AI 应用开发工程师 · 详细学习路线（2026 版）

AI 应用开发工程师 · 详细学习路线（2026 版）

定位：专注「用现有大模型构建可上线的产品」，而非训练模型或做算法研究。 周期：全职约 6 个月，业余约 9–12 个月。 原则：每学一个知识点，当天就要写进代码；每个阶段结束必须交付一个可演示的项目。

目录

一、岗位能力模型

1.1 你将来每天做什么

用户需求 → 产品设计 → Prompt / RAG / Agent 架构
→ FastAPI 后端 → 向量库 / 数据库
→ 前端或第三方集成 → 部署监控 → 迭代优化

典型交付物：

• 企业知识库问答（RAG）
• 智能客服 / 工单助手
• 数据分析 Copilot（自然语言查数）
• 文档生成、代码审查、流程自动化 Agent
• AI 工作流（对接 CRM、ERP、飞书/钉钉）

1.2 能力雷达（按优先级）

1.3 与「算法岗」的边界

二、技术栈全景

2.1 推荐栈（先精通，再扩展）

┌─────────────────────────────────────────────────────────┐
│ 应用层：Streamlit / Gradio / Next.js（三选一深入） │
├─────────────────────────────────────────────────────────┤
│ AI 层：LangChain + LangGraph / LlamaIndex │
│ OpenAI SDK / 通义·DeepSeek·智谱 SDK │
├─────────────────────────────────────────────────────────┤
│ 服务层：FastAPI + Pydantic v2 + SSE 流式 │
├─────────────────────────────────────────────────────────┤
│ 数据层：PostgreSQL + pgvector / Qdrant / Chroma │
│ Redis（缓存会话） │
├─────────────────────────────────────────────────────────┤
│ 运维层：Docker + docker-compose + Langfuse 监控 │
│ GitHub Actions（CI） │
└─────────────────────────────────────────────────────────┘

2.2 环境准备（第 0 天完成）

API Key（至少申请一个）

• 国内：DeepSeek、通义千问、智谱 GLM、豆包
• 国际：OpenAI、Anthropic（需网络条件）

创建项目目录结构（习惯养成）

ai-dev-learning/
├── week01-hello-llm/
├── week08-rag-basic/
├── project01-knowledge-base/
├── project02-agent-assistant/
└── notes/ # 学习笔记与踩坑记录

三、六阶段路线图

#mermaid-svg-tEDq8rqCjFh1GhVl{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-tEDq8rqCjFh1GhVl .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-tEDq8rqCjFh1GhVl .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-tEDq8rqCjFh1GhVl .error-icon{fill:#552222;}#mermaid-svg-tEDq8rqCjFh1GhVl .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-tEDq8rqCjFh1GhVl .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-tEDq8rqCjFh1GhVl .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-tEDq8rqCjFh1GhVl .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-tEDq8rqCjFh1GhVl .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-tEDq8rqCjFh1GhVl .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-tEDq8rqCjFh1GhVl .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-tEDq8rqCjFh1GhVl .marker{fill:#333333;stroke:#333333;}#mermaid-svg-tEDq8rqCjFh1GhVl .marker.cross{stroke:#333333;}#mermaid-svg-tEDq8rqCjFh1GhVl svg{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-tEDq8rqCjFh1GhVl p{margin:0;}#mermaid-svg-tEDq8rqCjFh1GhVl .label{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;color:#333;}#mermaid-svg-tEDq8rqCjFh1GhVl .cluster-label text{fill:#333;}#mermaid-svg-tEDq8rqCjFh1GhVl .cluster-label span{color:#333;}#mermaid-svg-tEDq8rqCjFh1GhVl .cluster-label span p{background-color:transparent;}#mermaid-svg-tEDq8rqCjFh1GhVl .label text,#mermaid-svg-tEDq8rqCjFh1GhVl span{fill:#333;color:#333;}#mermaid-svg-tEDq8rqCjFh1GhVl .node rect,#mermaid-svg-tEDq8rqCjFh1GhVl .node circle,#mermaid-svg-tEDq8rqCjFh1GhVl .node ellipse,#mermaid-svg-tEDq8rqCjFh1GhVl .node polygon,#mermaid-svg-tEDq8rqCjFh1GhVl .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-tEDq8rqCjFh1GhVl .rough-node .label text,#mermaid-svg-tEDq8rqCjFh1GhVl .node .label text,#mermaid-svg-tEDq8rqCjFh1GhVl .image-shape .label,#mermaid-svg-tEDq8rqCjFh1GhVl .icon-shape .label{text-anchor:middle;}#mermaid-svg-tEDq8rqCjFh1GhVl .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-tEDq8rqCjFh1GhVl .rough-node .label,#mermaid-svg-tEDq8rqCjFh1GhVl .node .label,#mermaid-svg-tEDq8rqCjFh1GhVl .image-shape .label,#mermaid-svg-tEDq8rqCjFh1GhVl .icon-shape .label{text-align:center;}#mermaid-svg-tEDq8rqCjFh1GhVl .node.clickable{cursor:pointer;}#mermaid-svg-tEDq8rqCjFh1GhVl .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-tEDq8rqCjFh1GhVl .arrowheadPath{fill:#333333;}#mermaid-svg-tEDq8rqCjFh1GhVl .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-tEDq8rqCjFh1GhVl .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-tEDq8rqCjFh1GhVl .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-tEDq8rqCjFh1GhVl .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-tEDq8rqCjFh1GhVl .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-tEDq8rqCjFh1GhVl .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-tEDq8rqCjFh1GhVl .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-tEDq8rqCjFh1GhVl .cluster text{fill:#333;}#mermaid-svg-tEDq8rqCjFh1GhVl .cluster span{color:#333;}#mermaid-svg-tEDq8rqCjFh1GhVl div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-tEDq8rqCjFh1GhVl .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-tEDq8rqCjFh1GhVl rect.text{fill:none;stroke-width:0;}#mermaid-svg-tEDq8rqCjFh1GhVl .icon-shape,#mermaid-svg-tEDq8rqCjFh1GhVl .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-tEDq8rqCjFh1GhVl .icon-shape p,#mermaid-svg-tEDq8rqCjFh1GhVl .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-tEDq8rqCjFh1GhVl .icon-shape .label rect,#mermaid-svg-tEDq8rqCjFh1GhVl .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-tEDq8rqCjFh1GhVl .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-tEDq8rqCjFh1GhVl .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-tEDq8rqCjFh1GhVl :root{–mermaid-font-family:\”trebuchet ms\”,verdana,arial,sans-serif;}

阶段5 · 工程化（3-4周）

Docker

监控

安全

求职项目

阶段4 · Agent（4-5周）

Tool Calling

LangGraph

MCP

阶段3 · RAG核心（4-5周）

文档解析

Embedding

检索

评测

阶段2 · LLM入门（3-4周）

API调用

Prompt

流式输出

阶段1 · 后端基础（3-4周）

HTTP/FastAPI

DB/Redis

阶段0 · 编程基础（2-3周）

Python

Git

四、24 周详细周计划

默认 每周 15–20 小时（工作日 2h × 5 + 周末 5–10h）。 每周围绕 「学 → 练 → 验」 三件事。

阶段 0：编程基础（第 1–3 周）

第 1 周：Python 语法与开发环境

本周验收：写一个 CSV 统计工具（读文件 → 输出行数、列均值、空值数）。

第 2 周：Python 进阶

本周验收：项目上传 GitHub，README 说明如何运行。

第 3 周：Git + Linux 命令 + 算法够用版

阶段 0 总验收

• GitHub 有 ≥2 个仓库
• 能独立 debug 常见 Python 报错
• 完成 CLI 工具 1 个

阶段 1：后端基础（第 4–7 周）

第 4 周：HTTP 与 FastAPI 入门

本周验收：4 个以上 CRUD 接口（内存存储即可）。

第 5 周：FastAPI 进阶

本周验收：文件上传接口 + 清晰的项目目录。

第 6 周：数据库

第 7 周：认证与部署入门

阶段 1 总验收：Todo 全栈 API

• 用户注册登录（JWT）
• Todo CRUD + PostgreSQL/SQLite
• 部署在线 + README
• 简单前端（HTML 或 Streamlit 均可）

阶段 2：LLM 入门（第 8–11 周）

第 8 周：第一次调用大模型

本周验收：HTTP 接口 → 调 LLM → 返回 JSON 回复。

第 9 周：Prompt Engineering

本周验收：「结构化抽取器」——输入新闻 → 输出 {title, summary, tags} JSON。

第 10 周：对话记忆与流式输出

第 11 周：本地模型 + 成本意识

阶段 2 总验收：Chat 服务

• 多轮对话 + 历史持久化
• 流式输出
• 可切换云端 / Ollama
• Streamlit 或简单 Web UI
• Prompt 模板可配置

阶段 3：RAG 核心（第 12–16 周）⭐ 最重要

第 12 周：文档加载与切分

本周验收：任意 PDF → 输出带 metadata 的 chunk 列表 JSON。

第 13 周：Embedding 与向量检索

第 14 周：RAG 问答链路

第 15 周：RAG 优化与评测

第 16 周：项目1 冲刺 — 知识库问答系统

阶段 3 总验收：项目1 知识库问答

• 支持 PDF/Markdown 上传
• 向量检索 + 引用来源
• 多轮对话
• 评测报告（RAGAS 或自建 20 条）
• Docker 部署
• GitHub README 含架构图

阶段 4：Agent 开发（第 17–21 周）⭐ 差异化

第 17 周：Function Calling / Tool Use

第 18 周：ReAct Agent

第 19 周：LangGraph 状态机

第 20 周：结构化输出与 MCP

第 21 周：项目2 冲刺 — 多工具 AI 助手

功能要求

• 至少 4 个 Tool：网页搜索、计算器、读文件、调用内部 API
• LangGraph 状态管理
• 流式返回思考过程（可选）
• 权限控制：哪些 tool 需要确认

阶段 4 总验收

• Agent 完成率 ≥ 70%（自建 20 任务测）
• 有完整调用日志
• README 解释 Agent 架构选型

阶段 5：工程化与求职（第 22–24 周+）

第 22 周：Docker 与 CI/CD

第 23 周：监控、安全、成本

第 24 周：项目3 + 求职准备

阶段 5 总验收

• 3 个项目均可 Docker 一键启动
• 有在线 Demo 或录屏
• 简历 + 作品集页
• 能白板画出 RAG / Agent 架构

五、五大必做项目

项目 1：企业知识库 RAG（必做 ★★★★★）

用户上传文档 → 解析切分 → 向量入库
用户提问 → 检索 Top-K → 拼 Prompt → LLM 回答 + 引用

加分项：Hybrid Search、Reranker、多租户隔离

项目 2：多工具 Agent 助手（必做 ★★★★★）

用户任务 → Agent 规划 → 循环调用 Tools → 汇总结果

框架：LangGraph 加分项：MCP Server、human-in-the-loop

项目 3：数据分析 Copilot（强推 ★★★★☆）

自然语言 → Text-to-SQL → 执行（只读）→ 结果解读 + 图表

• 防 SQL 注入：只允许 SELECT
• 表结构 schema 注入 Prompt
• 出错时 LLM 自动改 SQL

项目 4：智能客服 / 工单 Agent（★★★★☆）

• 意图识别 → 知识库 RAG → 工单创建 Tool
• 对接飞书/钉钉 webhook（可选）
• 人工转接 fallback

项目 5：AI 工作流自动化（★★★☆☆）

• 定时抓取 → 摘要 → 写入 Notion/数据库
• 展示「AI + 业务流程」理解力

六、知识点清单（可打勾）

6.1 Python & 后端

• 虚拟环境与依赖管理（requirements.txt / poetry）
• 类型注解 + Pydantic v2
• FastAPI 路由、依赖注入、中间件
• SQLAlchemy + 基础 SQL
• JWT 认证
• Redis 缓存
• pytest 基础
• asyncio 基础

6.2 LLM 基础

• Token 与上下文窗口
• chat.completions API
• system / user / assistant 消息
• temperature、top_p、max_tokens
• 流式 SSE
• 重试、超时、限流
• 本地 Ollama
• 多模型抽象层（统一接口）

6.3 Prompt

• 角色 + 任务 + 约束 + 输出格式
• Few-shot
• Chain-of-Thought
• JSON 结构化输出
• Prompt 版本管理与 A/B

6.4 RAG

• 文档加载（PDF/MD/HTML）
• 切分策略与 chunk_overlap
• Embedding 模型选择
• 向量库 CRUD
• Top-K + 阈值
• Hybrid Search
• Reranker
• Query Rewrite / HyDE
• Citation 引用
• RAGAS 评测

6.5 Agent

• Function Calling
• ReAct 循环
• LangChain Tools
• LangGraph StateGraph
• 多 Agent 协作概念
• Structured Output
• MCP 协议

6.6 工程化

• Docker + docker-compose
• 环境变量与密钥管理
• Langfuse / LangSmith
• Prompt 注入防护
• Rate Limit
• GitHub Actions CI
• 健康检查与日志

七、学习资源

7.1 必修课程（按顺序）

7.2 文档（当手册查）

• OpenAI API Reference
• LangChain Python Docs
• Qdrant 文档
• Pydantic v2 文档

7.3 中文社区

• DataWhale：LLM 相关开源教程
• 魔搭 ModelScope：模型与 Demo
• B 站：搜索「RAG 实战」「LangGraph 教程」跟做项目

7.4 必读文章/论文（应用向）

• Attention Is All You Need（Transformer 概念）
• RAG 原始论文（Retrieval-Augmented Generation）
• ReAct: Synergizing Reasoning and Acting in Language Models

八、面试与求职

8.1 简历项目描述模板

【项目名称】企业知识库智能问答系统
【技术栈】FastAPI / Qdrant / LangChain / DeepSeek API / Docker
【职责】独立完成后端 RAG 链路与评测体系
【成果】
– 实现 Hybrid Search + Rerank，召回率从 62% 提升至 81%（RAGAS）
– 支持 10 万 chunk 规模，P95 延迟 < 3s
– Docker 一键部署，已用于 xx 场景 Demo

8.2 高频面试题（必须能口述）

RAG

Agent

工程

系统设计

8.3 能力自测（投递前）

九、常见坑与建议

9.1 常见坑

9.2 学习节奏建议

70% 写代码
20% 读文档 / 看课
10% 写博客 / 笔记（费曼学习法）

9.3 三个里程碑节点

附录 A：第 1 天启动清单

# 1. 创建学习环境
mkdir ai-dev-learning && cd ai-dev-learning
python -m venv .venv
# Windows: .venv\\Scripts\\activate
pip install fastapi uvicorn openai python-dotenv

# 2. 第一个 LLM 脚本（替换为你的 API Key）
# hello_llm.py → 见 week01 练习

# 3. 初始化 Git
git init && git add . && git commit -m "init learning repo"

附录 B：推荐 VS Code / Cursor 插件

• Python、Pylance
• Ruff（格式化）
• Docker
• REST Client 或 Thunder Client
• GitLens

下一步行动：从 第 1 周 开始，今天完成 Python 环境搭建 + hello.py。 如需，可在本仓库中初始化 week01-hello-llm 项目骨架，直接开写。