AI职业学习路径指南

面向5大AI核心岗位，基于1452篇系统化AI课程内容，为你量身定制从入门到精通的学习路径。精准定位每篇内容的掌握程度，让学习不再盲目。

5
核心岗位
1,452
篇系统化内容
6
阶段学习路径
4
掌握层级

📊 五大岗位横向对比

基于1452篇课程内容，每个岗位对应不同掌握层级的文章数量与预估学习时间

岗位 ⭐ 精通 📖 理解 👀 浅读 ➖ 可不读 📚 需学习 ⏱️ 总时间
🔬AI算法研究员 137 521 630 164 1288 251h15m
🏗️大模型训练/部署工程师 441 267 586 158 1294 336h5m
⚙️AI应用开发工程师 309 339 652 152 1300 293h35m
📝NLP算法工程师 189 432 572 259 1193 250h10m
👁️计算机视觉工程师 118 243 879 212 1240 193h0m

时间估算标准：精通 ≈ 30min/篇，理解 ≈ 15min/篇，浅读 ≈ 5min/篇。实际时间因个人基础而异。

🔬

AI算法研究员

AI Research Scientist

专注于AI前沿算法研究、模型创新与理论突破。需要深厚数学功底与扎实的机器学习/深度学习理论基础，是推动AI技术边界的中坚力量。

🎯 核心职能
  • 设计并实现新型神经网络架构与训练算法
  • 研究大模型预训练、微调、对齐等核心技术
  • 探索多模态融合、强化学习、图神经网络等前沿方向
  • 发表学术论文，推动AI理论发展
  • 将研究成果转化为可落地的技术方案
💼 典型岗位
算法研究员 · Research Scientist · AI Scientist · 研究型工程师
💰 薪资范围
40-100万/年
资深可达200万+
📊 市场需求
极高（大厂核心岗，供给稀缺）

📊 学习内容画像

共 1452 篇内容，需要学习 1288 篇（89%），预计总学习时间约 251小时15分钟

⭐ 精通
137篇 (9.4%)
≈ 68h30m
📖 理解
521篇 (35.9%)
≈ 130h15m
👀 浅读
630篇 (43.4%)
≈ 52h30m
➖ 可不读：164 篇（11.3%）— 与本岗位相关性较低的内容

🗺️ 学习路径引导

以下是为此岗位量身定制的分阶段学习路径，建议按顺序推进。每个阶段标注了预计耗时和重点内容。

1

第一阶段：数学基础（2-3周）

  • 线性代数（全部精通）
  • 概率论与数理统计（全部精通）
  • 信息论基础（全部精通）
  • 最优化理论（全部精通）
  • 微积分（链式法则、梯度下降精通）
💡 数学是算法研究的语言，建议投入充足时间，配合习题巩固。推荐资源：《线性代数及其应用》Strang、《概率论基础教程》Ross。
2

第二阶段：编程基础 + AI概论（1-2周）

  • Python编程基础（理解即可，快速过）
  • AI发展历程与技术分类（理解）
💡 Python熟练度会极大影响研究效率。重点掌握NumPy/SciPy/PyTorch。
3

第三阶段：机器学习 + 深度学习（4-6周）

  • 机器学习全部章节（精通经典算法）
  • 深度学习：神经网络基础→CNN→RNN→Transformer（精通）
  • 生成模型：GAN、VAE、扩散模型（精通）
  • 强化学习基础（精通）
💡 这是算法研究的核心地基。建议每个算法都亲手实现一遍，理解背后的数学原理。Andrew Ng CS229 + 李宏毅ML是经典资源。
4

第四阶段：大模型原理深入（4-6周）

  • Transformer架构深入（精通注意力机制变体）
  • 预训练方法（精通BERT/GPT范式）
  • 模型架构类型（精通MoE等前沿架构）
  • 大模型微调与对齐（精通RLHF/DPO）
💡 深入研究大模型的核心机制。建议阅读原始论文（Attention Is All You Need, GPT系列, LLaMA等），并尝试复现关键组件。
5

第五阶段：前沿方向探索（持续）

  • 多模态大模型
  • 图神经网络（GNN）
  • 具身智能
  • 推理效率革命
  • Agentic AI
💡 选择一个前沿方向深入，产出论文或技术博客。保持对arXiv的关注，每周精读2-3篇顶会论文。
6

第六阶段：工程素养补充（可选）

  • 分布式训练基础
  • CUDA编程基础
  • MLOps实践
💡 理解工程实现有助于设计可落地的研究方案，但非必须精通。
🏗️

大模型训练/部署工程师

LLM Training Engineer

专注于大模型的训练、微调、压缩与部署。需要深入理解分布式训练、GPU优化、模型量化等工程化技能，是将大模型从实验室推向生产环境的关键角色。

🎯 核心职能
  • 大规模分布式训练系统的搭建与优化
  • 大模型微调（SFT、RLHF、DPO等）全流程
  • 模型量化、剪枝、蒸馏等压缩技术
  • 推理服务部署、性能优化与成本控制
  • 持续预训练与领域适配
💼 典型岗位
大模型训练工程师 · LLM Ops · 推理优化工程师 · 分布式训练工程师
💰 薪资范围
50-120万/年
资深可达180万+
📊 市场需求
极高（2025-2026核心紧缺岗位）

📊 学习内容画像

共 1452 篇内容，需要学习 1294 篇（89%），预计总学习时间约 336小时5分钟

⭐ 精通
441篇 (30.4%)
≈ 220h30m
📖 理解
267篇 (18.4%)
≈ 66h45m
👀 浅读
586篇 (40.4%)
≈ 48h50m
➖ 可不读：158 篇（10.9%）— 与本岗位相关性较低的内容

🗺️ 学习路径引导

以下是为此岗位量身定制的分阶段学习路径，建议按顺序推进。每个阶段标注了预计耗时和重点内容。

1

第一阶段：编程基础 + 数学速通（1-2周）

  • Python编程基础（精通数据处理、脚本编写）
  • 线性代数（理解矩阵运算）
  • 最优化理论（精通梯度下降、Adam等优化器）
💡 快速过编程基础，重点掌握PyTorch和数据处理。数学聚焦优化算法。
2

第二阶段：深度学习核心（2-3周）

  • 神经网络基础（精通）
  • Transformer架构（精通——这是大模型的基石）
  • 正则化与优化技术（精通）
💡 深入理解Transformer的每一层。用PyTorch从零实现一个mini-Transformer。
3

第三阶段：大模型训练全流程（6-8周）⭐核心

  • 数据准备：爬取、清洗、去重、tokenization（精通）
  • 分布式训练：DP/DDP/FSDP/ZeRO/Megatron（精通）
  • 训练优化：混合精度、flash-attention、梯度累积（精通）
  • 预训练实践：超参调优、训练监控、故障恢复（精通）
  • 持续预训练：领域知识注入（精通）
💡 这是大模型工程师最核心的能力区间。建议用开源框架（如LLaMA-Factory、Megatron-LM）实际训练一个小规模模型，理解每个环节。
4

第四阶段：大模型微调与对齐（3-4周）

  • 全参数微调（理解）
  • PEFT/LoRA/QLoRA（精通）
  • 指令微调/SFT（精通）
  • RLHF/DPO对齐（精通）
  • 多任务微调（理解）
💡 掌握主流微调框架（HuggingFace PEFT、LLaMA-Factory）。重点理解LoRA的原理和调参技巧。
5

第五阶段：部署与推理优化（3-4周）

  • 模型量化：INT8/INT4/GGUF/AWQ（精通）
  • 模型压缩：剪枝、蒸馏（理解）
  • 推理优化：KV Cache、Speculative Decoding、vLLM（精通）
  • 推理服务部署：Triton/TGI/vLLM（精通）
  • 边缘部署（理解）
💡 量化是降本增效的关键。建议实际部署一个7B模型，对比不同量化方案的推理速度和显存占用。
6

第六阶段：基础设施 + CUDA（3-4周）

  • GPU计算基础（精通）
  • CUDA编程（精通）
  • 算子融合优化（精通）
  • 性能分析与调优（精通）
  • 算力调度系统（理解）
💡 深入CUDA是区分优秀和卓越大模型工程师的分水岭。推荐《CUDA C Programming Guide》和NVIDIA官方教程。
⚙️

AI应用开发工程师

AI Application Developer

专注于基于大模型的AI应用开发，包括RAG系统、AI Agent、Prompt工程等。需要全栈能力，既能理解模型原理，又能快速构建生产级AI产品。

🎯 核心职能
  • 设计并开发RAG（检索增强生成）系统
  • 构建AI Agent与多智能体协作系统
  • Prompt工程与优化，提升模型输出质量
  • 集成大模型API，开发企业级AI应用
  • AI产品从0到1的全流程交付
💼 典型岗位
AI应用开发工程师 · AI全栈工程师 · AI产品工程师 · Prompt工程师
💰 薪资范围
35-80万/年
资深可达120万+
📊 市场需求
极高（需求量最大，入门门槛相对友好）

📊 学习内容画像

共 1452 篇内容，需要学习 1300 篇（90%），预计总学习时间约 293小时35分钟

⭐ 精通
309篇 (21.3%)
≈ 154h30m
📖 理解
339篇 (23.3%)
≈ 84h45m
👀 浅读
652篇 (44.9%)
≈ 54h20m
➖ 可不读：152 篇（10.5%）— 与本岗位相关性较低的内容

🗺️ 学习路径引导

以下是为此岗位量身定制的分阶段学习路径，建议按顺序推进。每个阶段标注了预计耗时和重点内容。

1

第一阶段：AI全景认知（1周）

  • AI概论全部内容（理解）
  • AI产业生态与职业前景（理解）
💡 快速建立AI知识全景图，理解大模型能做什么、不能做什么。这是做好AI应用的前提。
2

第二阶段：Prompt工程入门（1-2周）

  • Prompt基础（精通）
  • 高级Prompt技术：Few-shot、CoT、角色扮演（精通）
  • Prompt模板设计（精通）
  • Prompt优化与评估（精通）
  • Vibe Coding（精通）
💡 Prompt是AI应用的入口。建议在ChatGPT/Claude中大量实践，建立Prompt直觉。推荐Anthropic的Prompt Engineering Guide。
3

第三阶段：RAG系统开发（3-4周）⭐核心

  • RAG基础原理（精通）
  • 文档处理与索引（精通）
  • 向量数据库：Chroma/Pinecone/Milvus（精通）
  • 检索策略优化（精通）
  • RAG高级技术：HyDE、Re-ranking等（精通）
  • RAG框架实践：LangChain/LlamaIndex（精通）
  • GraphRAG（理解）
💡 RAG是当前AI应用的最主流范式。建议从零搭建一个完整的RAG问答系统（文档→索引→检索→生成→评估），这是面试必考项目。
4

第四阶段：AI Agent开发（3-4周）⭐核心

  • Agent基础概念（精通）
  • Agent架构设计（精通）
  • 工具调用/Function Calling（精通）
  • 多Agent系统（精通）
  • Agent框架实践：LangGraph/CrewAI/AutoGen（精通）
  • Agent评估与优化（精通）
  • MCP协议（精通）
  • A2A协议（理解）
💡 Agent是2025-2026年的核心趋势。建议实现一个多Agent协作系统（如自动化研究助手），理解Agent的规划-执行-反思循环。
5

第五阶段：应用工程化（2-3周）

  • 低代码/无代码AI平台（精通）
  • Spring AI / LangChain4j（按语言选择精通）
  • 实战项目：智能客服 + 知识问答（精通）
  • AI工作流自动化（精通）
💡 将学到的技术整合成完整产品。建议做一个有前端+后端的完整AI应用，部署上线。
6

第六阶段：深度学习补充（2-3周）

  • 大模型原理（理解Transformer架构）
  • 大模型微调基础（理解LoRA微调）
  • NLP基础（理解文本分类、NER等）
💡 补充必要的理论基础，不求深入但要能和技术团队有效沟通。理解微调的概念和适用场景。
📝

NLP算法工程师

NLP Engineer

专注于自然语言处理领域的算法研发与落地，涵盖文本分类、机器翻译、问答系统、对话系统、信息抽取等方向。需要深入理解NLP核心技术栈与最新大模型范式。

🎯 核心职能
  • 文本理解与生成模型的研发与优化
  • 机器翻译、文本摘要、情感分析等NLP任务
  • 对话系统与智能客服的算法设计
  • 知识图谱构建与信息抽取
  • NLP模型的生产部署与持续优化
💼 典型岗位
NLP工程师 · 对话系统工程师 · 知识图谱工程师 · 搜索算法工程师
💰 薪资范围
35-80万/年
资深可达120万+
📊 市场需求
很高（大模型时代NLP需求持续增长）

📊 学习内容画像

共 1452 篇内容，需要学习 1193 篇（82%），预计总学习时间约 250小时10分钟

⭐ 精通
189篇 (13.0%)
≈ 94h30m
📖 理解
432篇 (29.8%)
≈ 108h0m
👀 浅读
572篇 (39.4%)
≈ 47h40m
➖ 可不读：259 篇（17.8%）— 与本岗位相关性较低的内容

🗺️ 学习路径引导

以下是为此岗位量身定制的分阶段学习路径，建议按顺序推进。每个阶段标注了预计耗时和重点内容。

1

第一阶段：数学 + 编程基础（2-3周）

  • 概率论与数理统计（精通）
  • 信息论基础（精通）
  • 线性代数（理解）
  • Python编程基础（精通）
💡 NLP与概率、信息论密不可分。熵、KL散度、贝叶斯是理解NLP模型的基础语言。
2

第二阶段：机器学习基础（2-3周）

  • 机器学习概述（理解）
  • 监督学习（精通分类器）
  • 无监督学习（精通聚类、降维）
  • 特征工程（精通文本特征）
  • 模型评估（精通分类指标）
💡 重点掌握与文本相关的特征工程方法（TF-IDF、词袋等）和评估指标（F1、BLEU、ROUGE等）。
3

第三阶段：深度学习 + NLP基础（4-6周）

  • 神经网络基础（精通）
  • RNN/LSTM/GRU（精通）
  • Transformer + 自注意力（精通）
  • NLP基础：分词、POS、NER、句法分析（精通）
  • 词向量：Word2Vec/GloVe/FastText（精通）
💡 从RNN到Transformer的演进是理解现代NLP的必经之路。建议从零实现一个基于Transformer的文本分类器。
4

第四阶段：NLP核心任务（4-6周）⭐核心

  • 文本分类与情感分析（精通）
  • 机器翻译（精通Encoder-Decoder架构）
  • 问答系统（精通）
  • 对话系统（精通）
  • 信息抽取（精通）
💡 每个任务方向至少完成一个完整项目。推荐使用HuggingFace的Transformers库，这是NLP的工业标准。
5

第五阶段：大模型时代的NLP（4-6周）

  • GPT/Claude/Gemini系列（精通Prompt用法）
  • 大模型微调：LoRA/QLoRA（精通）
  • 指令微调/SFT（精通）
  • RLHF/DPO对齐（理解）
  • RAG技术（精通）
💡 大模型极大改变了NLP工作方式。重点在于如何用大模型解决NLP问题，以及如何为特定领域微调模型。
6

第六阶段：进阶与应用（持续）

  • 多模态NLP（理解）
  • 知识图谱（理解）
  • AI Agent（理解）
  • NLP系统部署（理解）
💡 多模态和Agent是NLP的自然延伸方向。根据岗位需求选择性深入。
👁️

计算机视觉工程师

CV Engineer

专注于计算机视觉领域的算法研发与落地，涵盖图像分类、目标检测、图像分割、人脸识别、视频理解、3D视觉等方向。需要深入理解CNN、ViT等视觉模型架构。

🎯 核心职能
  • 图像分类、目标检测、分割等经典CV任务
  • 视频理解与行为识别
  • 3D视觉、点云处理、NeRF等前沿方向
  • 视觉-语言多模态模型的研发与应用
  • CV模型在边缘设备上的部署与优化
💼 典型岗位
CV工程师 · 视觉算法工程师 · 自动驾驶感知工程师 · AR/VR算法工程师
💰 薪资范围
35-80万/年
资深可达120万+
📊 市场需求
很高（多模态时代CV需求稳定增长）

📊 学习内容画像

共 1452 篇内容，需要学习 1240 篇（85%），预计总学习时间约 193小时0分钟

⭐ 精通
118篇 (8.1%)
≈ 59h0m
📖 理解
243篇 (16.7%)
≈ 60h45m
👀 浅读
879篇 (60.5%)
≈ 73h15m
➖ 可不读：212 篇（14.6%）— 与本岗位相关性较低的内容

🗺️ 学习路径引导

以下是为此岗位量身定制的分阶段学习路径，建议按顺序推进。每个阶段标注了预计耗时和重点内容。

1

第一阶段：数学 + 编程基础（2-3周）

  • 线性代数（精通——CV的数学语言）
  • 最优化理论（理解）
  • Python编程基础（精通）
  • OpenCV等图像处理库（精通）
💡 线性代数在CV中无处不在（变换、投影、特征分解）。推荐《Multiple View Geometry in Computer Vision》作为进阶参考。
2

第二阶段：图像处理 + ML基础（2-3周）

  • 图像处理基础：滤波、边缘检测、变换（精通）
  • 机器学习基础（理解分类和聚类）
  • 特征工程：SIFT/HOG等手工特征（理解）
💡 传统CV方法虽然不再主导，但理解底层图像处理有助于调试模型和设计数据增强策略。
3

第三阶段：深度学习 + CNN（3-4周）⭐核心

  • 神经网络基础（精通）
  • CNN：卷积、池化、感受野（精通）
  • 经典架构：LeNet→AlexNet→VGG→ResNet→EfficientNet（精通）
  • 正则化与优化（精通）
💡 CNN是CV的基石。建议用PyTorch实现ResNet并在CIFAR-100上训练，理解残差连接和BatchNorm的作用。
4

第四阶段：CV核心任务（4-6周）⭐核心

  • 图像分类（精通）
  • 目标检测：R-CNN→YOLO→DETR（精通）
  • 图像分割：FCN→U-Net→Mask R-CNN（精通）
  • 人脸识别（精通）
  • OCR文字识别（精通）
💡 每个任务方向至少完成一个Kaggle竞赛或实际项目。目标检测和分割是面试高频考点。
5

第五阶段：进阶与前沿（4-6周）

  • Video Understanding（理解）
  • 3D视觉：点云、NeRF、3D重建（精通）
  • ViT/视觉Transformer（精通）
  • 多模态：视觉-语言模型（精通）
  • 生成模型：GAN/VAE/扩散模型（理解）
💡 ViT和多模态是CV的前沿方向。推荐学习CLIP、DALL-E、Stable Diffusion等技术，这些正在重塑CV领域。
6

第六阶段：部署与工程化（2-3周）

  • 模型量化/压缩（理解）
  • 边缘部署：TensorRT/ONNX/Core ML（精通）
  • CUDA编程基础（理解）
💡 CV模型经常需要部署到端侧设备。TensorRT优化和模型量化是实用的工程技能。