这张 AI Engineer 学习路线图，我觉得非常值得收藏。 但看完之后，我最大的感受反而是：AI 时代，能用 AI 写代码的人越来越多了，但真正具备工程… · @UPing123zzz · TwKit

@UPing123zzz

这张 AI Engineer 学习路线图，我觉得非常值得收藏。 但看完之后，我最大的感受反而是：AI 时代，能用 AI 写代码的人越来越多了，但真正具备工程能力的人，依然很稀缺。 以前我也觉得，能写 Prompt、调用 API、搭几个 Agent，再用 Codex 做出一些项目，就算是在做 AI 工程了。 但最近自己接触了 GEO、RAG、企业自动化和 AI 视频剪辑这些真实项目之后，才越来越发现，事情根本没那么简单。 一个 Demo 跑通可能只需要几个小时，但真正给企业交付呢？ 数据从哪里来？权限怎么管理？模型胡说八道怎么办？接口超时怎么办？任务执行到一半失败了怎么办？部署上线之后出了问题，怎么排查、怎么恢复？ 这些东西，才是真正考验工程能力的地方。 所以我现在越来越觉得，学习 AI 不能只追着最新的模型、Agent 框架和各种 Skill 跑。 Python、SQL、API、软件工程这些看起来很传统的基础，反而越来越重要。再往上才是 RAG、Agent、Evals、安全、部署这些能力。 而且最重要的不是把这 13 个模块全部学一遍，而是通过真实项目，把这些知识真正串起来。 会用 AI 做出一个东西，和能对这个东西的最终结果负责，完全是两回事。 未来 AI 生成代码的门槛只会越来越低，但理解业务、设计系统、判断技术方案、排查问题，以及真正完成交付的能力，不会因为 AI 会写代码就变得不重要。 我觉得这才是这张路线图真正值得思考的地方。 AI Engineer 的核心竞争力，不是你能让 AI 写多少代码，而是你能不能利用 AI，把一个真实问题可靠地解决掉。

曝光 366 · 评论 5 · 点赞 3 · 书签 2