深色模式
AI 转型学习路线总纲
个人定位：5 年 Java 后端（系统集成方向）+ 硕士图像深度学习 → AI 应用工程师（大模型应用方向）。 约束：在职学习，每天 ≤2 小时，双休可加码；取向稳健，不裸辞。 策略一句话：以工程能力为杠杆切 AI 应用岗，用硕士背景做"懂模型"的差异化人设，倒序学习、产出物驱动。
一、为什么不走算法岗
| AI 应用工程师 | 算法工程师（大模型/CV） | |
|---|---|---|
| 考察核心 | 把模型能力变成可靠系统：RAG、Agent、评测、部署 | 模型原理、论文复现、训练调优 |
| 我的匹配度 | 后端能力直接平移：接口、数据流、容错、排障 | 硕士背景只够敲门，需补 12 个月以上 |
| 周期 | 3-6 个月可达面试水平 | 12 个月+，且要和科班博士卷 |
| 市场需求 | 岗位量大、增速快、对转行友好 | 头部集中、门槛高 |
硕士背景的正确用法：不重新做研究，而是把 CNN/训练/评估的经验映射到 Transformer、Embedding、Loss、微调等概念上。面试人设 =「懂工程的里面最懂模型的」。
二、技能图谱（六层，难度从低到高）
| 层 | 主题 | 核心内容 | "学到什么程度算过"的判据 |
|---|---|---|---|
| L1 | 工具与 API 入门 | 主流大模型产品、API 调用、key 管理、Python 够用计划 | 能用 API 完成一次带 system prompt 的多轮对话调用 |
| L2 | 提示工程 | 结构化 prompt、few-shot、CoT、输出约束（JSON mode）、prompt 迭代与评测 | 能写出稳定输出合法 JSON 的 prompt，并讲清每个部分为什么存在 |
| L3 | 大模型工程基础 | Function Calling、流式输出、token 与成本核算、上下文窗口管理、多轮状态维护 | 能实现一个带工具调用的命令行助手，说得清每轮花了多少 token |
| L4 | RAG | Embedding、向量库（本机 pgvector 现成）、chunking 策略、召回+重排、幻觉治理、RAG 评测 | 能搭一条完整 RAG 链路，并能量化回答"召回准不准、答案信不信" |
| L5 | Agent | ReAct、规划与反思、工具编排、记忆、多 Agent、MCP 协议、主流框架原理层对比 | 能做一个带 3+ 工具的 Agent，讲清它在什么情况下会失控、怎么兜底 |
| L6 | 原理与工程化 | Transformer 直觉（用 CV 经验映射）、LoRA 微调概念、评测集设计、推理部署（vLLM/Ollama）、量化概念、可观测性 | 面试被追问原理不露怯；能把一个 demo 变成有日志、有评测、有成本账的服务 |
优先级原则：L2-L5 是面试主战场，占 80% 精力；L1 快速过；L6 按需回补、不求深但求"能讲"。
三、分阶段节奏（每天 ≤2h）
| 阶段 | 周期 | 目标 | 产出物（三件套） | 验收标准 |
|---|---|---|---|---|
| S0 打底 | 第 1 周 | 环境就绪 + Python 够用 + 知识库运转 | Python 环境；本库目录约定落地 | 能跑通一次 OpenAI 兼容 API 调用 |
| S1 提示工程 + API | 第 2-3 周 | L1-L2 通关 | demo：结构化输出的命令行助手；公众号文章 ×1；题库 L1-L2 分册 | prompt 输出稳定 JSON；文章发布 |
| S2 RAG | 第 4-7 周 | L3-L4 通关 | demo：用本知识库做自己的 RAG 问答（pgvector 本机部署）；文章 ×1-2；题库 L3-L4 分册 | 召回命中率可量化；能演示"加了重排前后"的差异 |
| S3 Agent | 第 8-12 周 | L5 通关 | demo：带工具调用的 Agent（建议做「面试题生成 Agent」，边学边给自己出题）；文章 ×2；题库 L5 分册 | Agent 有护栏不死循环；能讲清架构权衡 |
| S4 求职冲刺 | 第 13 周起，持续 | L6 按需补 + 模拟面试 | 简历 AI 方向改写版；题库全量刷完；2-3 次模拟面试复盘 | 能扛住对 RAG/Agent 项目的三轮追问 |
关键设计：demo 全部围绕"面试"这个场景做（知识库问答、面试题生成、模拟面试），学习过程和求职目标完全同向，每行代码都在为面试积累素材。
四、面试题库的组织方式（S1 起逐层填充）
- 按技能层分册：
02-面试题库\L2-提示工程.md、L4-RAG.md…… - 每题固定结构：考察点 / 难度（★-★★★★★）/ 回答思路 / 红旗信号（哪些答法直接挂）
- 学习顺序 = 出现频率 × 岗位匹配度，不按教材顺序。
- 高频主题预览（按优先级）：RAG 全链路与幻觉治理 > Function Calling 与 MCP > Agent 规划/失控兜底 > 上下文与成本权衡 > 评测指标设计 > 模型原理概念题。
五、实战问题的组织方式（S2 起积累）
- 结构：症状 → 排查路径 → 根因 → 方案 → 面试中怎么讲这道题。
- 来源两条腿：自己做 demo 的真实踩坑（最值钱）+ 社区高频问题（RAG 召回不准、Agent 死循环、token 爆炸、流式中断、向量库慢查询等）。
- 每个坑都是面试故事素材——"讲一个你解决过的技术难题"的弹药库。
六、每篇公众号文章的定位
公众号「工程师遇上AI」是本知识库的对外出口：每阶段 demo → 一篇落地实录。已发 Agent 方向文章说明读者基础就在这条线上，学习沉淀 = 内容输出 = 外部可见度，一份投入三份产出。