跳转至

🗺️ 学习路线（初级 → 资深程序员）

一套按层级递进、且"学完能直接开发一个 AI 应用 / AI Agent"的路线。以官方文档为唯一准则，超越市面机构"堆概念"式大纲——这里每个阶段都对应可交付能力。前端同学可直接平移已有工程能力。

📌 适用版本 / 更新日期：最后更新 2026-08。

总览：七阶段递进（与导航一致）

flowchart TD L1[阶段1 入门<br>会调模型做聊天] --> L2[阶段2 应用<br>RAG+工具+流式] L2 --> L3[阶段3 Agent<br>编排+记忆+MCP] L3 --> L4[阶段4 资深<br>多 Agent+评估+可观测] L4 --> L5[阶段5 架构<br>私有化+微调+安全合规]

阶段 1 · 入门（零基础 / 初级前端）

目标：能跑通一个流式聊天应用。

可交付：一个带流式输出的智能问答页面。 ≈ 市面岗位：AI 应用开发助理 / 前端转 AI 入门。

阶段1 不学

暂不用碰 Agent / LangGraph / 微调。先把"调模型 + 流式 UI"做熟。

阶段 2 · 应用工程师（初级 → 中级）

目标：让 AI 基于私有知识回答、能调你的接口。

可交付：一个"基于公司文档的智能客服"。 ≈ 市面岗位：AI 应用开发工程师 / RAG 工程师。

阶段2 关键坑

不做 Eval 就上线 RAG = 盲飞。至少建 20-50 条测试集。

阶段 3 · Agent 开发（中级 → 高级）

目标：能交付自主干活的 Agent。

可交付：一个带多工具、有记忆、接 MCP 的运维/客服 Agent。 ≈ 市面岗位：AI Agent 开发工程师 / 大模型应用工程师。

阶段3 铁律

没有 Tracing 不上 Agent；没有 Guardrail 不接危险工具。

阶段 4 · 资深（高级 → 资深）

目标：能设计可落地的多 Agent 系统 + 质量保障。

  • 多 Agent 编排（Handoff / Orchestrator-Worker）
  • 评估体系 Eval（Ragas / 自动+人工）
  • 可观测性（Tracing + Metrics + 日志联动）
  • 成本优化（模型路由 / 缓存 / 批处理）
  • 性能（并发 / 流式延迟 / 超时）
  • 安全深化（注入防护 / 越权 / 密钥管理）

可交付：生产级多 Agent 系统，有评估、有监控、有成本看板。 ≈ 市面岗位：资深 AI 应用架构 / Tech Lead。

阶段 5 · 架构 / 私有化（资深 → 专家）

目标：能根据业务做技术决策。

  • 模型选型与私有化部署（开源模型 + vLLM / Ollama）
  • 微调 Fine-tuning / LoRA（按需，非必须）
  • 向量库大规模运维（分片 / 混合检索）
  • 合规与数据主权（私有化 / 脱敏）
  • AI 安全合规（监管、审计、可解释）

可交付：企业级 AI 平台架构方案。 ≈ 市面岗位：AI 平台架构师 / AI 技术负责人。

阶段5 真相

多数应用不需要微调。RAG + 好提示词 + 工具，覆盖 90% 需求。微调是最后手段（数据够、场景专、预算足才做）。

与前端能力的映射（为什么你能成）

你已有的 直接复用
React/Vue 状态管理 Agent UI / 流式消息
fetch / 流式 SSE 流式输出
接口设计 / 联调 Tool API / MCP Server
构建部署 AI 应用上线
用户体验 可控/可中止/可纠错的 AI 交互

学习节奏建议

  • 每天 1-2 小时，8-12 周可达阶段 3（能交付 Agent）。
  • 顺序：阶段1 → 2 → 3 必须顺序走；4/5 按工作需要补。
  • 每个阶段"做完实战页"再进下一阶段，别跳。

对照招聘要求 → JD 需求拆解与能力映射