AI时代计算机专业学习指南：从基础到RAG与Agent的实操路径

这几年我带过不少实习生，也参加过不少技术社区的交流，被问得最多的一个问题就是：AI 发展这么快，计算机专业的学生到底该怎么学？说实话，这个问题放在三年前和现在，答案是完全不一样的。三年前大家还在讨论要不要学机器学习，现在 GitHub Copilot、Cursor 这类 AI 编程工具已经成了很多工程师的标配，连写 PLC 代码、Verilog 这种传统硬件领域都在被 AI 渗透。作为从传统开发一路做到 AI 应用开发的人，我的看法是：CS 专业不仅没被 AI 摧毁，反而被推到了离舞台中心更近的位置。但前提是——你的学习方法不能再是上个时代的。

这篇文章不打算给你列一份“必学清单”然后让你照着抄，那样没有任何意义。我想分享的是，在 AI 全面渗透开发流程的今天，一个计算机专业学生应该如何重新理解自己的知识体系、如何使用 AI 工具加速成长、如何规划自己的技术方向。内容会覆盖从基础课怎么学、AI 编程工具怎么用，到 RAG、Agent 这些热门方向怎么入门，再到就业方向怎么选，全程基于我自己的实操经验和带人经验，希望能帮你少走一些弯路。

1. 重新理解 AI 时代的计算机专业知识体系

1.1 基础课不是没用了，而是用途变了

很多学生看到 AI 能自动写代码、能解释报错，第一反应是“那我学数据结构、操作系统、计算机网络还有什么用”？这个想法我特别理解，但必须泼一盆冷水：AI 生成代码的能力越强，基础知识的价值反而越高。

为什么这么说？因为 AI 生成的代码，尤其是复杂项目里的代码，从来不是拿来就能用的。你需要判断它生成的代码对不对、性能好不好、有没有安全隐患、和其他模块能不能对上。没有扎实的数据结构功底，你根本看不出一个 AI 给出的“看起来挺对”的排序算法在数据量大的时候会不会崩；没有操作系统知识，你无法理解为什么 AI 推荐的线程池参数会导致死锁；没有网络基础，你连 AI 生成的 HTTP 客户端代码里的连接复用问题都定位不了。

我举个实际例子。之前我帮一个学弟调试一个 AI 生成的爬虫程序，AI 给出的代码非常完整，能用 requests 库写了个多线程抓取脚本。运行起来之后，抓几百个页面就报 TCP 连接数过多。学弟完全懵了，因为他觉得 AI 给的代码都是对的。但懂网络的人一眼就能看出来，问题出在连接没有复用，每个线程每次请求都新建 TCP 连接，而且没有限速。这就是典型的基础知识在 AI 时代的应用场景——AI 负责把代码写出来，你负责判断它写得对不对，以及问题出在哪一层。

所以我的建议是：基础课不但要学，还要学得比以前更扎实。数据结构、算法、操作系统、计算机网络、数据库原理这五门课，是你判断 AI 输出质量的基本盘。只不过学习的方式可以变——以前是死磕教材，现在可以拿着教材里的经典问题去问 AI，让 AI 给你讲解、给你出变体题、帮你画复杂结构的示意，用 AI 把这个学习过程变得高效很多。

1.2 数学要学到什么程度，这是个现实问题

每个想往 AI 方向走的同学都会纠结数学。线性代数、概率论、微积分、最优化，到底要学到多深才能搞 AI？我的回答分两种：如果你未来想做算法岗、做模型训练、做推理优化，那数学是硬功夫，矩阵求导、概率分布、梯度推导这些躲不掉，该啃的必须啃；但如果你未来做 AI 应用开发，比如搭 RAG、做 Agent、调 API，那数学要求没那么高，但最基本的线性代数和概率统计概念必须懂。

为什么应用开发也需要数学基础？因为 RAG 里做向量检索，核心就是向量相似度计算，你得知道余弦相似度和欧氏距离的区别，你才能理解为什么文档切那么碎之后检索效果会变好。Agent 里的工具调用，本质是一个决策问题，你要理解概率推理是怎么工作的，才能设计出更合理的 Agent 工作流。所以，别抱着“搞 AI 不用学数学”的侥幸心理，但也不用被“数学不好别学 AI”的论调吓退。

我的建议是：线性代数重点学向量空间、矩阵乘法、特征值这三个板块，概率统计重点学贝叶斯、分布、期望方差，微积分掌握偏导和链式法则，最优化知道梯度下降的原理就够了。这些学完之后，你会发现读 AI 相关的论文、理解大模型的基本原理都不会有太大的知识障碍。

1.3 AI 工具到底是什么定位，别神化也别抵触

现在学生圈里对 AI 工具的态度，差不多是两个极端。一端是极度依赖，写作业问 AI，做题问 AI，甚至面试题也靠 AI 背答案；另一端是极度抵触，觉得用 AI 是作弊，是不劳而获，坚决不用。这两种态度我都不推荐。

我的理解是，AI 工具的本质是一个“能力放大器”，不是“替代品”。它放大的不是你的偷懒能力，而是你的产出效率和学习效率。在真实的工作环境中，用 AI 写代码、做调研、生成测试用例，已经是主流工作方式。与其纠结“用 AI 是不是作弊”，不如早点想明白“怎么用 AI 才能让自己学到更多”。

我自己用 AI 工具的原则是：AI 可以帮我做，但我必须看懂它做了什么的 80% 以上。如果 AI 写了一段代码，我完全看不懂，那就说明这件事对我来说太难了，我应该先退回去补基础，而不是直接把代码贴过去。这个原则，我建议每个学生都记住。它可以帮你避免“用了 AI 一年，能力反而退步了”的陷阱。

2. 把 AI 工具变成你的学习加速器

2.1 编程学习的新流程：AI 辅助加自主调试才是正道

传统的编程学习流程是：看书或看视频，理解语法和思路，然后在编辑器里写代码，报错就自己查、自己改。这个过程很痛苦，但确实能让你把知识点记得很牢。而在 AI 时代，一个更高效的流程是：让 AI 给你一个可运行的示例代码，你先把代码运行起来，然后逐行读，看懂每一行做什么，再根据自己的想法去改它、扩展它，遇到报错先自己分析，实在分析不出来再问 AI。

这个“看懂再改”的流程，比传统方式至少快两三倍。举个例子，我让一个零基础的实习生学 Python 爬虫，给了他一段 AI 生成的抓取单页的代码。他运行起来之后，我要求他把代码里每一行都加上注释，然后改成抓取列表页。他花了半天，改的过程中遇到 CSS 选择器不会写，自己先 Google，实在不行再问 AI。半天下来，他不仅学会了 requests 库的基本用法，还搞懂了 HTML 结构和选择器语法。这样的学习效率，比我当年一个个函数学快太多。

但这里有个重要的前提：你要把“自主调试”放在前面。很多学生报错了第一反应就是复制报错信息扔给 AI，让 AI 给答案。这样做错失了一次特别宝贵的锻炼机会。调试的本质是定位问题和解决问题的过程，这个过程锻炼的是你的逻辑推理能力和对系统运行机制的理解。如果每次都跳过它，你的调试能力永远长不出来。我的建议是：报错之后，先花 5 到 10 分钟自己分析，阅读报错堆栈，看看到底是哪一行出了问题，查相关文档。实在解决不了，再向 AI 求助，并且要让 AI 解释原因，而不是只要结果。

2.2 刷题与比赛：AI 辅助的边界在哪

算法刷题是计算机专业绕不开的坎，找实习、考研复试、校招笔试都要用。现在很多同学刷题的方式变了，把 LeetCode 题目直接扔给 AI，AI 出题解，然后自己看一遍，觉得自己“懂了”。但实际上，这种“看题解式刷题”效率极低，而且极其危险——因为它制造了一种虚假的掌握感。你看着 AI 的题解觉得每一步都合理，但关上答案让你重新写，你很可能连状态转移方程都写不出来。

我自己带人刷题的建议是：AI 可以在三个环节帮你，但核心环节必须自己做。第一，拿到一道题，先自己思考至少 15 到 20 分钟，画出暴力解，分析复杂度；第二，想不出最优解的时候，可以让 AI 给你提示方向，比如“用双指针可以优化，具体怎么想你自己再琢磨”；第三，写出代码但通不过测试的时候，可以问 AI 代码逻辑哪里有问题。至于让 AI 直接给出完整题解，那是最后一个参考手段，必须在你自己已经充分思考、并且能读懂题解每一行之后才可以使用。

比赛也是类似。ACM、蓝桥杯这些比赛的价值，不是那张奖状，而是逼着你在有限时间内做决策和调试的高压环境。在这个环境里如果过度依赖 AI，等于自动放弃了最宝贵的模拟训练机会。但 AI 可以用在赛后复盘：把比赛里不会的题目拿出来，让 AI 给你多种解法、讲解背后的算法思路，这比自己上网搜题解要快很多。

2.3 课程设计与项目开发：AI 辅助的正确姿势

课程设计是很多学生第一次接触完整项目的场景。以前大家的做法是找学长要上一届的项目资源，改改就交。现在更常见的做法是让 AI 直接生成一个完整项目。但我想说的是——如果课程设计全让 AI 写了，那你真的亏大了。

课程设计的意义，是让你从头到尾经历一次“需求分析—系统设计—编码实现—测试部署”的完整流程。这个流程本身，是任何一门课都没法单独教给你的，只能靠亲身经历去体会。我建议你在课程设计里这样做：用 AI 做脚手架（管理后台的模板、数据库表结构设计、基础 CRUD 代码），自己负责核心业务逻辑的设计与实现。比如做个图书管理系统，让 AI 生成连接数据库的表结构和基本的增删改查接口，但借阅流程的规则设计、并发时的库存判断、异常处理得自己写。项目完成后，你既理解了整体架构，又有亲自书写的核心代码，答辩的时候被问细节也不慌。

还有一个特别好的 AI 用法：让 AI 做你的代码评审老师。写完课程设计之后，把代码喂给 ChatGPT 或 Claude，让它从代码规范、性能瓶颈、潜在 bug 三个角度提修改意见。这个过程就像有一个免费的高级工程师在给你 code review，你能从中学到非常多写代码的好习惯。

3. 面向 AI 应用开发：从入门到实操的进阶路径

3.1 先懂大模型基本原理，再做黑盒工程师

现在市场上有大量“AI 应用开发”的岗位，本质上是调用大模型 API 构建应用。很多学生觉得这一步很简单，不就是调个接口、拼个 prompt 嘛。但如果只停留在“调接口”的层面，你的价值会越来越低，因为接口调用本身正在被打包得越来越简单。

我强烈建议所有想往 AI 方向走的学生，花一点时间弄懂大模型的基本原理。不用深到能推导 Transformer 的全部公式，但至少要知道这些概念：Token 是什么、为什么有上下文窗口限制、Embedding 是怎么把文字变成向量的、向量相似度计算是怎么工作的、为什么 RAG 能缓解幻觉问题、什么情况下需要微调而不是改 Prompt。

这些概念搞懂之后，你会发现 AI 应用开发的核心其实不是“写代码调 API”，而是“拆解问题、设计流程、选择合适的技术方案”。比如要让 AI 读一份 500 页的 PDF 然后回答里面的内容，你可以有三条路：直接分段塞进上下文（大概率超窗口）、做 RAG 向量检索（最常用但需要切分策略）、微调模型（成本高但适合固定格式的文档）。每条路的优劣、适用场景，只有理解了大模型原理才能判断清楚。

3.2 Prompt 工程与上下文管理：AI 开发的底层能力

很多人觉得 Prompt 工程就是“把问题描述得详细一点”，这理解太浅了。真正的 Prompt 工程，是在有限的上下文窗口里，高效地组织信息，让模型稳定输出你想要的结果。这里面涉及很多实操技巧：系统提示词怎么设定角色和限制、用户输入怎么约束格式、输出怎么用 JSON 结构化、错误输入怎么兜底、多轮对话怎么管理历史消息。

我举个例子。做一个客服问答机器人，最简单的做法是每次把用户问题发给大模型，让模型直接回答。但你很快会发现几个问题：回答的语气不稳定、有时候会编造知识、遇到用户骂人不知道该怎么处理。用 Prompt 工程优化之后的做法是：在系统提示词里写明“你是一个温暖耐心的客服助手，只基于给定的知识库内容回答，如果知识库中没有相关内容，请回答‘这个我需要帮您反馈给人工客服’，不要说无关内容”，然后在用户问题之外，从知识库里检索最相关的几段内容拼进上下文，最后要求模型按固定 JSON 格式输出“回答内容+是否转人工+推荐问题”。

这套做法，本质上就是在管理上下文和约束输出。它不需要你写多复杂的代码，但对逻辑思维的要求很高。我建议你花时间多看一些真实场景的 Prompt 设计案例，然后在自己的项目里反复试。调试 Prompt 的过程和调试代码非常像：先明确预期输出，再构造输入，观察失败模式，修改提示词，再测试。

3.3 RAG 与 Agent：当前最值得投入的两块方向

如果说 2023 年是“大模型元年”，那 2024、2025 年的应用开发重点就是两个：RAG（检索增强生成）和 Agent（智能体）。这两个方向，也是我认为计算机专业学生最值得投入时间学习的。

RAG 的核心价值是解决大模型“不知道”和“乱说”的问题。它的思路很简单：先把你的私有知识库（文档、数据库、网页）切成小块，计算每块的向量表示，存到向量数据库里。用户提问时，先把问题向量化，然后去数据库里检索最相关的几个文本块，最后把这些文本块和问题一起交给大模型，让大模型“参考这些资料回答”。我在自己项目中做过一个技术文档问答机器人，用的是上面这套流程。真正落地之后才明白，RAG 的难点不在流程本身，而在细节：文档怎么切分才不会切断语义（我试过固定 500 字符切，效果很差，后来改成按标题结构切）、检索用什么相似度算法（余弦和点积在不同向量模型下效果差异很大）、检索结果怎么重排（有时候第一轮检索的前几名并不相关，需要加一个 rerank 环节）。

Agent 则更进一步，它让大模型不再只是“回答问题”，而是“完成一个任务”。比如你告诉 Agent“帮我查一下今天北京的天气，如果有雨就提醒我带伞”，Agent 会自己做规划：先调用天气查询工具，拿到结果后判断是否下雨，然后决定要不要输出提醒。这里面涉及 ReAct 模式的思考框架、工具调用的描述格式、任务拆解和子任务执行的调度、失败重试和异常处理。我在实际项目中用 Agent 做过一个自动写周报的小工具，它需要从多个系统里抓数据、做总结、生成 Markdown 表格，整个过程需要 Agent 自主决定先调用哪个工具、中间数据怎么缓存。这个东西做完，你基本就对 Agent 的能力边界和工程实现有了非常深的体感。

学 RAG 和 Agent，光靠看文章是不够的。我建议你一定要自己动手搭一个小系统，比如做一个基于自己课程笔记的问答机器人，或者做一个自动整理文件的 Agent。哪怕做得粗糙，整个过程踩过的坑比你看十篇文章都更有价值。

3.4 一条可落地的学习路线与练手项目参考

很多同学不缺学习热情，缺的是“下一步该做什么”的路径感。我结合自己的经验，给出一条可以按部就班执行的学习路线，周期大约 6 到 8 周，每周投入 8 到 10 小时，适合已有 Python 基础的二三年级本科生：

第一周，任务是大模型基础入门。自己注册并认真使用几家主流的大模型产品（如 ChatGPT、Kimi、通义千问等），重点测试它们的上下文记忆能力、代码生成能力和指令遵循能力。同时补最基础的概念：Token、Embedding、上下文窗口、幻觉。这个过程要带着问题去用，比如问它“把上面这段文本翻译成英文的同时，把里面的代码块保留”，观察它的表现。

第二周，动手写第一个调用 API 的程序。用 Python 调大模型官方 SDK，实现一个“带系统提示词的聊天机器人”。要求把系统提示词、用户输入、模型输出分开，尝试调温度和 max_tokens 参数，观察生成结果的变化。做完这个，你就理解了大模型应用的基本架构。

第三周，学习 Prompt 工程。针对上一周的机器人，设计至少三种不同角色的提示词（冷酷的技术专家、有耐心的老师、严谨的审计员），测试同一问题在不同角色下的输出差异。学会使用 JSON 输出模式，把模型输出解析成结构化数据。

第四到第五周，做第一个 RAG 项目。选择一份你有兴趣的 PDF 文档（比如一本教材的某一章），用脚本把内容切块，调用 Embedding API 转成向量存进向量数据库（建议用 Chroma 或 Qdrant 的免费版），再写一个检索和回答的流程。做完这个项目，你就掌握了 RAG 的核心流程。

第六到第七周，做第一个 Agent 项目。建议用 LangChain 或者直接手写 ReAct 循环，做一个能调用“天气查询”和“计算器”两个工具的 Agent。让它根据用户指令自动选择工具。这个小项目能让你理解 Function Calling 的原理和 Agent 工作流的设计。

第八周，把前面做的两个项目整理成一份带 README 的 GitHub 简历，写清楚技术选型、架构图、遇到的问题和解决方案。这份代码就是你面试时最有说服力的项目经验。

这条路线很稳，而且每一步做完都有能看得见的产出，不会让人迷茫。想更进一步的话，可以在 RAG 项目里加入 rerank 环节，在 Agent 项目里加入多步任务记忆功能，这些优化点会在简历上非常加分。

4. 就业方向与技术栈选择

4.1 现在主要的几个方向怎么选

把视野放到就业市场，AI 时代的计算机专业岗位其实有几个明显方向，每个方向对能力的侧重点完全不一样，提前想清楚自己适合哪条路非常重要。

第一个方向是 AI Infra，就是 AI 的基础设施。做模型训练框架、推理优化、数据平台、向量数据库、GPU 集群调度。这个方向门槛最高，需要扎实的计算机系统功底（操作系统、分布式、高性能计算），同时得懂 CUDA、懂模型推理原理、熟悉 PyTorch 源码。如果你 Linux 和底层系统很强，这个方向非常有前景，难点在于入门周期长，竞争者也大多很硬核。

第二个方向是 AI 应用开发，也就是我前面重点讲的内容。基于现有大模型 API 做应用，比如 RAG 系统、Agent、企业知识库、智能客服。这个方向上手快、需求量大，是普通学生最容易切入的赛道，但天花板也取决于你的工程能力和场景理解能力。我个人判断，未来两三年这个方向会继续火热，尤其是能结合具体行业场景的同学，比如懂点法律、金融、医疗知识的 AI 应用工程师，会非常吃香。

第三个方向是“传统开发 + AI 辅助”，这也是最广谱的路线。比如你做后端开发，用 AI 提高编码效率；你做前端，用 AI 写页面；你做测试，用 AI 生成测试用例。这个方向不完全依赖 AI 岗位的行情，你的核心价值还是传统开发能力，AI 是加成项。这条路比较稳，适合对算法和模型本身兴趣不大的同学。

第四个方向是 AI 产品与交付，包括 AI 产品经理、AI 解决方案工程师。这个方向不要求很强的编码能力，但要能理解模型能力边界、评估应用效果、做用户调研和需求分析，本质是技术敏感型产品岗。沟通能力强、写文档能力强的同学可以考虑。

4.2 技术栈推荐与学习优先级

针对不同方向，我给出一个技术栈的优先级参考：

AI 应用开发方向的核心技术栈，按优先级排列：Python（必须熟练）、大模型 API 调用（OpenAI、通义、Kimi 这些 SDK 都要会用）、RAG 相关（Embedding、向量数据库、切分与检索策略）、Agent 框架（LangChain 或亲手写 ReAct）、Web 后端基础（FastAPI 或 Flask，因为应用总要有个接口给前端调）。数据库方面，SQL 是必备，向量数据库会一个就行（Chroma、Milvus、Qdrant 三选一）。

AI Infra 方向的核心技术栈则更偏底层：C++ 和 CUDA、PyTorch 源码阅读能力、GPU 编程与优化（NCCL、TensorRT）、分布式系统（Ray、Kubernetes）、高性能存储（文件系统、对象存储）。这个方向尤其强调 Linux 内核和网络知识，普通应用开发那种“会调库就行”的打法完全不够。

算法方向则要看你的数学和科研能力：机器学习经典理论、深度学习框架（PyTorch）、模型结构（Transformer 系列）、训练调参经验、论文阅读能力。这个方向学历门槛偏高，硕士和博士的比例很大，本科直接走算法岗难度不小，但可以先进实验室积累经验。

我给本科生的一条通用建议是：不管你最终想去哪个方向，先把 Python 和基础的 Web 后端能力打牢。因为 AI 应用开发已经是计算机领域最基础的技能之一，即使你未来做 Infra 或者做算法，懂应用层能接 API、能写服务，也只会给你加分不会减分。

4.3 实习与简历阶段怎么准备

很多学生到了找实习的时候才发现简历上没什么能写的。我觉得 AI 时代的简历准备，要换一个思路：与其堆一堆“精通”“熟悉”的空话，不如用项目经历来证明你的 AI 应用能力。

具体来说，我建议在二年级寒暑假就开始做一两个能放进简历的 AI 小项目，方向跟着前面第 3 节的那条学习路线走就行。做项目的过程中，一定要记录每个环节的“为什么”，比如为什么选择按章节结构切文档而不是固定长度切，为什么用余弦相似度而不是点积。这些思考过程，是面试时最值钱的谈资。面试官看到你的项目里写了 RAG，随口问一句“你的切分策略是最佳的吗”，你如果能答出来“我对比过固定长度和按结构切两种方式，固定长度会把相关的两个段落断开，影响召回质量，所以改成了按标题层级切”，这个印象分会非常好。

简历上的技术栈，亲自用过再写。尤其注意不要写“精通 Prompt Engineering”这种话——面试官让你现场设计一个 Prompt 就能暴露水平。靠谱的写法是：描述项目时用行动语句，比如“搭建了一套基于 FastAPI 和 Chroma 的 RAG 问答系统，支持 PDF 文档上传与问答，通过调整切分策略将回答准确率从 71% 提升至 89%”。这种写法清楚展示了你做的事情和效果。

找实习的具体渠道，除了常规的招聘平台，我更推荐这些路径：关注学校实验室和企业合作的课题项目、参与 AI 相关的开源项目然后写进简历、在技术社区持续输出自己的学习笔记吸引猎头和招聘者。现在很多公司特别是创业公司，非常喜欢看候选人的技术博客和 GitHub，因为他们能从这些内容里判断你的真实能力和学习热情。

5. 常见问题与避坑建议

5.1 高频问题速查表

这几年的学生问题高度集中，我把反复被问到的高频问题整理成一个速查表，每一个都根据自己的经验和身边的案例给了回答：

5.2 学习过程中的关键避坑经验

最后分享几条我这几年看到的、学生最容易踩的坑。第一条是用 AI 太早、太彻底。尤其大一的时候，不要任务一下来就让 AI 直接给完整代码。大一正是培养编程手感、形成代码直觉的关键期，如果这个阶段全部靠 AI 代写，后面的调试、重构能力都很难长出来。我自己见过的反面例子太多了。

第二条是盲目追热点，什么火学什么，结果什么都是半吊子。今天看 RAG 火就学 RAG，明天看 Agent 火就学 Agent，后天听人说 Infra 赚钱又去研究 CUDA。技术学习最忌讳频繁切换赛道，因为每一条赛道都需要时间的复利。我的建议是，选定一个主方向深耕至少半年，其他方向的知识通过阅读了解就好，不要都花整块时间去搞。

第三条是只做“文生文”式的玩具 Demo，不去关注工程落地。很多学生的项目就是“调用大模型 API 实现一个聊天机器人”，这类项目在简历上已经没有任何区分度了。要想脱颖而出，必须往深里走一步：给机器人加上知识库（RAG）、给它接上工具（Agent）、把响应速度做快、把异常处理做好。同样一个聊天机器人，加一个“内部知识库问答 + 引用来源展示”的功能，含金量完全不同。

第四条是忽略沟通和写作能力。很多人觉得程序员只要写代码就行，我反复跟实习生强调：在 AI 时代，提问和表达能力变得越来越重要。你怎么向 AI 清晰地描述需求，决定了 AI 给你的产出质量；你怎么向上级和同事解释一个技术方案，决定了你的想法能不能落地。我建议你平时多写技术笔记、多做技术分享，这些看起来“软”的能力，会在你找实习、做答辩、面大厂的时候成为真正拉开差距的武器。

第五条是不要忽视工程规范性。AI 生成的代码，经常缺乏异常处理、日志、类型标注和注释。很多学生做完项目就丢，根本不管代码能不能让第二个人维护。但真实的工作场景里，代码的可读性和可维护性往往比“能跑”更重要。所以我带人的时候，会要求他们把项目代码做 code review、补测试、写 README。这些习惯越早养成，你后面受益越大。

最后再说一点关于心态的体会。计算机这个行业永远在变，十多年前是 Web 开发，后来是移动开发，再后来是云计算和大数据，现在轮到了 AI。每一轮浪潮来的时候，都会有人焦虑“自己的方向是不是要被淘汰了”。但你会发现，最终混得好的，往往不是追着每个风口跑的人，而是那些基本功扎实、持续学习、能把手头事情做深的人。

你现在的任务不是焦虑，而是去动手：推开 Cursor 或者自己的 IDE，让 AI 帮你写一段代码，然后咬着牙把它读懂、改对、跑通。下一个项目，再加一点 RAG、再加一点 Agent。等你亲手做出几个能用的东西，这些迷茫自然就没有了。踩过坑、吃过亏、一步步做出过真东西的人，永远不怕变化。