高考后想学AI：一份你可能不需要但应该读的完整指南

这篇文章写给三类人：刚考完高考不知道暑假干嘛的、正在填志愿纠结选什么专业的、马上入学想提前规划四年的。

不贩卖焦虑，不灌鸡汤，只讲三件事：暑假该做什么、专业该怎么选、大学四年怎么走。

读完大概需要15分钟。如果你现在手痒想直接学AI，可以直接跳到第二部分。

---

第一部分：填志愿前必须知道的真相

一个数据改变很多人的认知

2024届人工智能专业本科毕业生，从事与专业相关工作的比例为55%。因"达不到专业工作要求"未能从事对口工作的比例达32%。

也就是说，每10个AI专业本科生，只有5个半做上了AI相关的工作，3个半连对口工作都找不到。

这不是我编的。也不是2024年的特例。这个数字在过去几年持续在55%-60%区间徘徊，远低于计算机科学与技术专业85%以上的对口率。

人工智能专业 ≠ 学了就能做AI。

数据来源：今日头条"盲目跟风，多所大学的人工智能专业停招"（2026），引用教育部就业质量报告数据

四个专业逐门课程对比

选专业不看名字，看课表。这是最重要的原则。

课程	计算机科学与技术	人工智能	数据科学与大数据	数学与应用数学
程序设计基础	✅核心	✅核心	✅核心	⚠️可选
数据结构与算法	✅核心	✅核心	✅核心	⚠️可选
操作系统	✅核心	⚠️可选	❌	❌
计算机网络	✅核心	⚠️可选	❌	❌
数据库	✅核心	⚠️可选	✅核心	❌
软件工程	✅核心	❌	❌	❌
机器学习	⚠️可选	✅核心	✅核心	⚠️可选
深度学习	❌	✅核心	⚠️可选	❌
NLP/计算机视觉	❌	✅核心	⚠️可选	❌
线性代数	✅基础	✅核心	✅核心	✅核心
概率论与统计	✅基础	✅核心	✅核心	✅核心
最优化方法	⚠️可选	✅核心	⚠️可选	✅核心

⚠️ = 不同学校差异大，有的必修有的选修。数据来源：各专业培养方案公开信息整理（2026-06）

这张表的关键发现：AI专业砍掉了操作系统、网络、数据库、软件工程四门课，换成了深度学习、NLP、CV这些"AI专业课"。

听起来很合理，对吧？但现实是残酷的。

看似无关的四门课，恰恰是找工作最需要的

被AI专业砍掉的课	在AI工作中的实际用途	缺了会怎样
操作系统	GPU内存管理、分布式训练调度	调性能靠猜，出问题不知从哪查
计算机网络	API调用、模型部署、分布式推理	线上问题排查无从下手
数据库	RAG知识库存储、特征管理、数据管道	数据管线搭不起来
软件工程	把AI模型变成可上线的产品	只会Jupyter Notebook，代码上不了线

一个真实案例：某AI创业公司招了3个AI专业应届生，3个月后全转岗了。原因：会训练模型，但不会部署到服务器、不会处理线上并发、不会做错误监控。模型在Jupyter里跑得漂亮，上了线全是问题。

来源：CSDN"AI应用踩坑实录"（2026）

人工智能专业的四个真相（招生简章不会告诉你）

真相1：课程拼凑，换皮严重

上海某双一流高校人工智能专业课程表（2023级）：45%课程直接移植自计算机专业，25%移自自动化专业，30%改编自数学专业。有学生反馈：“学了一年后才发现，这个专业其实是从自动化、计算机、电气专业的课程拼凑而成，内容重复且缺乏独特性。”

不是个别现象。全国600多所高校开设了AI专业，但大部分普通高校的AI专业是挂靠在原来的计算机学院或信息工程学院上，开设几门"人工智能导论""机器学习"就算AI专业了。

来源：今日头条"人工智能专业成新’天坑’？"（2026）

真相2：本科毕业做不了算法岗

算法工程师岗位要求硕士学历的占比达83%。字节跳动2023校招数据：人工智能专业本科生通过算法岗初筛率不足5%。

真相3：数学门槛比你以为的高

某C9高校人工智能专业大一结束时，超过20%的学生因跟不上而申请转专业。

更关键的是本科与工业界的四大断层：

• 工业需要实分析（高阶数学），本科只教高等数学
• 工业使用C++/CUDA做高性能开发，本科只学Python
• 工业用TensorRT做生产部署，本科教Keras搭学术原型
• 工业需要FPGA知识，本科只做单片机练习

来源：今日头条"人工智能专业看似热门实则有坑"（2026）、CSDN"本科阶段慎选人工智能专业"（2026）

真相4：AI技术3年一变，底层知识10年不过时

2023年最火的是大模型微调，2024年是Agent，2025是多模态，2026是物理AI和具身智能。每年热点都在变。

操作系统原理不会过时。网络协议不会过时。算法设计不会过时。

我的推荐和原因

选计算机，自学AI方向。 三个原因：

原因1：计算机专业转AI容易，反过来难10倍。 计算机专业补AI知识：学几门课、做几个项目、读几篇论文，1年够。AI专业补工程能力：操作系统、网络、数据库、Linux、Docker、CI/CD，2年都未必够。

原因2：退路宽度决定追梦底气。 万一4年后AI降温，计算机专业照样好找工作。AI专业呢？对口率只有55%。

原因3：学校的品牌比专业名称值钱10倍。 985的计算机 > 二本的人工智能，永远如此。

不同分数段怎么选

分数段	推荐选择	核心逻辑
630分以上（985/强211）	计算机专业，辅修AI方向或双学位	进可攻算法岗（考研），退可守工程岗（本科就业）
550-630分（一本线以上）	计算机专业，优先选计算机强校	学校比专业重要，计算机强校的资源远优于普通学校的AI专业
550分以下（二本/三本）	计算机或软件工程	专业名称没那么重要，编程能力和项目经验才是硬通货

特殊情况：

• 想做算法研究：数学+计算机双学位，本科→AI方向硕博
• 想做AI产品经理：计算机或信息管理，必须懂技术
• 想做AI芯片/硬件：电子信息工程、集成电路设计
• "智慧+"专业（智慧农业/智慧交通等）：避坑，大概率是原专业加2门计算机课

填志愿6个避坑

1. 看到"人工智能"四个字就冲 → 先查课程表，重合度超60%的直接pass
2. 忽视学校实力只看专业名称 → 985计算机永远大于二本AI
3. 以为AI毕业就能拿50万 → 55%对口率，50万是3年后算法岗数字且硕士起步
4. 不查具体方向就报 → 偏算法？偏应用？偏机器人？去官网查培养方案
5. 不关注学位类型 → 工学学位认可度高于理学学位，报考前确认
6. 看到"智慧+"就选 → 学位证是原专业方向，就业面窄很多

---

第二部分：暑假三个月，从零到能做AI项目

先说结论：三个月结束时你应该做到什么

1. Python基础扎实，能独立写300行以上的程序
2. 调通4个AI项目（聊天机器人、图像识别、知识库搜索、自动化工具）
3. 了解AI行业的7类岗位，知道自己未来适合哪条路
4. GitHub上有可展示的项目，9月入学时已经领先同班90%的人

不需要做的事： 学线性代数、学微积分、学概率论。大学会系统教，暑假动手比补课有用100倍。

一个反直觉的真相： 2026年做AI应用开发，数学要求比你想象的低得多。调用大模型API不需要推导反向传播，搭RAG系统不需要证明梯度下降收敛。你需要的是编程能力+工程思维+对AI能力边界的理解。

为什么90%的人会在第一个月放弃？

两个原因：选错学习路径、没有正反馈。

错误路径1： 先啃C语言或计算机组成原理，觉得"学Python不够底层"。三个月后C语言学了个半吊子，Python也不会写，AI项目一个没做。

错误路径2： 下载了10G的Python教程，从头看到尾，看完一个代码没写。然后觉得"我还是看不懂"，放弃。

正确的路径： 学一个知识点 → 立刻写代码验证 → 做出看得见的结果 → 获得成就感 → 继续学下一个。

这个循环每完成一次，你的坚持概率就提高一次。AI学习的核心不是智力，是持续的正反馈。

第1个月：Python基础 + 第一次调用AI（7月）

4周具体计划

周	学习内容	实践任务	验收标准	每天用时
第1周	变量、数据类型、条件、循环	写一个猜数字游戏 + 简易计算器	不看教程能独立写出	3小时
第2周	列表、字典、函数、模块	写一个通讯录管理程序（增删查改）	数据能保存到文件	3小时
第3周	文件读写、异常处理、类和对象	写一个备忘录（支持搜索和分类）	用类组织代码	3小时
第4周	pip安装第三方库、requests库、API调用	调通第一个AI接口	能和AI对话	4小时

推荐资源（只推荐最少的）

书： 《Python编程：从入门到实践》（Eric Matthes），只看前11章。

视频： B站搜"Python零基础入门"，选播放量最高的。别花超过30分钟选教程。 选哪个老师不重要，赶紧开始比选老师重要100倍。

练习： LeetCode Easy题，每天1道。不求速度，求理解。

第4周重头戏：调通你的第一个AI

# 用DeepSeek API做一个聊天机器人
# 注册地址：https://platform.deepseek.com
# 注册送500万Token免费额度，够你玩一整个暑假

import requests

url = "https://api.deepseek.com/chat/completions"
headers = {
    "Authorization": "Bearer 你的API Key",
    "Content-Type": "application/json"
}

data = {
    "model": "deepseek-chat",
    "messages": [
        {"role": "user", "content": "用一句话解释什么是AI"}
    ]
}

response = requests.post(url, headers=headers, json=data)
print(response.json()["choices"][0]["message"]["content"])

运行这段代码时你的感受，比学100小时理论都有用。你会突然意识到：AI不是黑箱，我也能调用它，我也能用它做产品。

为什么选DeepSeek而不是OpenAI？

对比项	DeepSeek	OpenAI (GPT)
注册难度	手机号即可	需海外手机号+VPN
免费额度	500万Token	无
中文支持	原生中文模型	翻译腔明显
API稳定性	国内直连	需代理
模型能力	第一梯队	最强

暑假入门用DeepSeek，零门槛、中文好、免费够用。等你做出东西了，需要更强能力时再切GPT。

第2个月：做4个AI项目（8月）

别再学语法了，开始做项目。遇到不会的语法，边查边学，比抱着书啃有效得多。

“熬了大半年，语法书翻烂了，结果让我做一个最简单的批量重命名工具，依旧无从下手。”（来源：CSDN"学AI编程的5个致命大坑"，2026）

项目1：带记忆的聊天机器人（2天）

import requests

class ChatBot:
    def __init__(self, api_key):
        self.api_key = api_key
        self.history = []
        self.system_prompt = {
            "role": "system",
            "content": "你是一个友好的AI助手，回答简洁准确。"
        }

    def chat(self, message):
        self.history.append({"role": "user", "content": message})
        # 控制上下文长度，避免Token烧太快
        messages = [self.system_prompt] + self.history[-20:]
        response = requests.post(
            "https://api.deepseek.com/chat/completions",
            headers={
                "Authorization": f"Bearer {self.api_key}",
                "Content-Type": "application/json"
            },
            json={"model": "deepseek-chat", "messages": messages}
        )
        reply = response.json()["choices"][0]["message"]["content"]
        self.history.append({"role": "assistant", "content": reply})
        return reply

    def save_history(self, filename="chat_history.txt"):
        with open(filename, "w", encoding="utf-8") as f:
            for msg in self.history:
                role = "你" if msg["role"] == "user" else "AI"
                f.write(f"{role}: {msg['content']}\n\n")

# 使用
bot = ChatBot("你的API Key")
while True:
    user_input = input("你: ")
    if user_input == "退出":
        bot.save_history()
        break
    print(f"AI: {bot.chat(user_input)}")

你学到了什么： API调用、对话记忆管理、上下文窗口控制、类的封装、文件保存。

关键细节： history[-20:] 这一行。不加限制地把整个对话历史丢给API，Token成本会失控。真实AI应用中，Token成本是最大支出之一。这个细节，90%的入门教程不会告诉你。

项目2：图片识别小程序（2天）

import requests
import base64

class ImageRecognizer:
    def __init__(self, access_token):
        self.access_token = access_token

    def recognize(self, image_path, service="dish"):
        with open(image_path, "rb") as f:
            img_base64 = base64.b64encode(f.read()).decode()
        url = f"https://aip.baidubce.com/rest/2.0/image-classify/v2/{service}"
        params = {"access_token": self.access_token}
        data = {"image": img_base64, "top_num": 5}
        response = requests.post(url, params=params, data=data)
        for item in response.json().get("result", []):
            print(f"识别: {item['name']}，置信度: {item['probability']:.1%}")

核心认知： AI应用 = 模型能力 + 工程封装。识别能力是百度训练好的模型提供的，你做的是封装。这就是"AI工程师"每天在做的事。

项目3：个人知识库搜索（4天，最重要）

# pip install sentence-transformers numpy
from sentence_transformers import SentenceTransformer
import numpy as np

class KnowledgeBase:
    def __init__(self):
        # 多语言模型，中文效果好，只有118MB
        self.model = SentenceTransformer(
            'paraphrase-multilingual-MiniLM-L12-v2'
        )
        self.docs = []
        self.doc_vectors = None

    def add_documents(self, docs):
        self.docs.extend(docs)
        self.doc_vectors = self.model.encode(self.docs)

    def search(self, query, top_k=3):
        query_vec = self.model.encode([query])
        similarities = np.dot(self.doc_vectors, query_vec.T).flatten()
        top_indices = similarities.argsort()[-top_k:][::-1]
        return [(self.docs[i], float(similarities[i]))
                for i in top_indices]

    def answer_with_context(self, query, api_key):
        """RAG：先搜索相关文档，再让AI基于上下文回答"""
        results = self.search(query, top_k=3)
        context = "\n".join([doc for doc, _ in results])
        import requests
        response = requests.post(
            "https://api.deepseek.com/chat/completions",
            headers={"Authorization": f"Bearer {api_key}",
                     "Content-Type": "application/json"},
            json={
                "model": "deepseek-chat",
                "messages": [
                    {"role": "system", "content":
                     f"基于以下参考资料回答问题。"
                     f"资料中没有答案请如实说明。\n\n"
                     f"参考资料：\n{context}"},
                    {"role": "user", "content": query}
                ]
            }
        )
        return response.json()["choices"][0]["message"]["content"]

# 使用
kb = KnowledgeBase()
kb.add_documents([
    "Python是一种高级编程语言，以简洁著称",
    "机器学习是AI的子领域，让计算机从数据中学习",
    "深度学习使用多层神经网络，擅长图像和文本",
    "RAG是检索增强生成，让AI基于特定数据回答",
    "Transformer架构是现代大语言模型的基础",
    "向量数据库专门存储和检索高维向量"
])

# 语义搜索
results = kb.search("什么是深度学习")
for doc, score in results:
    print(f"[相似度 {score:.3f}] {doc}")

这是最重要的一个项目。 RAG的本质：不让AI凭记忆乱说，而是给它参考书基于事实回答。理解RAG，你就理解了2026年企业AI应用的核心架构。

项目4：AI自动化工具（3天）

import requests

class AIAssistant:
    def __init__(self, api_key):
        self.api_key = api_key

    def _call(self, system_prompt, user_message):
        response = requests.post(
            "https://api.deepseek.com/chat/completions",
            headers={"Authorization": f"Bearer {self.api_key}",
                     "Content-Type": "application/json"},
            json={
                "model": "deepseek-chat",
                "messages": [
                    {"role": "system", "content": system_prompt},
                    {"role": "user", "content": user_message}
                ],
                "temperature": 0.3  # 低温度=确定性输出
            }
        )
        return response.json()["choices"][0]["message"]["content"]

    def translate(self, text, target="英文"):
        return self._call(
            f"你是专业翻译，翻译成{target}，只输出结果", text)

    def summarize(self, text):
        return self._call(
            "用3个要点总结以下内容，每个不超过30字", text)

    def extract_tasks(self, text):
        return self._call(
            "提取所有待办事项，返回JSON数组"
            "[{task, deadline}]", text)

# 使用
ai = AIAssistant("你的API Key")
print(ai.translate("今天天气真好"))
print(ai.summarize("一段很长的会议记录..."))
print(ai.extract_tasks("下周三前交报告，周五开会讨论"))

关键参数： temperature: 0.3。温度越低输出越确定，越高越有创意但不可控。翻译/提取用低温，创作用高温。这个参数直接决定你的AI应用是靠谱的还是疯癫的。

第3个月：了解生态 + 规划路线（8月下旬-9月）

必须知道的6个平台

平台	是什么	你该做什么	为什么重要
GitHub	代码托管	注册账号，Star几个AI项目	项目portfolio，校招必看
HuggingFace	AI模型社区	浏览Models页，试在线Demo	AI界的GitHub
Kaggle	数据竞赛	做一个入门赛（Titanic）	简历加分项
LeetCode	算法刷题	每天1道Easy	大厂面试必考
ArXiv	论文预印本	知道去哪找最新研究	前沿趋势
CSDN/知乎	中文技术社区	关注AI博主，看实战	国内AI讨论圈

AI行业7类岗位（大多数人选错了）

岗位	做什么	学历门槛	本科起薪	3年后	竞争度
算法工程师	设计优化模型	硕士+	25-50万	50-100万	极高
AI工程师	模型变产品	本科可	18-35万	35-60万	中等
数据工程师	搭数据管道	本科可	15-25万	25-40万	较低
AI产品经理	定义需求	本科可	18-30万	30-50万	中等
MLOps工程师	部署运维	本科可	20-35万	35-55万	较低
AI评测工程师	测试效果	本科可	12-20万	20-35万	很低

关键发现： 算法岗本科几乎进不去（83%要求硕士），AI工程师才是本科生的最佳入口。MLOps是被严重低估的赛道——会Linux+Docker+K8s的本科生比会推公式的硕士更抢手。

判断你适合哪条路

你更喜欢写代码还是做产品？
├── 写代码 → 数学好吗？
│   ├── 好（高考数学130+）→ 考虑算法岗（需读研）
│   └── 一般 → AI工程师或MLOps（本科可就业）
└── 做产品 → 更擅长理解用户还是管理系统？
    ├── 理解用户 → AI产品经理
    └── 管理系统 → 数据工程师

---

第三部分：大学四年路线图

全景节奏

大一 ──→ 打地基（编程+数学+进实验室）
大二 ──→ 第一个AI项目+PyTorch+Kaggle
大三 ──→ 实习/竞赛/开源，三选二
大四 ──→ 秋招/考研/出国

关键时间点：大二上学期进实验室是分水岭。

一个真实案例：华东师范大学2021级本科生沈君豪，大一下学期参加世界人工智能大会，被点燃兴趣。此后四年拿NeurIPS 2023因果结构学习挑战赛国际冠军、CCF-A类会议发表论文3篇，直博上海交通大学人工智能学院。

他的起点只是大一下的一次参会。

来源：新浪财经"AI研究不止于实验室"（2026）

大一：打地基 + 进实验室

上学期必须完成：

• Python写熟，能独立写300行程序
• LeetCode累计80道Easy以上
• 了解AI主要方向（CV/NLP/ML/Agent的区别）
• 加入学校计算机社团或AI俱乐部

推荐书单：

1. 《Python编程：从入门到实践》前11章——基础中的基础
2. 李沐《动手学深度学习》zh.d2l.ai——免费，中文最好，有B站视频
3. 《人工智能：现代方法》（Russell & Norvig）前8章——建立全景认知

下学期必须完成：

• 数学课认真学（线性代数、概率论、高数，期末85分以上）
• 数据结构扎实，LeetCode累计150道
• 联系实验室导师

进实验室的邮件模板：

XX老师您好：

我是大一学生XX，对您的XX研究方向很感兴趣。
我已完成Python基础学习，有GitHub项目（附链接）。
希望能进实验室学习，从最基础的工作做起都可以。

期待您的回复！

三个关键点：不需要等你"准备好了"才联系（你永远不会准备好）、同时联系2-3个实验室、从数据清洗标注这些琐碎活做起。

武汉科技大学2022级本科生马彬畅，从实验室基础工作做起，本科期间以一作身份在AAAI 2026（CCF-A类顶级会议）发表论文。

来源：CSDN"本科生一作！科技大学论文被AI顶会录用"（2026）

大二：做项目 + 学PyTorch + 判断方向

上学期：

• 跟实验室做项目（从数据清洗标注开始）
• 学PyTorch（跟李沐书，PyTorch版）
• LeetCode进阶Medium题
• 每周读1篇顶会论文（先读Abstract和Conclusion判断相关性）

下学期：

• 独立完成一个完整AI项目（数据到模型到部署）
• 参加Kaggle/天池入门赛
• 学Linux和Git
• 开始写技术博客

大二结束做判断：走算法还是走工程？

选错了方向，大三一年白费。

大三：实习/竞赛/开源，三选二

为什么实习最重要？ 校招时，一段大厂实习经历 > 两个竞赛奖牌 > GPA 3.8。面试官的逻辑：竞赛可以抱大腿，GPA可以刷，大厂实习说明你在真实业务场景扛过压力。

不要只盯BAT。上海AI Lab、智谱AI、月之暗面、DeepSeek这些AI原生公司招实习生更多，成长空间更大。上海AI Lab 2026届校招100+职位，发700+offer。

来源：搜狐"上海AI Lab校招通道已开"（2026）

2026年AI实习薪资参考： 大厂400-600元/天，中小厂200-350元/天，创业公司150-250元/天。

竞赛选择： Kaggle全球最权威（去外企/出国最有用），天池国内最权威（有奖金），蓝桥杯门槛低适合练手，数学建模保研加分。

开源贡献是被低估的路线。 你的代码公开可见、建立行业人脉、理解真实项目复杂度，这三个价值课堂给不了你。

大四：三条路

路线	适合谁	关键动作
直接就业	有实习+项目	8月提前批就开始投，别等到9月
考研/保研	想冲算法岗	导师比学校重要，看近3年论文+学生去向
出国	预算充足，走学术	大二开始准备GT

残酷数据： 2026年高校毕业生人数突破1222万，创历史新高。有实习经历的候选人录取率是无实习的3.5倍。

来源：新浪财经"创纪录高校毕业生求职遭遇AI狙击"（2026）

---

第四部分：5个最常见的坑和怎么避开

坑1：先学三年数学再动手。

大学有系统的数学课，暑假应该动手做项目。等学完数学再开始，浪费了最好的三个月。

坑2：追热点不停换方向。

今天CV明天NLP后天Agent，每个都是皮毛。选一个方向坚持2个月深入做，比换5个方向各学2个月强100倍。

坑3：只看视频不写代码。

B站看10小时Python视频，不如自己写3小时代码。知识必须通过实践变成能力。

坑4：一个人闷头学不找社区。

加几个AI学习群，关注GitHub项目，去看别人怎么写代码。信息差是最大的坑。华东师大沈君豪的转折点就是参加了一次会议。

坑5：觉得"我还不够格做项目"。

第4周就应该开始做。不需要把Python学透才能做项目，边做边学才是AI时代的正确姿势。

---

每天学习时间表模板

时段	内容	时长	注意
9:00-10:30	学Python/写代码	1.5小时	关手机，纯专注
10:30-10:45	休息	15分钟	站起来走动
10:45-12:00	做项目/Debug	1.25小时	Bug先自己查15分钟再搜
下午	看AI新闻/刷B站/逛GitHub	不限时	保持信息摄入
21:00-21:30	LeetCode Easy题	30分钟	积累手感

不要一天学8小时。每天3-4小时高质量学习，比8小时低效刷视频强10倍。

---

数据来源

1. 今日头条"盲目跟风，多所大学的人工智能专业停招"（2026）——55%对口率、32%达不到专业要求
2. 今日头条"人工智能专业看似热门实则有坑"（2026）——C9高校20%转专业率、算法岗83%要求硕士
3. 今日头条"人工智能专业成新’天坑’？"（2026）——课程拼凑现象
4. 今日头条"百万年薪的人工智能专业正在沦为天坑"（2026）——多而不精
5. CSDN"本科阶段慎选人工智能专业"（2026）——四大断层、字节校招数据
6. CSDN"2026年计算机类专业热度TOP15全解析"（2026-06-03）——岗位暴增215%
7. CSDN"学AI编程的5个致命大坑"（2026）
8. 搜狐"2026高考必看：智能新兴交叉专业薪酬水平"（2026-05-25）
9. 新浪财经"AI研究不止于实验室"（2026）——华东师大沈君豪案例
10. 新浪财经"创纪录高校毕业生求职遭遇AI狙击"（2026）——1222万毕业生
11. CSDN"本科生一作！科技大学论文被AI顶会录用"（2026）——马彬畅案例
12. 腾讯云"投身AI行业必须了解的顶尖实验室"（2026）
13. 搜狐"上海AI Lab校招通道已开"（2026）
14. 腾讯网"2026校招AI人才报告"（2025-08-25）
15. 腾讯网"2026年AI工程师学习路线图"（2026-02-04）