AI工程师职业规划：先定方向再补技能栈
AI工程师职业规划最容易走偏的地方，是一上来就报课学框架。
更有效的做法是先判断自己要走哪条岗位线，再倒推需要补的技能和项目。
本文按“定方向—补技能—做验证”的顺序给出可执行清单，适合零基础转岗或刚入行的读者，也适合已经会写代码但方向不清晰的人。
先判断岗位方向，再决定学什么
AI工程师不是单一岗位，不同方向对技能的要求差别很大。
可以先按下面三类做初步判断：
- 算法方向：关注模型训练、微调、评估指标。需要较强的数学和 Python 基础，项目里能说清数据集、训练配置和指标变化。
- 应用开发方向：把模型能力接进业务系统，关注 API 调用、提示词设计、检索增强、服务部署。需要工程能力和业务理解。
- 平台运维方向：负责 GPU 资源、推理服务、监控告警和成本控制。需要 Linux、容器、监控和排错经验。
判断方法很简单：打开招聘网站，搜“AI工程师”，把前 20 条岗位描述里的高频动词记下来。
如果反复出现“训练、微调、评估”，偏算法；
反复出现“接口、部署、业务集成”，偏应用；
反复出现“GPU、集群、监控”，偏平台。
按岗位要求补齐技能栈
方向定了之后，不要把所有课程都学一遍。
把岗位描述拆成三列：必须会、加分项、可以入职后学。
只优先补“必须会”的部分。
以应用开发方向为例，一个可执行的补齐顺序是：
- 先能独立调用模型 API，完成一个带错误处理和超时重试的小脚本。
- 再补检索增强的基本流程：文档切分、向量化、召回、拼装提示词。
- 最后把服务用 Docker 跑起来，暴露一个 HTTP 接口，并加上日志。
平台运维方向则优先补：
- Linux 常用排错命令，如
top、nvidia-smi、df -h、journalctl -u 服务名。 - 容器基础：能写 Dockerfile，能用
docker logs和docker stats定位问题。 - 监控思路：至少能说清一个推理服务从请求到返回，哪些环节可能超时。
算法方向不要只刷题，要能完整跑通一次微调流程，记录训练参数、显存占用和评估结果。
用一个小项目验证能力
职业规划里最容易被忽略的是验证环节。
学完不等于能讲清楚。
建议做一个能在十分钟内演示完的小项目，并留下可检查的记录：
- 项目 README 写清目标、运行命令和依赖版本。
- 保留一次失败记录：报了什么错、怎么定位、最后怎么解决。
- 准备一张指标或日志截图，说明改动前后的差别。
面试时，招聘方更关心你遇到问题时的排查路径，而不是你列了多少工具。
项目不需要大，但要能经得起追问。
常见坑与避坑说明
- 只学框架不碰部署：本地跑通和线上可用是两回事，至少要把服务用容器跑起来一次。
- 简历堆技能词：写“熟悉 PyTorch、LangChain、RAG”不如写“用检索增强把某类问题的回答准确率从多少提升到多少”，前提是数字真实可查。
- 忽略成本意识：平台和应用方向都要能说清一次请求大概消耗多少资源，否则很难通过工程岗面试。
- 方向频繁切换：三个月换一个方向，项目都停在入门阶段，反而不如把一个方向做深。
怎么确认规划有效
给自己设一个可检查的节点：两周内能否用一句话说清目标岗位的日常工作和核心指标；
一个月内能否独立完成一个可运行的小项目并讲清排错过程。
如果做不到，说明方向或技能清单需要收窄，而不是继续加课。
AI工程师职业规划说到底是一个收窄过程：先选方向，再按岗位要求补最少必要的技能，最后用项目把能力变成可验证的证据。
按这个顺序走，比盲目追新工具更稳。
