2026年AI工程发展路线图：从Python到智能体与LLMOps技术。

为何大多数人工智能发展路线图显得过时

“如何成为一名人工智能工程师？”这是不断来自新手以及希望转行从事人工智能工作的开发人员的问题。市面上有大量发展路线图PDF，其中很多是在智能体、MCP和上下文工程还未成为热门话题时编写的。如今，就连刚入行的新人也被期望了解一些RAG的相关知识，这让人难以确定从何处开始学习。经验丰富的开发人员也会感到困惑，因为每个新阶段都需要在他们现有的工作经验和系统设计知识基础上进一步构建。

以下是一系列阶段划分，而非教学大纲。相关主题会与学习资源及项目结合呈现，这样初学者可以从头开始学习，而有经验的工程师则可以利用这些内容弥补知识缺口或提升技能。网上很多人工智能发展路线图其实都是2019年的机器学习路线图，仅在末尾添加了关于大语言模型的章节。这对初学者或许足够，但有经验的工程师需要更多内容。

仅仅两年时间，这个职位的职责就已经发生了很大变化。到2026年，人工智能工程师需要承担以前该职位并不包含的工作，而这些工作可能是行业内现有从业者已经见识过的。

是否有人会担心人工智能会抢走技术岗位？只要他们能与时俱进，就不必担心。

两年前还不存在名为“提示工程”的职位，但如今围绕这一领域的岗位已多达数个。那些打算花数月时间学习相关内容的人，应该获得反映当前企业招聘需求的路线图，而非过时的资料。

第一阶段：Python与工程基础

不必急于追求各种工具，先打好工程基础。已经熟练掌握Python的人可以直接学习Git、虚拟环境及调试技巧。

这才是人工智能领域中 Python 真正开始使用的阶段。几个月的时间里仅仅观看教程所学到的远远少于实际动手实现所能获得的知识，而当你通过编写代码来练习数据结构与算法时，清晰的思维方式便会逐渐形成。因此，先熟练掌握基础 Python 语言，或是你喜欢的另一种编程语言。如果对你来说更简单，C++ 也可以用于学习数据结构与算法，不过之后你很可能仍需要转而使用 Python。只有熟练掌握 Python，才能避免那些专为人工智能设计的库显得像一种陌生语言。

请熟悉以下内容：

• 列表、字典和集合等数据结构
• 函数与类
• 列表推导式和字典推导式
• 生成器与装饰器，它们在各种人工智能框架中随处可见

对于学习资料，哈佛大学的CS50 Python课程这类大学入门课程或长时间的初学者训练营都很合适。尽量少花时间挑选，先从其中一个开始即可。一旦掌握了基础知识，就可以在LeetCode这样的练习平台上开始做数据结构与算法题目。

此外还有与这门语言相关的工具：

• 环境管理：venv、pip，以及越来越常用的uv。忽略这些工具会导致数小时的依赖冲突问题。
• Git与GitHub：分支管理、提交操作、拉取请求以及合并冲突解决。其实无需刻意记忆，边用边学就能养成习惯。
• 文件与数据：处理JSON、CSV和纯文本格式的文件，因为大多数真实数据在变成结构化数据表之前都是这种形式。
• 终端操作：基本的bash命令，包括在目录间切换以及命令的管道连接。

调试：在将错误信息粘贴到聊天机器人之前先阅读它，并使用编辑器中的工具，如VS Code的断点功能。打印语句依然非常有用。

许多初学者会犯的一个错误是认为这一阶段只需观看教程直到理解为止。但仅靠观看是无法理解的，只有通过动手输入代码、解决问题并反复练习才能掌握。

上面的链接指向一个提供Python初学者项目创意的网站。一个不错的第一个项目可以是BMI计算器、数独或井字棋这类简单程序，之后再尝试处理真实数据或解决实际问题的项目，例如：

• 一个从公共API获取数据、对其进行处理并保存到结构化文件中的命令行工具
• 一个能够解析个人银行对账单CSV文件或费用分摊导出文件，并将支出按类别分类的脚本
• 用于获取你个人感兴趣的数据集的抓取工具及清洗工具

输出并非最终目标。真正的价值在于克服那些繁琐的问题：损坏的记录、偏移错误，以及脚本运行过程中响应格式发生变化的API。

第二阶段：数学、数据工具与首个模型

无论这一阶段涉及哪些数学知识，都试着用代码实现它们。这样你就能知道该使用哪些库以及何时使用。

人们对AI中的数学的恐惧其实超过了应有的程度。刚开始并不需要掌握全部线性代数知识，只需了解其中一小部分特定内容，之后还可以再逐步扩展。

线性代数

• 向量、矩阵和张量，以及它们相乘在几何上的意义
• 点积、矩阵乘法与特征值，这些概念在注意力机制和嵌入模型中会再次出现

配有插图的可视化课程非常适合喜欢这种学习方式的人。

微积分

大多数人上学时都学过这门课程，因此以下内容主要是复习性质。

• 预备微积分、微分学、积分学及多元微积分
• 导数，尤其是梯度的概念

概率与统计

• 概率分布、均值与方差以及条件概率
• 模型输出、不确定性及评估指标都是用这种语言来表达的

优化

• 梯度下降法、学习率与损失函数，以及让错误逐渐减少的机制

不要给自己太大压力，也无需过于深入。通过解答数独谜题，再将概率知识应用到其中，是让那些讨厌数学的人产生敬畏之心的一种方法。

上图展示了每项数学知识在何处发挥作用。

数据处理工具

• 学习 Pandas 和 NumPy 以进行数据操作与分析。
• 选择 Matplotlib 或 Seaborn 等可视化库，建议从较简单的 Matplotlib 开始学习。

优秀的可视化能力能帮助你以更广阔的视角看待数据并借助其讲述故事，因此请寻找能很好教授这一技能的资料。

实践：从零构建线性回归模型

在整份学习路线图中，这项练习的收获最大，却常常因为显得过于基础而被跳过。请不要这样做。

import numpy as np
class LinearRegressionScratch:
    def __init__(self, learning_rate=0.01, n_iterations=1000):
        self.learning_rate = learning_rate
        self.n_iterations = n_iterations
        self.weights = None
        self.bias = None
    def fit(self, X, y):
        n_samples, n_features = X.shape
        self.weights = np.zeros(n_features)
        self.bias = 0
        for _ in range(self.n_iterations):
            y_pred = np.dot(X, self.weights) + self.bias
            # Gradients
            dw = (1 / n_samples) * np.dot(X.T, (y_pred - y))
            db = (1 / n_samples) * np.sum(y_pred - y)
            # Update
            self.weights -= self.learning_rate * dw
            self.bias -= self.learning_rate * db
    def predict(self, X):
        return np.dot(X, self.weights) + self.bias

当模型运行并给出预测结果时，用相同的数据运行 sklearn.linear_model.LinearRegression 并进行比较。一旦两者结果大致一致，你就能够亲身体会到日后使用的每个模型内部的实际运作过程。养成对遇到的每种技术背后的算法都重新实现一遍的习惯。虽然库能让工作更轻松，但算法及其背后的数学原理依然值得重视。

第三阶段：传统机器学习

在接触神经网络之前，先学习传统方法，因为大量现实世界的机器学习问题仍可通过传统方法以更高效、更低成本的方式解决。其目的是理解为何会选择某种技术而非另一种，以及它是如何解决问题的。

核心主题

• 监督学习：回归分析、分类任务、决策树、随机森林，以及使用XGBoost或LightGBM实现的梯度提升算法。
• 无监督学习：基于k-means的聚类算法以及基于PCA的降维技术。
• 模型评估：训练集/测试集划分、交叉验证，以及精确度、召回率、F1值和ROC-AUC等指标，同时了解针对特定业务问题哪些指标最为重要。
• 特征工程——这是区分优秀模型与普通模型的关键技能。
• 熟练掌握scikit-learn，包括管道构建、数据预处理和模型选择等内容。

有一门适合初学者的互动式在线课程能够很好地讲解基础知识，如果需要更深入的内容，还可以选择时长更长的Udemy风格课程。任何涵盖前期概念的学习资源都是合适的。

作品集项目1：客户流失预测

几乎每个人都会做这个项目，而且理由很充分：它完整展示了混乱的表格数据、类别不平衡问题、特征工程，以及与业务相关的模型比较与评估的全过程。在这里，假阴性意味着客户流失了。

一个完善的版本应包含：

• 明确说明为何选择特定的评估指标，因为对于客户流失问题而言，准确率几乎总不是正确答案
• 至少比较两个模型，而非仅仅因为“XGBoost很流行”就选用它
• 通过SHAP值、混淆矩阵或特征重要性等手段提升可解释性，从而使模型的预测结果有据可依

项目组合中的第二个项目：推荐系统

从相似性的角度思考是这个项目的核心要点，嵌入模型与RAG技术也将反复运用这一理念。试着构建一个基于内容或协同过滤的电影、书籍或产品推荐系统。要理解物品可以转化为向量，且它们之间的距离是可以测量的，因为第五阶段会再次用到同样的概念。

完成这两个项目后，还有更多项目想法值得探索。

第四阶段：深度学习

在这一阶段，你将判断深度学习是否适合自己。许多自学者及在职工程师要么在这个阶段被该领域吸引，要么在掌握基础后就放弃。在做出决定之前，建议先认真尝试一下。

核心主题

• 神经网络基础：层结构、激活函数以及前向传播和反向传播过程。
• 训练动态：过拟合、正则化、丢弃机制与批量归一化。
• 优化器：SGD与Adam，以及为何在实际应用中选择它们很重要。
• GPU：无需深入理论，只需了解为何运行含有数十亿参数的模型时机器会发热即可。

生动有趣的可视化教学方式能让这些内容更易理解，因此请寻找采用此类教学方法的课程。

PyTorch还是TensorFlow？

初学者总是会问这个问题，简短的答案是PyTorch。在2026年，它已成为研究领域的默认选择，大多数现代开源模型也都采用它，同时广泛应用于各类生产级人工智能工程中。TensorFlow仍有存在空间，主要体现在某些企业环境中以及通过TensorFlow Lite在移动端的应用，但若只能使用一种框架，那就应该深入学习PyTorch。Hugging Face的模型、智能体框架以及你将会看到的绝大多数研究代码都基于它。

NLP、计算机视觉与变换器

这三者都需要具备基本的操作能力：

• NLP基础：分词、嵌入向量以及序列模型。
• 计算机视觉基础：卷积神经网络、图像预处理以及迁移学习。
• 变换器架构：注意力机制与自注意力机制，以及为何正是这种设计让当今所有的大型语言模型得以存在。

我真正理解了Transformer中注意力机制的运作方式，因为第五阶段的所有内容都是建立在其之上的。下图取自Kaggle上的讨论，提供了一种可视化理解的方法。

作品集项目3：情感分析

在情感分类数据集上对预训练的Transformer模型进行微调。经过简化的BERT变体是一个经济实惠的良好起点。该项目以简化形式展示了完整的现代微调工作流程：加载预训练模型、正确地对数据进行分词、在此基础上进行微调并评估结果，这与开发团队在更大规模项目中采用的工作流程完全相同。

作品集项目4：会议转录工具

构建一个端到端的处理流程，输入音频，输出文字转录结果及摘要。该流程结合了语音转文字功能——其中Whisper显然是最佳选择——以及LLM摘要生成步骤。这样便形成了第一个真正的AI应用，而不仅仅是一个模型，而且还是一个日后可以持续使用的工具。

第五阶段：AI工程师

迄今为止的所有准备工作都是为了进入这一阶段，而真正的AI工程实践也正是从这里开始。那些准备从事机器学习相关岗位的人会发现，他们的路径会在此分岔，因为前几个阶段是AI与机器学习路径以及新手与资深开发人员都需经历的。

上下文工程

上下文工程是2026年取代提示工程的技术。提示工程师负责决定在提示语中应使用哪些词汇，而上下文工程师则着眼于模型为顺利完成任务需要在其处理窗口中具备的完整信息集——这些信息可能包括检索到的文档、工具输出、对话历史、系统指令或内存——以及如何对这些信息进行结构化处理和优先级排序。简而言之，这就是以系统思维来处理问题。

核心概念：

• 判断哪些内容属于有效上下文，哪些是会稀释有效信息的冗余内容
• 通过排序、格式化和压缩等方式对上下文进行结构化处理，以便模型能够有效利用
• 合理规划上下文窗口的大小，因为标记数量并非无限，为了保险起见而塞入所有信息往往会导致输出质量下降

结构化输出，即大语言模型以JSON或Pydantic等预定义格式回应，而非自由文本形式，这能让应用更加可靠，也便于后续集成。

检索增强生成（RAG）

RAG是一种让大语言模型能够基于其训练时未曾接触过的信息来回答问题的技术。

• 分块：简单的固定大小分块与语义分块，以及为何这一选择会无形中限制检索质量。
• 嵌入与向量数据库：文本如何转化为向量，以及Pinecone、Weaviate、Chroma或pgvector等用于存储和检索向量的工具。
• 检索：相似度搜索、结合关键词匹配与语义匹配的混合搜索，以及重新排序机制。
• 技术方法：在检索前通过查询重写优化用户问题，采用代理式RAG让代理循环规划并检索信息，以及利用知识图谱捕捉实体间关系的图结构RAG。
• 评估方式：不仅考察最终答案是否合理，还通过上下文精确度与召回率等指标来衡量检索质量及幻觉现象。

值得学习专门的RAG课程，之后再学习相关策略资料。一个有趣的项目是利用RAG处理个人日记。

模型上下文协议（MCP）

MCP为大型语言模型应用提供了一种标准方式来访问外部工具和数据，这样团队就无需为代理使用的每个工具都编写自定义集成代码。当ChatGPT或Claude向Canva、Notion或其他外部工具写入内容或从中读取数据时，通常都是由MCP来处理这一过程的。

• 了解MCP客户端与服务器模型。
• 将现有的MCP服务器与您构建的智能体连接起来。
• 为尚未配备MCP服务器的工具构建最简单的自定义MCP服务器。

AI智能体

智能体是一种系统，其中的LLM会针对目标进行推理、选择工具、执行操作、观察结果并循环往复，而非像聊天机器人那样给出固定答案。

• 采用ReAct风格的规划、执行、观察和重复的推理循环。
• 工具使用与函数调用：模型如何决定何时调用何种功能。
• 记忆机制，分为会话内的短期记忆和跨会话的长期记忆。
• 约束机制，用于防止智能体做出具有破坏性、成本过高或错误的操作。

在采用 LangChain 或 LangGraph 等框架之前，先直接基于原始 API 调用编写至少一个智能体。这样做能让你了解框架实际为你完成了哪些工作，而不仅仅是其 API 接口的功能。概念比框架更为重要，但仍然有必要了解 OpenAI Agents SDK、LangGraph、CrewAI、Google ADK、Agno、AutoGen 和 Smolagents 等现代方案，看看它们各自是如何构建生产级智能体系统的。

多智能体系统

多智能体系统会将复杂任务分配给多个相互协作的专业智能体来完成。单个智能体在处理复杂的多步骤任务时会遇到性能瓶颈，因为其上下文容量有限；而试图包揽所有工作的通用型智能体在大多数任务上的表现也会很一般。拥有独立上下文的专注型专业智能体通常表现更好，这与人分工专长的原理类似。

值得了解的模式：

• 协调者-工作者模式，即一个代理将子任务分配给专门的工作者处理。
• 顺序流水线模式，即一个代理的输出成为下一个代理的输入。
• 讨论或评审模式，即一个代理的输出在最终确定前会由另一个代理进行审查和质疑。

AI评估

可以说，评估正是区分演示版本与实际生产系统的关键，这一点再怎么强调都不为过。

• 在产品发布前构建一组具有代表性的测试输入。
• 明确特定任务中“良好”的标准，无论是准确性、对来源信息的忠实度、语气还是响应速度。
• 在人工审查难以大规模进行的场景下采用“大语言模型作为评判者”的方法，同时要了解该方法可能带来的偏差。

使用 DeepEval、Promptfoo、LangSmith、Ragas 或 Arize Phoenix 等工具，对提示词、RAG 以及智能体工作流的退化情况进行基准测试与跟踪。

随着提示词、模型或检索逻辑的变化，持续跟踪这些方面的退化情况。

优质的学习资料会涵盖相关性得分、精确度、召回率、ROUGE 和 BLEU 等指标，以及相关的评估技术、工具和框架。

LLMOps

当人工智能系统被应用于实际生产环境后，LLMOps 的重要性愈发凸显。它涉及提示词版本管理、模型路由、追踪与可观测性分析、成本监控、缓存机制以及实验跟踪，所有这些都有助于构建可靠且可扩展的系统。

部署人工智能应用

值得掌握的部署基础包括：

• API：使用 FastAPI 或类似工具将模型或智能体封装起来。
• 容器：了解 Docker 的存在意义及其使用方法即可。

推理与服务：使用 vLLM 实现高吞吐量的大语言模型服务，通过 LiteLLM 可通过一个接口将请求路由到多个提供商。

云环境：在您最熟悉的提供商上实现端到端部署。

监控与成本控制：每个令牌都需要付费，因此生产环境需要同时掌握延迟和成本方面的信息，这也是雇主常常看重的能力。

利用 CI/CD 基础知识实现部署流程自动化。

初学者常见错误

• 跳过第1至3阶段，直接开始使用大语言模型和智能体。
• 将 LangChain 等框架视为需要单独学习的对象，而非建立在应先理解的概念之上的层次结构。
• 只收集教程而不实际构建项目。观看视频并不等同于实际操作，而正是这个差距导致大多数人停滞不前。
• 将评估工作推迟到以后进行。将评估流程作为项目的一部分构建起来，这样每次小的改动都能显示出情况是变好还是变差。

简版概述

成为人工智能工程师并不意味着要掌握每一种新工具。扎实的基础知识并持续应用，才更为重要。

对于那些需要了解这项工作中Claude Code相关内容的人，下方的目录展示了这本长篇指南是如何将各章节划分为代理、RAG、MCP服务器和评估等实用主题的。