AI Engineer
从使用 AI 到构建 AI 应用
👤适合：有编程基础的开发者 / 想转型 AI 方向的程序员
⏱️8-12周
📊进阶
AI 工程师是 AI 时代最热门的职业之一。不同于数据科学家专注于模型训练，AI 工程师专注于将 AI 能力集成到实际应用中。
你将学习如何调用 LLM API、构建 RAG 系统、开发 AI Agent，以及将 AI 能力集成到产品中。
这是一个从"使用 AI"到"构建 AI 应用"的进阶之路，适合有一定编程基础的开发者。
30秒快速体验
体验一下用代码调用 AI。打开你的编辑器，用 Python 调用 OpenAI API：
from openai import OpenAI
client = OpenAI()
response = client.chat.completions.create(
model="gpt-5",
messages=[{"role": "user", "content": "Hello!"}]
)
print(response.choices[0].message.content)这就是 AI 工程的起点 —— 用代码与 AI 对话，然后在此基础上构建更复杂的应用。
你将学会什么
在这个教程中，你将学会：
- ✓熟练调用 OpenAI、Claude 等 LLM API
- ✓构建 RAG（检索增强生成）系统
- ✓开发 AI Agent 和工作流
- ✓将 AI 能力集成到实际产品中
为什么选择 AI Engineer？
🚀
高薪资与高需求
全球人才缺口巨大，AI 工程师平均薪资比传统开发高 30%-50%。
💡
重新定义软件开发
不再只是写 if/else，而是设计概率系统，让软件具备推理与创造力。
🔮
面向未来的核心能力
掌握 LLM 原理与工程化落地，让你在 AI 时代保持不可替代的竞争力。
核心技术栈预览
本课程不只是讲概念，而是带你实战掌握以下工业级技术栈：
OpenAI / Claude API
LangChain / LlamaIndex
RAG / Vector DB
Fine-tuning
AI Agents
Evaluation
Prompt Engineering
Deployment / Ops
后续章节总览
按大章节快速预览，直接跳到你想学的部分。
Section
01 基础与模型
学会调用 OpenAI、Claude 等 API
3 节阅读/图文
- LLM API 入门30分钟
- AI 模型对比参考20分钟
- Prompt Engineering45分钟
Section
02 上下文与 RAG
理解上下文的组成、优先级与注意力限制
6 节阅读/图文
- Context Fundamentals30分钟
- RAG 系统入门60分钟
- LangChain 框架60分钟
- ... 还有 3 节
Section
04 智能体构建
构建能自主行动的 AI 代理 (ReAct)
7 节阅读/图文
- AI Agent 开发基础90分钟
- System Prompt 设计实战45分钟
- System Prompt 案例库30分钟
- ... 还有 4 节
Section
05 评测与工程化
Build evals, gates, and feedback loops to keep LLM apps reliable
5 节阅读/图文
- Evaluation & Quality Monitoring45分钟
- LLM-as-a-Judge 评测35分钟
- Synthetic Data & Augmentation30分钟
- ... 还有 2 节
Section
06 安全与部署
防注入、防泄露、密钥与工具风险的系统化管控
5 节阅读/图文
- 安全与威胁建模35分钟
- Data Governance & Privacy30分钟
- 部署与成本优化35分钟
- ... 还有 2 节
Section
07 进阶与实战
Model Context Protocol 服务器开发的完整指南
10 节阅读/图文
- MCP 开发最佳实践45分钟
- MCP 发布指南25分钟
- Skills 范式：从 Agent 到技能库35分钟
- ... 还有 7 节
推荐学习路线
我们为你准备了详细的学习路线图，帮你规划学习路径。
常见问题
AI Engineer 需要先学机器学习吗？
不一定。AI Engineer 更关注“把模型用进产品”，优先掌握 LLM API、Prompt 设计、RAG 检索增强、系统架构与部署。机器学习基础有帮助，但可以在项目推进中补齐。
RAG 与 Fine-tuning 如何选择？
RAG 适合知识经常更新、数据量可控、成本敏感的场景；Fine-tuning 适合需要稳定风格、长期一致输出的场景。实践中常用“先 RAG 后微调”的策略。
如何降低 LLM 调用成本？
常见手段包括：选择更小模型处理简单任务、缩短 Prompt、缓存高频问题、批量处理、用向量检索减少上下文长度，并监控 token 消耗。
AI Engineer 的核心技能栈是什么？
核心包括：模型 API 调用、Prompt 与系统提示设计、RAG/向量库、工具调用与 Agent 编排、评测与监控、上线部署与成本治理。
没有后端基础能学 AI Engineer 吗？
可以从前端或脚本化开始，但最终仍需掌握基础后端能力：API、鉴权、数据库与部署。学习路径建议先做可运行 Demo，再逐步工程化。
学习后能做哪些类型的项目？
常见项目包括：企业知识库问答、客服助手、内容生成平台、数据分析 Copilot、自动化 Agent 工作流等，强调可落地与可评估。