成为AI工程师路径

admin

🚀 起点：START
🧠 编程与机器学习基础
技术栈包括：

Python

Bash

TypeScript（可选）

统计学

各类机器学习模型

🧩 LLM API 接口
✅ 大语言模型的种类

✅ 结构化输出

✅ Prompt 缓存

✅ 多模态模型

➡️

🔧 模型适配（Model Adaptation）
✅ Prompt 工程

✅ 工具调用

✅ 微调（Finetuning）

➡️

🗂️ 检索用存储（Storage for Retrieval）
✅ 向量数据库

✅ 图数据库

✅ 混合检索

➡️

📄 RAG 与 Agentic RAG
✅ 数据准备

✅ 数据检索与生成

✅ 重排序（Reranking）

✅ 多组件管道（MCP）

✅ 大模型编排框架

➡️

🧠 AI 智能体（AI Agents）
✅ AI 设计模式

✅ 多智能体系统

✅ 记忆机制

✅ 人类参与机制（Human in the Loop）

✅ A2A、ACP 等通信方式

✅ 智能体编排框架

⬅️

🛠️ 基础设施（Infrastructure）
✅ Kubernetes

✅ 云服务

✅ 持续集成/部署（CI/CD）

✅ 模型路由

✅ 大模型部署

⬇️

👁️ 可观测性与评估（Observability & Evaluation）
✅ 智能体监控工具

✅ 可观测平台

✅ 评估技术

✅ 智能体性能评估

➡️

🔒 安全性（Security）
✅ 安全防护机制

✅ 大语言模型使用测试

✅ 道德与伦理问题

➡️

🔮 前沿方向（Forward-looking Elements）
✅ 语音与视觉智能体

✅ 机器人智能体

✅ 计算机交互

✅ 命令行智能体（CLI Agents）

✅ 自动 Prompt 工程工具

🎯 终点：AI 工程师（AI Engineer）