Phase 1
软件工程基础
学习重点：Python、FastAPI、Async、Pydantic、Docker、Redis、PostgreSQL
这是 AI 应用落地的地基。没有这层，Agent/RAG 只能停留在脚本 demo。
路线跨度
12 周 + 持续
8 个模块，逐周推进
最新样本
南京 + 北上广深对照，南京样本 10k-22k 为主，资深/算法/行业落地岗常见 15k-35k+；北上深广 RAG/Agent 岗位常见 20k-40k 或 25-40W/年起跳
经验要求：南京 1-5 年与 5 年+ 并存；北上深广中高级多要求 3 年+ 大模型/深度学习经验，校招更看项目与实习
执行原则
先硬技能，再工程可信度，最后差异化
每阶段必须产出可展示项目
更新时间：2026-07-29
先地基，再 LLM 工程、RAG、Agent，最后走向 Production AI。
学习重点：Python、FastAPI、Async、Pydantic、Docker、Redis、PostgreSQL
这是 AI 应用落地的地基。没有这层，Agent/RAG 只能停留在脚本 demo。
学习重点：Prompt、Structured Output、Function Calling、Streaming、Context、Token 成本
这是从“会调用模型”到“可控调用模型”的分界线。
学习重点：Embedding、Chunking、Vector DB、Retrieval、Rerank、Hybrid Search
企业知识问答、客服、文档助手、内部知识库都会高频出现。
学习重点：Planning、Reflection、Tool Routing、Multi-Agent、Workflow、State Machine
这是 AI 应用工程师区别于普通后端/脚本工程师的关键能力。
学习重点：Tracing、Observability、Prompt Versioning、Evals、Guardrails、Caching、Cost
面试会追问线上稳定性、评测、成本和故障处理，这一层决定你能否讲出工程深度。
每个模块都含岗位关键词、验收产物和对应教程，方便按周推进。
第 1-2 周，Module 1
先补岗位最常见的 Python 工程化、异步能力与服务化基础，避免只会调模型。
招聘关键词
验收产物
第 3-4 周，Module 2
围绕 LangChain / LangGraph，把 Agent 从“聊天脚本”升级成可分支、可恢复、可观测的工作流。
招聘关键词
验收产物
第 5-6 周，Module 3
做出可展示的知识库链路：数据清洗、切片、向量入库、召回、重排、引用回答与评测。
招聘关键词
验收产物
第 7 周，Module 4
掌握多模型调用策略、结构化输出、Prompt 版本化、Token 成本与失败重试。
招聘关键词
验收产物
第 8-9 周，Module 5
把 AI 应用做成稳定服务：任务状态表、Redis 幂等与限流、MQ 异步任务、降级与排障。
招聘关键词
验收产物
第 10 周，Module 6
让项目可以稳定演示和复盘：Docker Compose、Trace、评测、日志、成本与延迟看板。
招聘关键词
验收产物
第 11 周，Module 7
把 AI 能力做成可展示产品，重点补你关注的 AI 数据分析系统，同时根据岗位差异选择 MCP、多模态、模型服务化、微调与平台对比。
招聘关键词
验收产物
AI 数据分析系统（报表 / ECharts / 自动洞察）
你的重点方向：把 CSV/Excel/数据库数据转成自动分析、图表、HTML 报告和可解释洞察。
MCP / ACP 协议与工具生态
把“知道协议名”变成“会集成、会排障、会讲价值”的实战能力。
模型服务化与推理优化（vLLM 等）
从“能调用模型”到“能跑服务”：吞吐、延迟、显存、并发、成本与回滚策略。
多模态基础（图像 / 视频 / 语音）
面向 AI 应用工程师的多模态实战入门：链路、成本、质量、合规与降级策略。
微调与蒸馏基础
应用工程视角的微调课：何时做、怎么做、怎么评估、如何控制风险与成本。
Dify / FastGPT / Coze 平台对比
低代码平台实战对比课：能力边界、交付速度、可控性、与自研方案的分工。
第 12 周 + 持续，Module 8
把学习内容转成可面试、可写简历、可现场展示的项目证据链，并每周用招聘信息校准方向。
招聘关键词
验收产物
面试要靠作品说话：能演示、能讲架构、能讲踩坑、能讲指标。
多轮对话、function/tool calling、结构化输出、流式响应。
文档上传、chunk、embedding、向量检索、引用回答、评测集。
任务规划、工具路由、状态机、失败重试、checkpoint、可观测。
CSV/Excel 输入、自动分析、ECharts 图表、HTML 报告、多轮追问。
LangGraph 负责编排，RAG 负责知识增强，FastAPI + 中间件 + Docker + LLMOps 负责线上稳定性。
每阶段沉淀一张架构图、一段 STAR、一个坏例复盘和一条量化指标。
每周更新岗位数据后，回查高频词覆盖情况，缺口词进入技能矩阵并扩展为教程任务。