先把代码、API 和 Git 跑起来
如果你还不能独立完成一个带前后端的小应用，直接学 Agent 很容易卡在环境、鉴权和部署。先补全栈基础，再进入 AI 工程。
看全栈前置课程先判断从哪里开始
同样想做 AI Engineer，起点可能完全不同
不要用一张 70 项技能清单制造焦虑。先选最接近你现在的状态，页面会把你带到正确的第一步。
从 LLM API 进入 RAG 与 Agent
你不需要重新学一遍编程。用一个可运行的 AI 应用补齐流式响应、检索、工具调用、评测和可观测性。
开始 LLM API 入门围绕作品和面试证据学习
招聘方需要看到你能解释架构选择、定位失败并把系统上线。课程、P3 项目和认证应该服务于这份证据，而不是堆在简历上。
查看系统训练方案一条主路线
按交付顺序学，不按工具热度学
四个阶段都要留下一个能运行、能说明、能复盘的结果。完成一个阶段再往下走。
01 · CONNECT
接入模型
掌握 LLM API、结构化输出、流式响应、错误处理和基础 Prompt。
一个有真实输入输出的 AI 功能
开始 API 基础 02 · GROUND
接入业务数据
学习 chunking、embedding、检索、rerank 与引用，让回答能回到可验证的数据。
带来源引用的 RAG 应用
学习 RAG 03 · CONTROL
让系统可靠执行
加入工具调用、Agent 工作流、评测集、回归测试和失败兜底。
有评测结果的 Agent 工作流
进入评测与监控 04 · SHIP
部署并持续运行
处理鉴权、日志、成本、延迟、安全和发布，让 demo 变成可维护的系统。
可访问、可监控、可解释的项目
学习生产部署 一套系统，不是一个模型
AI Engineer 实际在搭哪几层？
点击任意一层，看它解决什么问题、会产出什么，以及课程和证书分别在哪一层发挥作用。这样你看到的不是又一张技术名词清单，而是一套可以逐层完成的系统。
六层生产级 AI 应用架构
贯穿六层的工程约束
评测可观测性安全隐私成本人工确认
课程怎么选
重要课程各自解决一个明确问题
核心课、前置课和专项 Workshop 不应该平铺成三个同等级广告。先看自己缺的是完整转型、工程地基，还是 Claude Code 专项能力。
核心路线
AI Engineer Bootcamp
适合：已有编程基础，准备系统转型或补齐生产能力把 LLM、RAG、Agent、Eval 和部署放进连续项目里，适合需要学习节奏、项目反馈和求职支持的人。
- 连续的工程化学习顺序
- 项目交付与架构说明
- 面向 AI Engineer 求职证据
前置基础
Web Code Bootcamp
适合：还不能独立完成前后端应用先建立代码、API、数据库、Git 和部署基础。目标不是延后学 AI，而是减少后面被工程问题反复卡住。
- 全栈开发基础
- 项目与版本控制
- 进入 AI 工程前的地基
专项提升
Claude Code Workshop
适合：已经开发，想提升 AI Coding 工作流集中处理项目上下文、CLAUDE.md、工具调用和 Agent 协作。它是专项能力，不替代完整 AI Engineer 路线。
- Claude Code 工程工作流
- Context 与项目规则
- 适合现有开发者加速
真正能带走的结果
你的作品应该能回答四个面试问题
一个 AI Engineer 项目不是截图或调用 API 的仓库。它需要让别人看懂你解决了什么问题，以及系统在数据、质量和成本之间怎样取舍。
- 为什么选择 RAG、Agent 或普通工作流
- 怎样定义评测集并发现回归
- 失败、超时和错误回答怎样处理
- 系统怎样部署、监控并控制成本
能力之后，再考虑证书
按你要进入的技术生态选择认证
认证适合验证特定平台知识，但不能代替项目。先完成至少一个可运行应用，再选与你目标岗位最接近的一张。
推荐顺序：先完成项目，再用一张认证补充平台能力。不要同时准备三张证书。
AnthropicCCAR-F
Claude 架构师 Foundations
本路线优先关联覆盖 Agentic 架构、工具与 MCP、Claude Code、Prompt、上下文管理与可靠性，和本页的工程路线重合度最高。
查看 Claude 认证路径MicrosoftAI-102
Azure AI Engineer
适合 Azure 企业项目如果目标团队使用 Azure AI、Azure OpenAI、AI Search 或企业云治理，这张认证更贴近平台落地。
查看 AI-102AWSMLA-C01
Machine Learning Engineer – Associate
适合 AWS 与 ML 工程方向如果目标更偏 AWS 上的机器学习工作负载、部署和运维，可在工程项目之后补充这条路线。
查看 MLA-C01只保留下一步会用到的资源
四个入口，够你开始并完成第一个项目
工具列表会不断变化，学习主线不应该跟着工具数量膨胀。这里保留课程、架构、实操和求职四类入口。
FAQ
开始前最需要说清楚的事
我需要先学机器学习和数学吗？
做 LLM 应用工程不要求你先训练大模型。先掌握 API、数据流、RAG、评测和部署；当项目涉及模型训练、排序或更深入的 ML 工作时，再补相应数学和机器学习基础。
Vibe Coding 和 AI Engineer 有什么区别？
Vibe Coding 更适合快速做出页面、流程和原型；AI Engineer 需要继续负责数据、检索、Agent、质量评测、安全和上线运行。原型遇到可靠性与规模问题时，就是进入 AI Engineering 的时机。
证书能帮助我拿到 AI Engineer 工作吗？
证书可以证明你了解一个平台的知识范围，但招聘方仍会追问项目、架构取舍和故障处理。把证书放在可运行项目之后，它才会成为加分项。
我应该直接报名 Bootcamp，还是先学免费内容？
先完成 LLM API 基础并尝试一个小项目。如果你能独立推进，可以继续免费路线；如果你反复卡在学习顺序、项目反馈或求职表达，Bootcamp 才更有价值。
今天只做一个决定
先跑通第一次模型调用，再决定接下来的十二周
一个可以运行的结果，比收藏二十个工具和三张证书更能告诉你这条路线是否适合。