AI Engineer 需要掌握哪些技能？
五大块：Full-stack 全栈开发、Prompt Engineering、Cloud 云基础、Data Thinking 数据思维、AI Engineering Core。听着多，但不用同时学——先把全栈基础打牢，再逐步往 AI 工程核心走。我们见过不少学员一上来就想啃 Agent，结果发现连流式输出都写不利索，最后还是回头补全栈。
AI Engineer 为什么必须会全栈开发？
因为 AI 能力最终要通过完整的产品交付给用户，只会调 API 远远不够。举个例子：你做了一个 RAG 问答系统，但如果不会用 WebSocket 做流式输出，用户就得盯着空白页等 10 秒——体验直接崩掉。真实的 AI 产品需要 React/Next.js 构建交互界面、Node.js/Python 处理后端逻辑、Redis 做语义缓存、Docker 容器化部署。翻翻 Anthropic、OpenAI 的招聘 JD，几乎都要求扎实的工程能力。
AI Engineer 需要学 Prompt Engineering 吗？
必须学，而且要学到工程级别。生产环境里的 Prompt 不是聊天框里随便打几个字，而是一套可复用、可测试、可版本管理的体系——包括
System Prompt 角色边界定义、Few-shot、Chain-of-Thought、JSON Mode 结构化输出、Prompt Injection 防护等。我们有个学员做客服 Agent，光调 System Prompt 就迭代了 23 个版本，最终把用户满意度从 62% 拉到了 89%。
学习 Prompt Engineering →AI 应用部署需要哪些云计算知识？
比传统应用要求更高。LLM API 按 token 计费、延迟不稳定，不做好云架构，一个月 token 费可能比服务器费还贵。核心技能：AWS Lambda/API Gateway 做 serverless 控成本、Docker + K8s 容器化部署、CI/CD 自动化交付、Secrets Manager 管密钥、CloudWatch 做监控。说白了，Cloud 就是让你的 AI 应用从"我电脑上能跑"变成"上线了、稳了、不烧钱"。
AI Engineer 需要懂数据吗？
需要，但不是传统的 ETL 和数据仓库那套。AI Engineer 关心的是：文档怎么切块（Chunking 策略直接影响检索质量）、Embedding 向量化是否准确、评估指标怎么设计。我们碰到过太多团队，RAG 效果差，第一反应是"换个更贵的模型"——结果发现是文档切块太粗，检索根本没召回对的段落。
AI Engineer 学习路线是什么？
分三步走。
第一步：
LLM API 调用（OpenAI/Claude）+ Streaming + Function Calling，先让模型动起来。
第二步：
RAG（向量库 + 检索 + 生成）+
AI Agent + MCP 协议，能搭复杂应用。
第三步：Guardrails、评估、LLM 监控（LangSmith/Helicone）、成本控制，让应用稳定上线。别想着一口气学完 20 项技能，先做一个 RAG 问答系统，技能在项目里自然就攒起来了。
成为 AI Engineer 需要先学机器学习吗？
不需要。现在的 LLM API 已经把机器学习封装好了，你要做的是
调用 API、设计 Prompt、搭应用架构。了解 Transformer 和 Embedding 原理当然有帮助，但这不是入门门槛——先把东西做出来，原理在实践中补。
传统开发者如何转行做 AI Engineer？
如果你已经会 React/Node.js/Python，恭喜，全栈这块你基本过了。剩下的就是补 AI 工程能力。我们有个学员之前做了 5 年 Rails 后端，转型路径是这样的：第 1 个月学 LLM API + Prompt Engineering；第 2 个月做了一个内部知识库问答系统（RAG + Pinecone）；第 3 个月加上了 Agent 和部署，直接拿这个项目去面试，拿到了 offer。关键是边学边做，别光看教程。
AI Engineer 就业前景和薪资怎么样？
直接说数据：根据 Glassdoor 和 Seek 2024-2025 年的招聘信息，澳洲 AI Engineer 起薪 AUD $120K-$160K，资深可到 $200K+，比同级别传统软件工程师高 20-50%。为什么？因为大多数公司现在都要把 LLM 能力塞进产品里，但会干这活的人不多。不过要注意，"会用 ChatGPT"和"能上线一个 RAG 系统"是两码事——雇主看的是后者。
AI Engineer 和数据科学家有什么区别？
一句话：数据科学家训练模型，AI Engineer 用模型做产品。数据科学家要数学好、会调参、懂算法；AI Engineer 要工程好、会架构、能部署。在 LLM 时代，多数公司需要的是"把模型做成用户能用的东西"，而不是"从零训练一个模型"——所以 AI Engineer 的岗位需求量明显更大。
