小狍子皮皮奇

外观

AI入门学习路径

约 2021 字大约 7 分钟

AI实验室人工智能学习路径职业规划

这组文章按 2026 年 AI 岗位重新整理，不再把“会调 API”和“会训练模型”混在一起。当前最值得入门者区分的三条主线是：

  • 大模型 Agent 应用开发：把模型接入业务系统，让它能检索、调用工具、执行流程、接受人工审批并被评测监控。
  • AI Infra 与 LLMOps：负责模型服务、GPU/Kubernetes 平台、推理性能、成本、可观测性、安全和发布治理。
  • 大模型算法：研究和实现模型架构、数据、预训练、后训练、推理加速、评测与安全对齐。

资料口径：本文参考 2025-07-24 至 2026-07-24 之间发布的行业报告、研究论文和技术新闻；官方文档按 2026-07-24 访问时的最新页面处理。旧课程和经典论文只作为基础背景，不用于判断 2026 岗位趋势。

2026 年岗位图谱

岗位主线学习顺序最终交付
Agent 应用开发产品需求 -> 上下文工程 -> 工具调用与 MCP -> 工作流与状态 -> 评测与观测可上线 Agent 产品
AI Infra 与 LLMOpsLinux 与 GPU -> 容器与 Kubernetes -> 推理服务 -> 弹性与成本 -> LLMOps 与治理可运维 AI 平台
大模型算法数学与 PyTorch -> Transformer 与 MoE -> 数据与预训练 -> 后训练与推理 -> 评测与论文复现模型算法工程能力

三个岗位对比

维度Agent 应用开发AI Infra / LLMOps大模型算法
交付物Agent、RAG、Copilot、自动化流程推理平台、训练平台、观测评测平台、成本治理模型、训练策略、后训练算法、评测报告
主要问题如何让模型可靠完成业务任务如何让 AI 系统稳定、便宜、可扩展如何让模型能力更强、更高效、更安全
核心能力软件工程、业务建模、上下文工程、工具调用分布式系统、GPU、K8s、推理服务、SRE数学、深度学习、PyTorch、分布式训练、论文复现
2026 热点Agent 编排、MCP、Human-in-the-loop、Agent EvalvLLM/SGLang、KServe/Ray Serve、GenAI Observability、FinOps推理模型、MoE、长上下文、RL/GRPO、Agentic Post-training
入门难度中等，适合开发背景快速切入中高，适合后端、平台、DevOps、SRE 背景高，适合数学/算法/研究背景
作品集标准能演示真实业务闭环，有评测、有日志、有失败处理有压测、监控、成本表、扩缩容、回滚方案有论文复现、实验记录、消融分析、可复现实验脚本
学习周期4-8 个月做出可投递作品6-12 个月形成平台能力12-24 个月形成竞争力

如何选择

选择 Agent 应用开发，如果你：

  • 已经会 Python、TypeScript、后端接口或前端产品开发。
  • 更关心业务闭环、用户体验、任务自动化，而不是从零训练模型。
  • 想最快做出可展示项目，例如企业知识库助手、销售助理、代码审查 Agent、数据分析 Copilot。
  • 能接受模型不可控，需要用评测、日志、权限、人工审批把系统约束住。

对应文章：大模型 Agent 应用开发学习路径

选择 AI Infra 与 LLMOps，如果你：

  • 有后端、云原生、DevOps、SRE、平台工程或数据平台背景。
  • 对 GPU 利用率、吞吐、延迟、队列、扩缩容、观测和成本敏感。
  • 想做“把 AI Demo 变成稳定服务”的平台岗位。
  • 愿意长期和 Kubernetes、Ray、vLLM、SGLang、MLflow、Langfuse、OpenTelemetry 这类工具打交道。

对应文章：[AI Infra 与 LLMOps 学习路径](./3.AI Infra与LLMOps.md)

选择大模型算法，如果你：

  • 愿意长期补数学、深度学习、分布式训练和论文复现。
  • 更关心模型能力来源：数据、架构、优化、后训练、推理时计算、评测。
  • 能接受投入周期长、竞争更激烈、对实验质量和研究品味要求更高。
  • 目标是算法工程师、模型训练工程师、后训练工程师、研究员。

对应文章：大模型算法学习路径

通用底座

无论选哪条路线，2026 年的 AI 岗位都默认你不是只会写 Prompt，而是能把模型放进真实系统。

编程与工程

  • Python：类型标注、异步编程、FastAPI、pytest、数据处理。
  • TypeScript：前端交互、Node 服务、SDK 封装、工具调用 UI。
  • Git：分支、PR、代码审查、回滚、CI。
  • Linux：进程、网络、文件权限、日志、systemd、Shell。

AI 基础

  • Token、Embedding、上下文窗口、采样参数、结构化输出、工具调用。
  • RAG：解析、切分、Embedding、检索、重排、引用、权限过滤。
  • Evaluation：黄金集、离线评测、线上抽检、人工标注、回归测试。
  • Safety：Prompt injection、越权工具调用、敏感信息泄露、供应链风险。

产品与沟通

  • 能把“模型能力”翻译成“用户任务”和“业务指标”。
  • 能说明准确率、召回率、延迟、吞吐、成本之间的取舍。
  • 能写设计文档、复盘线上事故、维护可复现的实验记录。

2026 年趋势摘要

  1. Agentic AI 已经进入招聘关键词：Stanford AI Index 2026 与 Lightcast 数据显示，AI 技能在美国招聘中的出现比例继续上升，其中 Agentic AI 技能簇一年增长超过 280%，约对应 9 万个岗位提及。
  2. 企业关注点从 Demo 变成生产可靠性：LangChain 2026 State of Agent Engineering 把核心问题从“是否构建 Agent”转向“如何可靠、经济、规模化部署 Agent”。
  3. Infra 岗位变热：推理服务不再只是模型 API 包装，而是 GPU 调度、KV cache、批处理、弹性、模型路由、观测、评测、治理的组合工程。
  4. 算法方向从预训练扩展到后训练与推理时计算：DeepSeek-R1、DeepSeek-V3.2、Gemini 3、GPT-5 系列的信息都显示，推理能力、工具使用、长上下文、MoE 和可验证奖励成为模型算法的重要方向。
  5. 安全和评测成为默认能力：Agent 自主调用工具后，权限、审批、审计、沙箱、Prompt 注入防护、LLM-as-judge 回归评测都不再是加分项，而是上线门槛。

建议学习顺序

第 1 步：先完成通用底座

用 4-8 周补齐 Python、API、Git、Linux、LLM API、RAG 和基础评测。不要一开始就追 20 个框架，先能独立做出一个端到端小系统。

第 2 步：选择主岗位深挖

  • 应用导向：先学 Agent 应用开发。
  • 平台导向：先学 AI Infra 与 LLMOps。
  • 研究导向：先学大模型算法。

第 3 步：做一个能面试的作品集

作品集不是“我调过 LangChain”，而是能说明：

  • 解决了什么真实问题。
  • 数据和权限怎么处理。
  • 失败案例怎么收集。
  • 如何评测质量。
  • 如何观测延迟、成本、Token、工具调用。
  • 如何回滚、降级、人工接管。

第 4 步：补交叉能力

Agent 工程师要懂一点 Infra，否则无法控制成本和稳定性。Infra 工程师要懂一点 Agent，否则平台抽象会脱离真实需求。算法工程师要懂一点应用和部署，否则模型改进很难落地。

参考资料与新闻

以下资料均为 2025-07-24 之后发布，或为官方文档在 2026-07-24 访问时的当前版本：

下一步请选择一个主方向开始。不要把三条路线同时作为主线推进，否则容易变成工具收藏而不是岗位能力。

更新日志

2026/7/24 14:06
查看所有更新日志
  • ab787-docs: 更新 2026 AI 学习路径于
  • 026ef-重构AI入门学习路径模块，聚焦大模型Agent应用与算法方向于
  • 84819-新增AI入门学习路径模块，完善AI学习体系于

版权归属：huanghx1995

许可证：署名 4.0 国际 (CC-BY-4.0)