「从零到 AI 应用工程师」专栏 · 第 1 篇
先说结论。
我要用业余时间，大约 4 个月，从零做出 3 个能跑、能演示、能写进简历的 AI 应用项目——不是跟着教程敲一个聊天机器人就完事，而是：
- 一个能对话、有记忆、能上线的后端服务；
- 一个能读懂专业资料、并给出带出处答案的知识库问答（RAG）；
- 一个会查资料、会调工具、一步步诊断问题的 AI Agent；
- 最后把它们真正部署出去：有监控、有成本控制、有一个能打开的公网地址。
（若再加一个月整理简历、面试题，整段旅程大约四到五个月——但交付物卡在第 4 个月：三个项目能演示、能上线。）
这个专栏不是「边学边现写凑满日历」，而是把做过的过程脱敏后按篇连载：默认 两到三天一篇，主线发完再用答疑和踩坑续更。忙就放慢，不注水。
从今天开始。
一、我是谁，为什么要干这件事
我是一个再普通不过的开发者。非算法出身，平时工作跟硬件、物联网打交道——写业务代码、修 bug、赶版本，日子过得去，但心里一直有根刺。
这两年，「AI」三个字砸得所有人睁不开眼。开会必谈大模型，招聘 JD 里「熟悉 RAG / Agent」越来越多，而我除了会开 ChatGPT 网页版，说不上真正做过什么。
焦虑过，也试过。收藏夹里躺着几十个「30 天精通大模型」的教程，B 站收藏列表长得能拉一屏，真正跑通、留下东西的——几乎没有。
后来想明白了，原因就三条：
- 贪多：又想学微调，又想学多模态，又想搞分布式，结果什么都没落地；
- 没产出：只看不做，看完就忘，简历上一个字都写不出来；
- 闷头学：没有反馈，坚持不下去。
所以这次换了玩法：做减法，逼自己交付，公开写出来。
二、我刻意「不学」什么
这点我想放在很前面——它决定了这条路能不能走完。
普通开发者转 AI，最大的坑是把自己当算法工程师，一头扎进：
- 大模型预训练 / 微调 / LoRA
- 论文复现、CUDA 调优
- 从零手写 Transformer
这些当然有价值。但对一个想做「AI 应用」的人来说，投入产出比极低，而且大概率半路劝退。
我的定位很清楚：AI 应用工程师——不训练模型，而是把已有的大模型能力，工程化地做成能用的产品。
所以明确划掉这些：
- 大模型微调 / LoRA / 预训练
- 前端全栈（够用即可，不深挖）
- 电商级分布式、海量并发那一套
- 算法岗的刷题与训练内容
省下来的时间，全砸在一件事上：让 AI 真正落地成一个服务。
三、我要做的 3 个项目
先说清楚：涉及工作的一切内容都会脱敏。文章里的「资料」「设备」「故障」全是脱敏后的样例，只讲通用技术，不涉及任何具体公司或产品。
项目一：一个正经的对话后端
不是网页 demo，而是一个后端服务：
- FastAPI 提供对话接口，对接大模型 API；
- 分层架构：路由、业务、数据分开，不是一锅粥；
- 统一异常、统一响应格式；
- PostgreSQL 存对话历史，Redis 给重复问题做缓存（省钱）；
- 一条
docker compose up，全部跑起来。
它要教会我的：把「调个 API」变成「一个能维护、能上线的服务」。
项目二：能读懂资料的知识库问答（RAG）
这是我最想做、也是市面上最热的一块。
设想一个场景：你有一批专业手册、故障码表、历史工单（我用的是脱敏样例），想让 AI 基于这些资料回答问题——不许瞎编，还要给出处。
这就是 RAG（检索增强生成）。我会一步步做出来：
- 文档解析 → 分块 → 向量化 → 存进向量库；
- 提问时先检索相关片段，再让大模型基于片段回答；
- 答案带引用标注【1】【2】，能溯源；
- 没有依据就拒答，而不是一本正经胡说八道；
- 最后用一套评估题，量化它到底准不准。
它要教会我的：让大模型「说人话」的同时「说真话」。
项目三：会用工具的诊断 Agent
如果说 RAG 是「会查资料的问答」，Agent 就是「会自己动手的助手」。
我会做一个故障诊断的演示 Agent：
- 用状态机把「分类 → 查故障码 → 检索根因 → 给出建议」串成流程；
- 把上面的 RAG 变成它的一个工具来调用；
- 工具失败会重试、会超时降级，不会卡死；
- 输出固定结构（根因 + 步骤 + 风险）；
- 每一步都有日志，能追溯它为什么这么判断。
它要教会我的：从「问答」跨到「自动化决策」。
收尾：真正搞上线
最后一个月做工程化：鉴权、限流、网关、结构化日志、简易监控、token 成本熔断、轻量压测、上云、HTTPS……
最终交付：一个能打开的公网地址，和一页纸的性能 / 成本报告。
四、我的节奏：40 / 70 / 10
我不是全职学习，是工作之余挤时间。所以定了一个能长期执行的日结构：
- 40 分钟：学理论——一个概念、一段文档；
- 70 分钟：写代码——当天必须有可运行的产出；
- 10 分钟：复盘——记一句今天学到什么、明天干什么。
每周硬性交付三样：
- 一个能演示的功能；
- 一篇笔记；
- 一段 5 分钟录屏，讲清楚自己做了什么。
「每天必须有可运行的产出」——这是我这次跟以往最大的不同。看一百个教程，不如自己跑通一个接口。
五、这个专栏会写什么
就写这条学习主线的真实过程，按模块连载，大致路线：
- 对话后端篇：FastAPI、分层、异常处理、数据库、缓存、Docker；
- RAG 篇（重点）：解析、分块、向量检索、全链路、拒答、重排、评估、省钱；
- Agent 篇：工具调用、状态机、结构化输出、重试降级、链路追踪；
- 上线篇：鉴权限流、网关、日志监控、压测、上云、HTTPS、成本；
- 复盘与求职篇（可选加长）：踩过的坑、怎么把项目写进简历。
更新节奏说清楚：主线大约三十多篇，按两到三天一篇，大约两三个月发完主干；不是硬撑「五个月每天赶稿」。质量优先，日历第二。
我会尽量做到手把手能复现：每篇有概念、有代码、有踩坑、有验证方法。不灌鸡汤，不堆名词，能跑通的才写。
如果你也是：
- 想转 AI 应用开发，但不知从哪下手的开发者；
- 收藏了一堆教程、却没落地过的「收藏家」；
- 想有人陪着一起坚持的自学党——
那这个专栏就是写给你的。
六、哪怕你今天就走，带走这三条
- 转 AI 应用，别一上来学微调。 目标是「把大模型工程化成产品」，不是「造大模型」。
- 做减法比贪多重要。 明确「不学什么」，比列一堆「要学什么」更能让你走到终点。
- 公开逼自己交付。 每天一个可运行产出 + 公开记录，是普通人对抗三分钟热度最有效的武器。
下一篇，正式动手：用 FastAPI + 大模型 API，跑通第一个对话后端，从 0 到能 curl 通。
这是专栏第 1 篇，接下来两到三天一更，长期连载。如果对你有用，点个关注——一起把三个项目做完、讲清楚。
评论区聊聊：你现在卡在转型的哪一步？我会挑高频问题，融进后面的文章里。
