从早期项目实践学习AI工程

如果现在给一个完全没有计算机背景的人 6 个月时间，让他从零开始学习 AI Engineering，最后能不能达到企业的招聘要求？ 路线其实很清晰：第一个月学 Python、API、Git，第二个月学 LLM 基础，第三个月学 RAG，第四个月学 Evals 和 Tracing，第五个月学 Agent 和 Tool Calling，最后一个月做出两个能够公开访问的项目。 说实话，我觉得这个方向没有什么大问题，但如果真让我重新学一遍，我绝对不会等到第六个月才开始做项目。 我自己就是一个从广播电视编导专业转向 AI 工程方向的学生。 这几个月一直在企业接触 RAG、Agent、GEO 和自动化工作流，最大的感受就是很多技术知识，你不真正做项目，根本不知道自己哪里不会。 比如 RAG，你看教程，可能几个小时就能理解 Chunking、Embedding、Vector Database、Retrieval 的基本流程。 但真正让你做一个企业知识库，你马上就会碰到一堆教程里没有仔细讲的问题。 PDF 解析错误怎么办？文档更新以后索引怎么同步？不同用户的访问权限怎么隔离？检索到的资料已经过期怎么办？Evals 到底应该怎么设计？ 这些东西不是看完一套 RAG 教程就能自动掌握的。 Agent 也是一样，会调用一次工具，不代表你就理解 Agent Engineering。 工具调用超时怎么处理？任务执行到一半失败怎么办？怎么防止重复操作？什么时候需要人工审批？如何追踪每一步的执行结果？ 真正开始做项目以后，你才会发现原来很多所谓的 AI 工程问题，最后都绕不开传统的软件工程基础。 所以我现在越来越倾向于一种学习方式：从第一个月就开始做项目，遇到什么问题就去补什么知识，同时留出固定时间系统学习基础。 比如先用 Python 和 FastAPI 做一个简单的 API 服务，把它部署到公网。 然后逐渐接入大模型，增加文档检索、工具调用、日志追踪和自动化测试。 最后把项目放到 GitHub，写清楚架构设计、测试方法、已知问题和实际运行效果。 做完以后至少要能回答别人几个问题：为什么这样设计？为什么不用其他方案？系统在哪些情况下会失败？你是怎么验证它的？ 现在有 Codex、Claude Code，开发速度确实快了很多。但 AI 帮你生成代码，不代表这些工程能力就自动属于你了。 我特别认同原文最后一句话：Proof beats certificates。 不过我觉得还可以再往前延伸一步。 真正有说服力的不只是你做出了两个 Demo，而是你能不能解释这两个项目的技术决策、测试结果，以及你亲自解决过什么问题。 当然我也不觉得学六个月就一定能成为合格的 AI Engineer。 不同公司的要求差别很大，六个月能走到哪里，也取决于投入的时间、原有基础和项目质量。 但对于非科班想转 AI 的人来说，与其花半年时间收藏教程、研究各种热门框架，不如尽早开始完成一个真实项目，在实践里找到自己能力上的缺口。 我自己现在也还在补 Python、数据库、计算机网络和软件工程这些基础，远没有到成熟工程师的水平。 但至少这几个月的经历让我明白了一件事： 学会一个框架不难，真正困难的是把它用在真实问题上，出了问题还能够自己找到原因。 Shubh Jain: If I had 6 months to become an AI engineer M1 → Python, APIs, Git M2 → LLM basics: tokens, context, prompting M3 → RAG: embeddings, vector DB, chunking M4 → evals and tracing M5 → agents with tool calling M6 → ship 2 projects with live demos Proof beats certificates