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

1. 岗位能力模型
2. 技术栈全景
3. 六阶段路线图
4. 24 周详细周计划
5. 五大必做项目
6. 知识点清单（可打勾）
7. 学习资源
8. 面试与求职
9. 常见坑与建议

---

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）

能力	权重	说明
Python + 后端 API	★★★★★	一切 AI 能力的载体
LLM API 调用与 Prompt	★★★★★	日常最高频
RAG 全链路	★★★★★	企业项目 60%+ 会用到
Agent / Tool Calling	★★★★☆	差异化竞争力
向量库 + SQL	★★★★☆	检索与业务数据
Docker 部署 + 监控	★★★★☆	从 Demo 到产品
前端 / 流式 UI	★★★☆☆	全栈向加分
模型微调 LoRA	★★★☆☆	加分项，非必须
深度学习 / 数学	★★☆☆☆	懂概念即可

1.3 与「算法岗」的边界

你做	你不做（初期）
调 API、搭 RAG、写 Agent	从零训练大模型
LoRA 微调垂直场景	设计新网络结构
评测幻觉、优化召回	发论文、刷 SOTA
Docker 部署推理服务	大规模 K8s 集群运维

---

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）

工具	版本建议	用途
Python	3.11+	主语言
Cursor / VS Code	最新	开发 + AI 辅助
Git	最新	版本管理
Docker Desktop	最新	容器化
Ollama	最新	本地免费模型
Postman / HTTPie	-	测 API
Node.js	18+	可选，前端向

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

阶段	时长	核心产出
0 编程基础	2–3 周	CLI 小工具 + GitHub 仓库
1 后端基础	3–4 周	Todo API + JWT 登录
2 LLM 入门	3–4 周	多轮对话 Chat API（流式）
3 RAG 核心	4–5 周	项目1：知识库问答
4 Agent	4–5 周	项目2：多工具 Agent
5 工程化	3–4 周	项目3：可部署 SaaS Demo

---

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

天	学习内容	动手任务
1	安装 Python、venv、pip	创建虚拟环境，跑通 hello.py
2	变量、类型、字符串、列表	写 10 个字符串练习题
3	字典、集合、元组	用 dict 统计词频
4	if/for/while、列表推导	实现 FizzBuzz、九九乘法表
5	函数、参数、返回值	封装 CSV 读取函数
6	模块、import、包结构	拆分项目为 utils/ + main.py
7	复习 + 复盘	写本周学习笔记

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

天	学习内容	动手任务
1	文件读写、pathlib	批量重命名脚本
2	异常处理 try/except	给 CSV 工具加健壮报错
3	类与对象（基础）	定义 Document 类（title, content）
4	常用标准库：json、datetime、re	JSON 配置文件读写
5	第三方库：requests	调用公开 API 获取数据
6	类型注解、pydantic 初识	用 Pydantic 校验配置
7	Git 入门	init → commit → 推 GitHub

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

天	学习内容	动手任务
1–2	Git：branch、merge、.gitignore	开 feature 分支开发小功能
3	Linux：cd/ls/grep/cat/chmod	在 WSL 或 Git Bash 练习
4	数据结构：数组、哈希表	LeetCode 简单题 5 道
5	栈、队列、树（概念）	LeetCode 简单题 5 道
6	时间复杂度 Big-O 直觉	分析自己代码的复杂度
7	阶段复盘	整理「Python 速查表」

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

天	学习内容	动手任务
1	HTTP：GET/POST、状态码、Header	用浏览器 DevTools 观察请求
2	JSON、REST 风格	设计「用户/文章」资源 URL
3	FastAPI 安装、第一个接口	GET /hello
4	路径参数、查询参数	GET /users/{id}
5	Request Body、Pydantic 模型	POST /users 创建用户
6	自动文档 /docs	在 Swagger UI 里测接口
7	复习	画 API 路由表

本周验收：4 个以上 CRUD 接口（内存存储即可）。

第 5 周：FastAPI 进阶

天	学习内容	动手任务
1	依赖注入 Depends	抽取公共 DB 连接
2	中间件、CORS	允许前端跨域
3	异常处理 HTTPException	统一错误格式
4	后台任务 BackgroundTasks	异步写日志
5	文件上传 UploadFile	上传 txt/pdf
6	项目结构：routers/、schemas/	重构为多模块
7	单元测试 pytest 入门	测 2 个接口

本周验收：文件上传接口 + 清晰的项目目录。

第 6 周：数据库

天	学习内容	动手任务
1	SQL 基础：SELECT/INSERT/UPDATE/DELETE	SQLite 练习
2	表关系：一对多、外键	设计 User–Todo 表
3	SQLAlchemy 2.0 模型	定义 ORM
4	CRUD 与 Session	Todo 持久化
5	Alembic 迁移（了解）	改表结构
6	Redis：缓存会话	存 JWT 黑名单或 rate limit
7	整合测试	全流程跑通

第 7 周：认证与部署入门

天	学习内容	动手任务
1–2	JWT 登录注册	/login /register
3	密码哈希 passlib	安全存密码
4	接口鉴权	保护 Todo 接口
5	环境变量 .env	python-dotenv
6	部署到 Railway / Render	公网可访问
7	阶段复盘	写 API 文档

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

天	学习内容	动手任务
1	LLM 是什么：Token、上下文窗口	用 tiktoken 数 Token
2	注册 API、读官方文档	跑通第一个 chat.completions
3	OpenAI SDK / 国内 SDK 对比	封装统一 LLMClient 类
4	消息格式：system/user/assistant	多角色对话
5	温度、max_tokens、stop	对比不同参数输出
6	错误处理：限流、超时、重试	加 tenacity 重试
7	FastAPI 集成	POST /chat 接口

本周验收：HTTP 接口 → 调 LLM → 返回 JSON 回复。

第 9 周：Prompt Engineering

天	学习内容	动手任务
1	好 Prompt 的结构：角色+任务+格式+约束	改写 5 个烂 Prompt
2	Few-shot 示例	做情感分类 Few-shot
3	Chain-of-Thought	数学应用题对比
4	输出格式控制：JSON/Markdown	强制 JSON 输出
5	Prompt 模板与变量	Jinja2 或 f-string 模板
6	系统 Prompt 版本管理	prompts/ 目录存 yaml
7	Prompt 评测	10 条测试用例对比

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

天	学习内容	动手任务
1	无状态 vs 有状态对话	手动拼 history
2	会话存储：Redis / DB	多用户 session
3	上下文截断策略	超 Token 时滑动窗口
4	SSE 流式原理	理解 text/event-stream
5	FastAPI StreamingResponse	流式 /chat/stream
6	前端消费 SSE（或 curl）	看到逐字输出
7	整合	完整 Chat 服务

第 11 周：本地模型 + 成本意识

天	学习内容	动手任务
1	Ollama 安装与模型拉取	跑 Qwen2.5 / Llama
2	OpenAI 兼容接口	切换 cloud/local 无感
3	Token 计费估算	算 1000 次对话成本
4	缓存常见问答	Redis 缓存
5	批处理与并发限制	asyncio + Semaphore
6	LangChain 初识：LCEL	链式调用 LLM
7	阶段项目	简易 ChatGPT 克隆

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

天	学习内容	动手任务
1	RAG 架构全景图	画出 5 步流程
2	加载 PDF：pypdf / pdfplumber	提取纯文本
3	加载 Markdown、Word、网页	多格式统一接口
4	切分策略：固定长度 vs 语义	对比 chunk size 500/1000
5	重叠 chunk_overlap	观察边界问题
6	递归切分、RecursiveCharacterTextSplitter	LangChain 实践
7	元数据：页码、文件名、章节	每条 chunk 带 metadata

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

天	学习内容	动手任务
1	Embedding 是什么、余弦相似度	手算 2 个向量相似度
2	OpenAI / 通义 / BGE embedding	文本转向量
3	Chroma 本地向量库	存入 + 查询
4	Top-K 检索	调 K=3/5/10 对比
5	相似度阈值过滤	过滤低相关 chunk
6	Qdrant 或 pgvector（二选一）	生产级向量库体验
7	批量入库脚本	100 篇文档入库

第 14 周：RAG 问答链路

天	学习内容	动手任务
1	Prompt 模板：context + question	基础 RAG Prompt
2	引用来源 citation	回答里标注 [1][2]
3	查不到时拒答	「根据现有资料无法回答」
4	多轮 RAG：追问改写	query rewrite
5	Hybrid Search：关键词 + 向量	BM25 + vector
6	Reranker 重排序（了解）	bge-reranker 试用
7	FastAPI 完整 RAG 接口	upload + ask

第 15 周：RAG 优化与评测

天	学习内容	动手任务
1	幻觉类型与成因	收集 10 个 bad case
2	提高召回：切分、元数据、HyDE	逐条优化
3	提高精度：Rerank、压缩 context	对比实验
4	RAGAS 评测框架	faithfulness、 relevancy
5	构建 20 条评测集	QA pairs + ground truth
6	A/B 对比不同策略	记录指标表格
7	写优化报告	放入项目 README

第 16 周：项目1 冲刺 — 知识库问答系统

天	任务
1–2	后端：上传、索引、问答 API
3	前端：Streamlit 聊天 + 文件管理
4	对话历史 + 来源高亮
5	Docker Compose 一键启动
6	写架构文档 + 录 Demo 视频
7	代码审查自查清单

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

天	学习内容	动手任务
1	Tool 概念：LLM 决策 + 代码执行	画 ReAct 循环图
2	OpenAI tools / function calling	定义 1 个天气 tool
3	Pydantic 描述参数 schema	自动生成 tool JSON
4	工具执行与安全沙箱	禁止任意代码执行
5	多 tool 选择	天气 + 计算器 + 搜索
6	错误回传给 LLM	tool 失败时重试
7	LangChain @tool 装饰器	重构为 LangChain tools

第 18 周：ReAct Agent

天	学习内容	动手任务
1	ReAct 论文思路	Thought → Action → Observation
2	LangChain AgentExecutor	跑通预置 Agent
3	自定义 Agent Prompt	中文系统提示
4	最大迭代次数限制	防死循环
5	接入真实 API：搜索/数据库	Tavily / SerpAPI
6	日志与可观测性	打印每步 reasoning
7	测试 10 个复杂任务	记录成功率

第 19 周：LangGraph 状态机

天	学习内容	动手任务
1	为什么需要 LangGraph	Agent 状态爆炸问题
2	StateGraph 基础	节点与边
3	条件分支：是否继续调用 tool	router 节点
4	人工介入 human-in-the-loop	敏感操作确认
5	持久化 checkpoint	中断后续跑
6	多 Agent 协作（入门）	researcher + writer
7	重构项目2 骨架	LangGraph 版 Agent

第 20 周：结构化输出与 MCP

天	学习内容	动手任务
1	Structured Output	Pydantic 约束 LLM 输出
2	JSON Schema 模式	复杂嵌套结构
3	MCP 协议概念	读 Cursor MCP 文档
4	写一个简单 MCP Server	暴露文件读取 tool
5	MCP Client 调用	接入 Agent
6	与 LangChain 集成	统一 tool 层
7	总结 Agent 设计模式	笔记一篇

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

天	学习内容	动手任务
1	Dockerfile 编写	Python 镜像
2	docker-compose：app + db + redis	多容器联调
3	环境变量与 secrets	不写死 API Key
4	健康检查 /health	负载均衡就绪
5	GitHub Actions	push 自动 pytest
6	镜像体积优化	multi-stage build
7	部署文档	新人 10 分钟跑起

第 23 周：监控、安全、成本

天	学习内容	动手任务
1	Langfuse / LangSmith 接入	追踪每次 LLM 调用
2	Token 用量统计与告警	按用户计费模型
3	Prompt 注入攻击与防御	测 5 种注入
4	数据脱敏	手机号、身份证打码
5	Rate Limiting	防刷接口
6	日志规范	structlog
7	安全自查清单	OWASP LLM Top 10 浏览

第 24 周：项目3 + 求职准备

天	任务
1–3	项目3：SQL 数据分析 Agent 或 AI 客服（二选一）
4	整理 GitHub Profile 与 3 个项目
5	简历：STAR 法则写项目经历
6	模拟面试：RAG 八股 + 系统设计
7	投递实习 / 初级岗

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

模块	技术
后端	FastAPI
向量库	Qdrant / pgvector
Embedding	bge-large / text-embedding-3-small
前端	Streamlit 或 Next.js
评测	RAGAS + 20 条 QA

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

Tool 示例	说明
web_search	Tavily / DuckDuckGo
sql_query	只读数据库查数
send_email	模拟通知
read_file	读本地知识

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）

顺序	资源	说明
1	FastAPI 官方文档	后端圣经
2	DeepLearning.AI《ChatGPT Prompt Engineering for Developers》	Prompt 入门
3	DeepLearning.AI《Building Systems with the ChatGPT API》	系统搭建
4	DeepLearning.AI《LangChain for LLM Application Development》	框架入门
5	DeepLearning.AI《Building and Evaluating Advanced RAG》	RAG 进阶
6	LangChain Academy（LangGraph 单元）	Agent 必学
7	LlamaIndex RAG 文档	另一套 RAG 思路

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

1. RAG 完整链路是什么？每步有哪些坑？
2. chunk_size 怎么选？overlap 有什么用？
3. 向量检索召回不准怎么办？
4. 什么是幻觉？RAG 能完全消除吗？
5. Hybrid Search 是什么？什么时候需要 Reranker？

Agent

1. ReAct 是什么？和 Function Calling 关系？
2. Agent 死循环怎么防？
3. Tool 安全怎么设计？
4. LangGraph 相比 AgentExecutor 优势？

工程

1. 如何设计流式对话 API？
2. Token 成本怎么控？
3. Prompt 注入怎么防？
4. 如何做 LLM 应用监控？

系统设计

1. 设计一个支持 1000 企业的 SaaS 知识库
2. 设计一个数据分析 Copilot（Text-to-SQL）

8.3 能力自测（投递前）

测试	标准
白板画 RAG	5 分钟内讲清 5 层
live coding	30 分钟写 FastAPI + LLM 调用
排查 bad case	给 3 个错误回答，说优化思路
部署	15 分钟 Docker 跑起自己的项目

---

九、常见坑与建议

9.1 常见坑

坑	正确做法
只看课不写代码	每节课配套 30 行以上练习
项目跟着教程抄	加一个自己的功能（如多租户）
沉迷调 Prompt 忽视检索	RAG 问题 70% 在检索与切分
API Key 提交 GitHub	用 .env + .gitignore
不做评测	至少 20 条测试集量化效果
框架学太多	LangChain + LangGraph 为主，够用

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

时间	里程碑	标志
第 11 周	LLM 会用	Chat 服务上线
第 16 周	RAG 会搭	项目1 有评测数据
第 24 周	能求职	3 项目 + 模拟面试过

---

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。