学习 AI 最容易走进两个极端：一种是一上来啃高等数学和论文，几个月没有任何能运行的东西；另一种是只会调用聊天接口，做出一个演示页面后就以为已经具备 AI 工程能力。真正通向工作的路线在两者之间：用足够的理论解释结果，用足够的工程把结果交付，再用真实项目证明能力。
一、先选目标岗位，不要先买课程
AI 不是一个岗位。常见入口至少分为四类：
| 方向 | 主要工作 | 更看重什么 | 适合的第一项目 |
|---|---|---|---|
| 机器学习工程 | 特征、训练、评估、推理服务 | 数据与模型实验 | 分类或预测服务 |
| CV 工程 | 图像分类、检测、分割、OCR、视频分析 | 图像数据和深度学习 | 缺陷检测或票据识别 |
| NLP/LLM 工程 | 文本分类、抽取、检索、生成、微调 | 语言任务和评测 | 带引用的文档问答 |
| AI 应用/Agent 工程 | 模型 API、RAG、工具调用、工作流 | 软件工程和产品闭环 | 可观测的任务助手 |
零基础且希望较快形成作品集，通常可先走 LLM 应用/Agent；希望研究模型训练，应选择 机器学习—深度学习—CV 或 NLP；已有后端经验的人，不必从头复习所有编程，可直接补数据、模型和评测。
二、七个阶段与通过标准
阶段 0：计算机与命令行准备
安装 Python、编辑器和 Git，学会目录、环境变量、包管理、虚拟环境、命令行与调试。目标不是背语法，而是能从空目录创建项目、安装依赖、读取配置、运行测试并提交 Git。
**通过标准：**独立完成一个读取 CSV、清洗数据并输出报告的命令行程序；README 能让另一台电脑按步骤运行。
阶段 1：Python、SQL 与数据处理
掌握函数、模块、异常、文件、面向对象的基本用法；理解列表、字典、迭代器和类型提示。数据部分学习 NumPy、pandas、Matplotlib；SQL 至少覆盖筛选、聚合、连接、窗口函数和索引常识。
**通过标准：**面对一份陌生表格，能完成缺失值处理、探索分析、可视化和一页结论；能用 SQL 从多表取出训练或分析所需数据。
阶段 2：机器学习基本闭环
理解监督学习、无监督学习、训练集/验证集/测试集、交叉验证、过拟合、特征泄漏和类别不平衡。先学线性模型、树模型和聚类，不要急着从 Transformer 开始。
**通过标准：**建立一个朴素基线，说明选择指标的理由，保存数据切分、模型参数和错误样本；能够解释“为什么离线分数高但线上没用”。
阶段 3：深度学习与 Transformer
学习张量、自动求导、损失函数、优化器、训练循环、正则化、批归一化和注意力。数学重点是向量矩阵、概率统计、导数与梯度，不要求先完成整套数学专业课程。
**通过标准：**用 PyTorch 写出训练、验证、保存和加载流程；能看懂输入形状、损失曲线和主要错误，不把一次跑通当成有效模型。
阶段 4：选择一个主方向
CV 学图像增强、CNN、迁移学习、检测和分割；NLP/LLM 学分词、Embedding、Transformer、检索、生成和微调；Agent 学结构化输出、工具调用、状态、权限和工作流。主方向至少投入 60% 时间，其他方向保持概念认知即可。
**通过标准：**完成一个包含数据、基线、评测、服务接口和演示的方向项目，并能讲清选择模型的依据。
阶段 5：生产工程
学习 HTTP/API、FastAPI 或同类框架、数据库、缓存、Docker、日志、测试、部署、鉴权和成本控制。AI 系统还要记录数据版本、模型或 Prompt 版本、延迟、失败率、引用正确率与人工反馈。
**通过标准：**项目可以在线访问，有健康检查、错误处理、限流或重试、日志与回滚说明；密钥不进入前端和 Git。
阶段 6：作品集与求职
作品集不以数量取胜。三个项目足够：一个数据/模型基础项目、一个方向核心项目、一个生产级综合项目。每个项目都要有问题定义、基线、架构图、评测、失败样本、运行方式和下一步。
**通过标准：**能在 10 分钟内从业务问题讲到技术方案、结果、失败和权衡；招聘者能在 5 分钟内从 README 找到在线演示、代码结构和指标。
三、36 周完整学习周期
下面以每周 10–15 小时为基准设计。它不是“36 周成为大神”的承诺，而是一条从完全小白走到具备初级岗位作品证据的主线。每周时间少于 8 小时，可把每一周拆成两周；已有开发经验可以通过阶段测试后跳过对应内容。
| 周期 | 学习内容 | 每阶段交付物 | 不通过怎么办 |
|---|---|---|---|
| 第 1–2 周 | 环境、命令行、Git、Python 基础语法 | 3 个命令行小工具 | 不会独立重建就再练 1 周 |
| 第 3–4 周 | 函数、模块、异常、测试、HTTP/API | API 数据采集器 | 补路径、调试和错误处理 |
| 第 5–6 周 | SQL、NumPy、pandas、可视化 | 数据分析报告 | 重新核对数据口径与 SQL |
| 第 7–8 周 | 工程整理与基础综合项目 | 可复现的数据项目 | 从新目录重跑并修 README |
| 第 9–11 周 | 数学够用、监督学习、基线与指标 | 分类或回归基线 | 回到数据切分与指标选择 |
| 第 12–14 周 | 树模型、特征、交叉验证、错误分析 | 三轮可比较实验 | 排查泄漏与无效调参 |
| 第 15–16 周 | PyTorch、训练循环、CNN/Embedding | 可保存的深度学习模型 | 手写最小训练循环 |
| 第 17–18 周 | 注意力、Transformer、迁移学习 | 预训练模型任务 | 解释输入、损失与失败样本 |
| 第 19–20 周 | CV、NLP、LLM、Agent 小实验 | 四选一方向决策记录 | 只选最愿意持续调试的方向 |
| 第 21–24 周 | 主方向核心任务 | 方向项目 v1 | 与简单基线比较，不盲目加模型 |
| 第 25–28 周 | API、数据库、Docker、评测、监控 | 生产化项目 v2 | 先补测试、日志和权限 |
| 第 29–31 周 | 综合项目、在线演示、README | 作品集主项目 | 删除无法复现的“功能展示” |
| 第 32–34 周 | 简历、项目表达、基础面试 | 一页简历与三档项目讲解 | 根据真实追问补证据 |
| 第 35–36 周 | 定向投递、模拟面试、缺口复盘 | 求职看板与改进清单 | 只修复重复出现的缺口 |
每周固定节奏
- 周一：阅读官方材料，写出本周必须回答的 3 个问题；
- 周二：跟做最小示例，但必须改输入、参数或数据；
- 周三：不看教程重新实现，并记录报错；
- 周四、周五：把知识加入阶段项目；
- 周六：运行测试、整理指标和失败样本；
- 周日：写一页复盘，决定继续、补课或删减。
每周至少产生一次可见提交。没有代码、数据、评测或文档产物的一周，只能算接触过内容，不能算完成学习。
四、时间怎么安排
不要承诺“三个月精通”。更可靠的方法是按可投入时间规划：
| 每周投入 | 建议节奏 | 重点 |
|---|---|---|
| 5–8 小时 | 9–15 个月 | 每次只推进一个主项目 |
| 10–15 小时 | 6–10 个月 | 学习与项目各占一半 |
| 20 小时以上 | 4–7 个月 | 增加代码复盘和模拟面试 |
时间只是参考。已有开发经验可压缩前两阶段；完全零基础则应给调试、英文文档和操作系统留出余量。
五、正确的学习循环
每周只循环四件事：学习一个概念、写出最小实验、把它放进项目、记录证据。观看课程不等于掌握；能在没有视频提示时重建代码、解释错误并调整方案，才算进入长期能力。
建议使用 30/50/20 配比：30% 学概念，50% 写项目，20% 复盘、写文档和面试表达。每四周删除一次无效清单，只保留仍服务于目标岗位的内容。
六、从入门到高级还差什么
36 周的终点是“能竞争初级岗位”，不是专家。成为高级工程师通常还需要 1–3 年真实项目反馈：处理脏数据、线上故障、跨团队协作、性能与成本约束，并对错误结果负责。如果希望向研究或技术负责人继续发展，可在后续 6–18 个月增加四条长期训练：
- 每月复现一篇与你主方向相关的论文或技术报告；
- 维护一个持续有用户反馈的开源或真实业务项目；
- 主导一次从数据定义、离线评测到灰度上线的完整迭代；
- 通过技术写作、代码评审或带新人检验自己能否解释和迁移知识。
真正的“大神”不是知道最多名词，而是能在信息不完整时建立基线、找到证据、控制风险，并稳定交付。
七、专题阅读顺序
接下来依次阅读工程公共基础、机器学习与深度学习、CV、NLP、LLM 与 Agent 方向选择、LLM 应用与生产化和作品集与求职。如果已经是开发者，可以直接从机器学习闭环开始，但不要跳过评测和生产工程。