角色路线选择：按目标学习 AI 全栈

本节定位

同一套课程，不同学习目标的读法不一样。新人可以按 1～9 站顺序通关；有明确职业目标的人，可以围绕目标角色调整精读和快读范围。

这一页不是让你跳过基础，而是帮你判断：哪些内容必须掌握，哪些内容可以先知道位置，哪些项目最适合作为作品集。

AI 应用工程师的核心能力是把模型接入真实产品：能写后端接口，能调用模型，能处理文档和用户输入，能加日志、评估和部署说明。

建议精读第 1、2、3、7、8、9 站，快速浏览第 4～6 站但不要完全跳过。因为即使你不训练模型，也需要理解数据、评估、向量、Embedding、模型成本和失败分析。

代表作品可以是一个带登录或简单前端的课程问答助手，支持文件上传、RAG 检索、引用展示、日志记录和基础评估。

RAG 工程师的核心能力是把外部知识稳定接入大模型。你需要理解文档解析、切分、Embedding、向量数据库、Hybrid Search、Reranking、Query Rewrite、GraphRAG、Multimodal RAG 和 RAGOps。

建议精读第 2、3、5、7、8 站，并在第 9 站补 Agentic RAG。第 12 站的多模态部分也值得学习，因为真实知识库常常包含 PDF、表格、图片和截图。

代表作品可以是一个带评估集的企业知识库 Demo：能展示检索片段、来源引用、召回质量、答案忠实度、失败样本和优化记录。

Agent 开发者的核心能力不是“让模型自己想”，而是设计可控的任务执行系统。你需要理解 Prompt、工具调用、MCP、任务规划、记忆、工作流、多 Agent、评估、安全、部署和 AgentOps。

建议精读第 7、8、9 站，同时回看第 2 站的 Python 工程能力和第 3 站的数据处理能力。Agent 经常需要调用代码、数据库、文件、搜索、RAG 和外部 API，所以基础工程能力非常重要。

代表作品可以是一个研究助理 Agent：能拆解问题、检索资料、调用工具、生成报告、记录执行轨迹，并在高风险步骤请求人工确认。

模型工程方向更关注模型内部机制、训练、微调、推理优化和部署。你需要更深入理解数学、机器学习、深度学习、Transformer、微调、LoRA / QLoRA、量化、蒸馏、小模型和混合部署。

建议精读第 4、5、6、7 站，再进入第 8 站的模型部署章节。第 10～12 站可以按兴趣选择视觉、多模态或生成方向。

代表作品可以是一个模型对比实验：比较不同模型、不同量化方式、不同 Prompt 或微调方案在效果、延迟、成本上的差异，并写出实验报告。

作品集路线最重要的是持续产出，而不是把所有章节都读到最深。每个阶段都要留下一个能运行、能截图、能解释、能写进 README 的项目。

建议按路线一从 1 到 9 走，同时使用“贯穿项目：AI 学习助手成长路线”来串联成果。第 10～12 站选择一个方向做毕业项目即可，不需要所有方向都做深。

代表作品集可以包含：Python 小工具、数据分析报告、机器学习 baseline、深度学习实验、Prompt 助手、RAG 知识库、Agent 自动化助手和一个完整 AI 应用部署说明。

如果你还不确定目标，先按 AI 应用工程师路线走。它覆盖面最稳，也最容易做出项目。等你在学习中发现自己更喜欢知识库、Agent、模型训练或多模态创作，再切换到对应路线深入。

无论选择哪条路线，都不要只收集工具名。每学一个技术，都要能回答：它解决什么问题，什么时候不用它，最小项目怎么做，如何评估，如何写进作品集。