12 个月：按目标岗位形成深度方向

目标与里程碑。 在完整闭环上选择一条主线做到“能负责”：算法/模型深化训练与推理，大模型深化上下文、Agent 与评测，平台深化 SLO 与成本，安全深化威胁与响应，方案方向深化流程和跨团队协作；成果对应四级作品或同等深度改进。

验收关口。 冻结量化目标、基线、护栏、对照条件和评审人；提交可复现实验或演练、原始结果与失败案例；评审人对路线取舍、风险边界和开放问题作明确决定。

暂缓项。 不追“九项全高级”；第一条主线形成稳定项目和真实反馈后，再开第二条。

六、四级作品集：用项目证明交付能力

四级分别验证结构化调用、可追溯检索、受控任务编排和生产治理。可以在同一项目上逐级扩展，不必重做四个聊天机器人；详细工程要求与指标以本节为准。

一级：结构化大模型 API 应用

规格与工程。 选一种文档或一个业务队列，例如把售后工单提取为问题类型、优先级、证据和待补信息。定义输入、输出、错误 schema；模型返回可校验 JSON 和“不确定”字段，最终决定仍由人或规则作出。密钥走环境变量，请求带超时、ID 和结构化日志；服务端校验 schema，只对瞬态错误有限重试；交付 README、健康检查和一键运行命令。

评测与证据。 冻结不少于 20 条字段标注样例，记录模型、提示词与版本；报告 schema 通过率、关键字段准确率或宏平均 F1、“不确定”识别率、请求成功率和 P95 延迟，保留失败样例。密钥泄露和无效 JSON 进入下游是零容忍。交付代码、样例与标注、评测脚本、接口测试、运行证据和复盘；目标阈值不能冒充实测结果。

简历句式。面向[用户/流程]交付[字段]结构化提取服务；以[样本量]条冻结样例测得 schema 通过率[实测值]、关键字段[指标][实测值]；通过[超时/校验/日志]控制[风险]。

二级：可评测、可引用来源的 RAG 知识助手

规格与工程。 选制度、产品手册或运维知识等受控领域。实现解析、切分、向量检索、必要重排和无依据拒答；回答展示原文链接、片段与版本；新增、修改、删除都能增量同步，检索前按权限过滤。保存“文档—chunk—embedding—索引版本—引用”链路，固定题集、切分、索引和模型版本；API 有鉴权、限流、超时、trace 与回归测试，README 写清数据许可。

评测与证据。 不少于 30 条题目，覆盖有答案、无答案、过期、冲突和无权限。分别报告 Recall@k（前 k 条检索结果覆盖正确资料的比例）、引用可访问率、引用支持/正确率、答案正确率、无答案拒答正确率、越权检索数、删除残留数、P95 与单请求成本：引用可访问率验证目标角色能打开原文，引用支持/正确率验证片段确实支撑对应回答。越权返回和删除残留是零容忍。交付授权或脱敏语料、数据字典、增量脚本、版本记录、题集、评分规则、报告、演示和已知限制。

简历句式。为[领域/角色]交付可追溯 RAG；在[样本量]条固定题集上测得 Recall@[k][实测值]、引用可访问率[实测值]、引用支持/正确率[实测值]、拒答正确率[实测值]；通过[权限/删除/版本]控制[风险]。

三级：具备工具调用、状态管理和人工确认的 Agent 工作流

规格与工程。 选择跨步骤但边界可控的流程，如“解析报障—查询—生成草稿—确认—建单”。用状态机限定转移，工具使用最小集合、schema 和白名单；工具返回、检索片段、附件与 URL 均是不可信数据。读操作与创建、发送、删除分离；高风险动作展示规范化参数并由用户确认，确认凭证绑定用户、任务、动作、参数哈希、版本与有效期，变化后重新确认。每步记录任务状态、版本、参数摘要、结果与失败原因；服务端重新鉴权，单次消费确认凭证；非幂等动作加幂等键，并为超时、工具失败、重复提交和人工拒绝设计恢复。

评测与证据。 固定任务集覆盖正常、缺信息、工具不可用、重复、确认超时、越权、直接/间接注入、参数走私和恶意工具响应；确认用例另测跨用户、改参、过期和并发重放。报告任务完成率、参数 schema 通过率、工具成功率、恢复成功率、人工接管率、P95 与单任务成本；未确认执行、越权调用、绕过确认和重复创建是零容忍。交付状态图、工具契约、权限矩阵、工具沙箱、题集与脚本、审计样例、异常演练、人工确认入口和恢复说明。

简历句式。将[流程]拆为[状态数]个可恢复状态并编排[工具数]个受限工具；在[任务数]个沙箱任务中测得完成率[实测值]、恢复率[实测值]和 P95[实测值]；以[再鉴权/确认绑定/幂等键]在[样本量]个危险用例中阻止未确认执行。

四级：包含数据管道、权限、安全、监控、成本和回归评测的企业级 AI 系统

规格与工程。 在真实或高保真模拟流程中交付完整闭环，如多角色材料审阅与工单流转。覆盖数据质量、增量更新与删除，RBAC/ABAC（按角色/属性决定资源访问）权限，模型、检索、规则与人工审批，版本、任务和审计管理，以及灰度、开关、回滚与转人工。数据、提示词、模型、索引、代码和配置可追溯；CI 运行单元、接口、安全和评测回归；可观测性关联请求、角色、版本、质量抽样、P50/P95、失败率与单位任务成本；SLO、告警、限流、降级、备份、威胁模型和攻击回归进入发布门禁。架构按实际规模设计，不为“企业级”堆分布式组件。

评测与证据。 冻结基线、窗口、目标、护栏和同口径条件，报告数据质量、离线标注质量、安全、可靠性、成本与变更质量。只有真实受控试用可报告采纳率、编辑率、转人工率、处理时长等业务指标；模拟试用只报告任务完成、错误、交互观察与演练结果，并标明“模拟证据”。越权、敏感泄露、未确认执行和回滚失败是零容忍。交付问题与非目标、架构/权限图、数据契约、威胁模型、评测与 CI 报告、仪表盘、SLO/告警、演练、成本口径、Runbook 和脱敏演示环境。

简历句式。为[离线评测/沙箱演练/受控试用]的[角色/流程]设计[系统]；在[窗口/任务量]内报告[离线质量或明确标注的模拟结果；真实试用时才填业务指标]、P95[实测值]和单任务成本[实测值]；以[回归/最小权限/回滚]控制[风险]。

作品讲解：用六步替代“我用了某模型和某框架”

面试、项目答辩或 README 首页都可按“问题—约束—方案—指标—结果—复盘”讲解。这个顺序让评审先理解为什么做、哪些地方不能出错，再判断技术选择是否合理。

模型、向量库和框架名应放进“方案”，不要占据经历开头。没有线上数据的作品也有价值：标明离线评测、沙箱演练或受控试用，展示原始样例与限制，远胜于编造“效率提升”。

七、岗位对照：不同 AI 岗位需要怎样组合能力

岗位名称会变化，权重不能跟着段落各说各话。我把下面两张窄表合并视为本文唯一的“九项能力 × 六岗位”权重矩阵：核心=能独立设计和取舍，高=能独立交付，中=能在明确边界内完成，了解=能读懂约束并及时求助。第三节九条“岗位权重”逐行与两表合并结果一致。

矩阵 A：应用、算法与大模型岗位。

矩阵 B：平台、安全与解决方案岗位。

矩阵决定学习深度，下面的岗位表负责把它转成投递动作，并保留核心、高优先能力、次要协作项、项目和背景五种使用价值。

AI 安全还要按子方向校准：应用安全/Agent 红队以身份、数据、工具和流程为主，深度学习可按 JD 降为“了解”；模型安全/安全研究涉及对抗样本、模型窃取、成员推断和训练安全，机器学习与深度学习至少为“高”。矩阵给出综合 AI 安全岗位的基准，最终以具体 JD 为准。

怎么用。 先把目标岗位的核心与高项排进未来三个月，再选最接近既有背景的项目。投递时仍讲同一份证据：算法岗突出切分和误差，平台岗突出 SLO、版本和回滚，安全岗突出威胁与攻击回归，应用和方案岗突出用户流程与人工控制。

八、常见误区：别把学习清单当成成长路线

我把最常见的偏航归纳为七类。每一类都给一个可以立刻执行的替代动作，读到与自己相似的一条，先改学习顺序，再继续扩充清单。

误区一：一开始就从数学推导或训练大模型学起

错误表现。 把大量时间投入线性代数推导、论文复现或从零训练，却迟迟没有一个能让用户运行的功能。

为什么错。 理论和训练能力对算法、模型岗位很重要，但它们不是大多数转型者建立交付闭环的最快路径；没有真实问题、数据和验收标准，学到的知识也难以转化为可验证成果。

替代动作。 先选一个目标岗位和小问题，做结构化 API 或可引用来源的 RAG；在项目遇到评测、表示学习、微调或推理瓶颈时，再有目的地补相应数学和训练知识。

误区二：只学 Prompt，不学数据、评测和工程

错误表现。 反复改提示词、展示几轮漂亮对话，却没有数据来源、失败样例、版本记录或接口兜底。

为什么错。 Prompt 只能影响模型的一部分行为，不能证明资料可信、答案正确、工具安全，更不能处理超时、权限和成本。

替代动作。 为每次改动固定一组样例和评分规则，记录提示词、模型和数据版本；同时补上输入校验、引用、超时、日志和人工确认，把“效果好”变成可复跑的证据。

误区三：收藏大量课程，却没有项目交付物

错误表现。 收藏清单不断增长，笔记很多，却拿不出代码、运行说明、评测报告或失败复盘。

为什么错。 学习输入不会自动变成岗位能力；面试官和协作者需要看到的是你如何定义问题、处理约束并验证结果。

替代动作。 每学一段内容就绑定到一个交付物：一个可运行功能、一套冻结样例、一次评测和一页复盘；没有产出就暂缓继续扩展课程清单。

误区四：盲目追逐框架，忽略稳定概念

错误表现。 为了跟热点频繁切换 Agent、向量库或编排框架，项目接口、数据格式和评测集却没有稳定下来。

为什么错。 工具会迭代，检索、上下文、状态、权限、评测和可观测性这些问题不会消失；框架切换还会掩盖真正的质量瓶颈。

替代动作。 先用最少依赖实现清楚的数据流、状态机、工具契约和评测口径；只有当现有方案在性能、维护或能力边界上确实受限时，再用同一任务集比较新框架的收益和代价。

误区五：把 Demo 当作生产系统

错误表现。 一次演示成功就宣称可上线，真实输入、并发、权限、模型超时、数据删除和危险操作都没有测试。

为什么错。 Demo 证明“理想路径能跑”，生产交付还要证明异常路径可控，且质量、安全、延迟和成本都在护栏内。

替代动作。 把项目至少推进到受控试用标准：补回归集、鉴权和服务端校验、结构化日志、监控、降级/回滚与故障演练；没有这些证据，就如实标注为离线评测或沙箱演练。

误区六：简历只写技术名词，不写问题、指标和结果

错误表现。 经历里堆满模型、框架和云服务名称，却说不清服务谁、解决什么、如何验证、实际结果和限制。

为什么错。 名词只能说明接触过工具，不能说明你做过技术取舍、承担过风险边界或创造过可核验价值。

替代动作。 用“问题—约束—方案—指标—结果—复盘”重写项目：附上样本量、时间窗口、计算口径和失败案例；未上线的项目明确写离线、沙箱或受控试用，不把目标值包装为结果。

误区七：同时追求九项能力全部达到高级

错误表现。 同时学习训练、微调、RAG、Agent、平台、安全和行业方案，希望短期内每项都精通。

为什么错。 九项能力描述的是团队和职业长期的完整边界，不是单个人在一个阶段必须同时承担的深度；分散投入通常导致没有一条可展示的主线。

替代动作。 先按目标岗位选一条主线和共同必修能力，完成一个可验证项目；项目稳定后，再根据真实瓶颈补第二方向，并保留工程、安全和数据质量的底线能力。

九、自测清单：你现在处在哪个交付层级

初级 AI 应用开发能力

• 我能演示一个从环境变量读取密钥的 AI 功能：输入、输出和异常返回都有明确 schema，别人按 README 可在新环境运行。
• 我能展示不少于 20 条冻结样例及标注，运行脚本后报告 JSON schema 通过率和至少一个字段级质量指标。
• 我能运行并展示解析失败、上游超时和无效输入的自动化测试结果，说明系统如何拒绝或降级。
• 我能解释一次模型输出为何不能直接作为事实或决策，并展示“不确定/需人工处理”在接口中的具体字段或路径。

中级生产交付能力

• 我能运行一个带引用的 RAG 或受控工具工作流，并展示文档版本、检索依据、无答案拒答和权限过滤的结果。

• 我能在固定回归集上测量并报告质量、P95 延迟和单请求成本；每项结果附样本量、版本和计算口径。

• 我能演示新增、修改、删除和无权限数据的处理结果，证明删除内容不会残留命中、越权内容不会被返回。

• 我能展示请求日志或 trace、错误告警和一次模型/工具故障的恢复或降级演练，而非只演示顺利路径。

• 我能解释工具调用的权限边界，并演示高风险动作在服务端二次校验和人工确认前不会执行。

高级方案设计与技术负责能力

• 我能展示一页问题定义，写清目标角色、核心问题、非目标和不能自动化的决策。

• 我能给出业务基线的数据来源、样本量、时间窗口与计算方法，并为质量、成本和时延护栏设定明确阈值。

• 指定评审人已留下“通过 / 修改后通过 / 不上线”的决定，记录负责人、未关闭风险和后续验证日期。

• 我能解释至少两种方案的取舍，并用同一数据、模型、权限和负载条件下的评测或演练结果支持选择。

• 我能展示数据、提示词、模型、索引、代码和配置的版本关联，以及一次变更后的回归报告和失败案例。

• 我能运行或展示一次灰度、降级或回滚演练，说明触发条件、责任人、审计证据和恢复结果。

• 我能复盘一次项目：指出被证伪的假设、指标变化及下一轮针对数据、模型、交互或流程的明确行动，而不是只罗列新技术。

十、结语：先交付一个真实闭环，再扩展能力边界

下一步很具体：先选定一个目标岗位，再选一个真实问题，在 8—12 周内完成一个可演示、可评测、可复盘的项目。把范围压到一个用户群、一条流程和一组可获得的数据；第一周写清问题、非目标、基线和护栏，中间几周按固定样例反复验证，最后两周补齐运行说明、失败案例、指标报告和复盘。

项目不必一开始就“企业级”，但必须诚实地说明它是离线评测、沙箱演练还是受控试用，以及哪些风险仍由人承担。完成后再回到图谱：不是问“我还缺多少课”，而是根据下一个岗位和上一次复盘，选择最影响交付的一项能力继续补强。这样，每一次学习都会沉淀为别人能看见、能运行、能质询的证据。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线科技企业深耕十二载，见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套AI 大模型突围资料包：

• ✅ 从零到一的 AI 学习路径图
• ✅ 大模型调优实战手册（附医疗/金融等大厂真实案例）
• ✅ 百度/阿里专家闭门录播课
• ✅ 大模型当下最新行业报告
• ✅ 真实大厂面试真题
• ✅ 2026 最新岗位需求图谱

所有资料 ⚡️ ，朋友们如果有需要《AI大模型入门+进阶学习资源包》，下方扫码获取~

① 全套AI大模型应用开发视频教程

（包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点）

② 大模型系统化学习路线

作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！

③ 大模型学习书籍&文档

学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。

④ AI大模型最新行业报告

2025最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

⑤ 大模型项目实战&配套源码

学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。

⑥ 大模型大厂面试真题

面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

以上资料如何领取？

为什么大家都在学大模型？

最近科技巨头英特尔宣布裁员2万人，传统岗位不断缩减，但AI相关技术岗疯狂扩招，有3-5年经验，大厂薪资就能给到50K*20薪！

不出1年，“有AI项目经验”将成为投递简历的门槛。

风口之下，与其像“温水煮青蛙”一样坐等被行业淘汰，不如先人一步，掌握AI大模型原理+应用技术+项目实操经验，“顺风”翻盘！

这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

以上全套大模型资料如何领取？