我刚入行那几年，隔三差五就有人跑来问我："我不是科班出身，数学也忘得差不多了，能不能做AI工程？"说实话，我当时的回答比较保守，总劝人先补补线性代数再说。直到后来我带过不少转行的新人，也亲眼见过文科背景的朋友把模型训得比我还溜，我才意识到一个事实：AI engineering 入门这件事，真正卡住大多数人的根本不是数学，而是没人告诉他们一条清晰的路——先学什么、后学什么、学到什么程度就该动手了。这篇文章就是那条路。我会把从零开始到跑通第一个真实项目、再到把模型工程化的完整路径拆开讲清楚，全程贯彻"from scratch"的做事逻辑：不依赖任何封装好的黑盒，每一步都知道自己在干什么。适合完全零基础的转行者、在校学生，也适合已经在业务侧但想补技术底子的产品经理和数据分析师。
1. 先破个误区：AI工程和AI算法研究不是一回事
很多新手一提到AI工程，脑子里浮现的是推导公式、证明收敛性、发论文的那类形象，然后立马被劝退。这个印象不能说错，但它描述的是算法研究员的工作，不是AI工程师的工作。我见过太多人被这个误解挡在门外，所以第一件事就是把这两个角色的区别掰扯清楚。
1.1 算法研究员、数据分析师、AI工程师的定位差异
打个比方：算法研究员是发明新菜谱的人，数据分析师是品鉴菜品、告诉厨师哪里咸了哪里淡了的食评家，而AI工程师是把菜谱稳定复刻成中央厨房量产标准的人。研究员的产出是论文和实验结论，分析师的产出是洞察和报表，工程师的产出是能跑、能维护、能交付的系统。
具体到日常任务上，三者差别非常明显：
- 算法研究员：读论文、复现实验、调参刷点、写实验报告。核心关注点是模型指标有没有提升。
- 数据分析师：写SQL取数、做AB实验分析、画图表、给业务方解释数据背后的含义。核心关注点是业务问题的量化归因。
- AI工程师：写数据处理脚本、搭训练流水线、部署推理服务、监控线上指标、排查模型报错。核心关注点是整个系统是否稳定高效运转。
从这个对比能看出，AI工程的门槛并不在于你多会发明新模型，而在于你多能搞定真实系统里的脏活累活。数据清洗和处理能力、代码工程能力、模型调优与部署能力，这三样才是AI工程师吃饭的本事。
1.2 从零开始需要具备的真实能力模型
既然定位清楚了，那"从零开始"到底要从哪里开始？我给一个基于实际工作内容的拆解。一个合格的AI工程师，日常核心技能可以分成四块。第一，编程基础，主要是Python。这不用多解释，几乎所有AI生态的工具链都以Python为第一公民。第二，数据与SQL。模型吃的是数据，你连数据都取不明白、处理不干净，后面全是白搭。第三，机器学习与深度学习基础。不需要你手推所有公式，但得理解训练、验证、测试的流程，理解损失函数、梯度下降、过拟合这些核心概念在干什么。第四，工程化能力。包括用Git管理代码、用Docker打包环境、用FastAPI之类的框架把模型包成接口、用云平台做部署。
我见过不少自学者的通病：花三个月死磕《机器学习》（西瓜书）的公式推导，结果连pandas的groupby都用不明白，更别提把一个训练好的模型保存下来并提供API服务。这就是典型的定位错误——拿算法研究员的路径来准备AI工程的岗位，事倍功半。
1.3 "从零开始"的真实起点：不是什么都不会，而是不确定下一步干什么
说句掏心窝的话，"从零开始"这个状态，最折磨人的不是"什么都不会"，而是"不知道下一步干嘛"。网上东西太多，今天看到有人说先学PyTorch，明天看到有人说先学数据分析，后天又有人说大模型时代不用学传统机器学习，直接学Prompt就够了。这些说法单独看都有道理，合在一起就是精神内耗。
我的建议非常务实：以"能独立完成一个AI项目的完整闭环"为目标来倒推学习路径。什么叫完整闭环？从一个原始数据集出发，经过清洗、特征处理、模型训练、评估调优，最终交付一个可以通过接口调用或者文件方式产出的可用模型。这个闭环一旦跑通，你就同时掌握了数据能力、建模能力和基础工程能力，期间遇到的具体问题会逼着你把该补的知识补上。这条路线，是三年多来我验证过、也反复带人走通的路。
2. 起步阶段的三道关卡：Python、数据、环境，按这个顺序突破
确定了方向之后，就是脚踏实地的学习阶段。很多人的计划表排得跟考研一样，恨不得把每个知识点的学时都定好。我的建议反而不是排那么细，而是定好关卡，一关一关过。每一关学到什么程度算过，我给你一个明确的标准。
2.1 第一关：Python编程能力的"够用"标准
Python这关不需要你成为语言专家，目标只有一个：能顺畅地写脚本处理数据。具体来说，至少要做到以下几点：
- 变量、数据类型、条件判断、循环这些语法基础要熟，看到一段代码能说出它在干什么；
- 函数和类的定义要会，不用精通面向对象的所有特性，但要能写出结构清晰、可复用的函数；
- 文件读写、异常处理要熟练掌握，因为真实数据永远是脏的，代码不能一遇到怪数据就崩掉；
- 至少用过列表推导式、字典、集合这些常用数据结构，能写出简洁不啰嗦的代码。
我推荐的学习方式和大多数人习惯的不太一样：不要刷完整本语法书再去干别的，而是边写边学。找一本薄一点的Python入门书，看前三章就开始对照网上的小项目练手。我当时带过一个新人，他花了差不多三周时间把Python基础过完，然后立刻转入pandas读CSV、做统计分析的实战。语法忘了就翻书，遇到问题再回去补概念。这样学出来的Python，是带着"解决问题"的肌肉记忆的，远比孤立地背语法高效。
2.2 第二关：数据处理的肌肉记忆
这一关是AI工程里最不起眼但最重要的地基。很多新手对训练模型充满期待，结果一上手发现80%的时间都在和脏数据搏斗——缺失值、重复值、异常值、格式不统一、字段对不上。数据处理能力不过关，后面寸步难行。
核心工具是pandas和NumPy。pandas负责表格数据的读取、筛选、分组、聚合、合并，NumPy负责数值计算和数组操作。你至少要熟练掌握以下操作，并且能闭着眼写出来：
- 用
read_csv()、read_excel()读数据，用info()、describe()快速了解数据概貌； - 用
isnull()找出缺失值，用fillna()或dropna()处理缺失； - 用
drop_duplicates()去重，用astype()转换字段类型； - 用
groupby()配合agg()做分组统计，用merge()和concat()拼接数据； - 用
matplotlib或seaborn画直方图、箱线图，从直观上看看数据分布。
这一关的练习素材遍地都是：Kaggle上随便找一个入门数据集，比如泰坦尼克号生存预测，数据量不大、字段有意义，拿来练手非常合适。给自己定个目标：用pandas把这个数据集翻来覆去地查、筛、画图、统计，直到觉得"这些操作已经进入肌肉记忆了"，这关就算过了。
2.3 第三关：AI工程的环境噩梦——本地环境搭建
说句实在话，我看过太多人倒在距离代码最近的地方：环境装不上。不是在装PyTorch时报错，就是CUDA版本不匹配，折腾两三天心态就崩了。这里我不打算把每个步骤零碎地列一遍，而是给你一套尽量稳妥的组合拳。
Python版本管理：强烈建议用pyenv或conda来管理Python版本，不要直接往系统里装原始Python。原因很简单：不同项目依赖的Python版本可能不一样，有的项目要3.9，有的要3.11，pyenv可以随时切换，互不干扰。
依赖管理：每个项目都要创建独立的虚拟环境。用python -m venv venv创建虚拟环境，激活后再往里装包。这样A项目装的东西不会污染B项目。新手经常省掉这一步，直接往全局环境里装了一堆包，最后版本冲突了只能哭。
包安装加速：如果你在国内，pip默认源的速度可能让人怀疑人生。配置清华或阿里镜像可以大幅提速。命令很简单，一行就能搞定：
pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple机器学习框架安装：初学者我建议先把scikit-learn玩熟，它是传统机器学习的主力库，CPU就能跑，安装没有任何负担。等进入深度学习阶段再装PyTorch。GPU版本的PyTorch安装是重灾区，关键点在CUDA的版本要和PyTorch要求的版本匹配。我的建议是先装CPU版本跑通流程，等真正需要训练大模型时再折腾GPU环境——到那时你对命令行已经熟悉多了，再处理起来会从容很多。
代码编辑器：VSCode是我的主力推荐，装上Python插件和Jupyter插件基本就够用了。Anaconda全家桶自带Jupyter Notebook，对纯新手更友好，但VSCode+Jupyter插件的方式更接近真实工程师的工作流。
环境这关的验收标准很简单：你能在自己的电脑上创建一个干净的Python环境，装好pandas、scikit-learn和一个Jupyter环境，成功跑通一段读写数据的代码。做到这一步，你的"from scratch"就正式迈出了第一步。
3. 机器学习核心概念的"翻译式"理解：不推导公式也能用明白
很多人学的第一道坎是数学。我的观点是：AI工程导向的学习，概念的理解远比公式推导重要。你不需要会证明贝叶斯定理，但必须知道朴素贝叶斯分类器在干什么、它的假设是什么、什么场景下用它。
3.1 把八个高频概念翻译成人话
我总结了一套"翻译对照表"，带过的新人都反馈说好懂：
- 特征：就是输入给模型的每一个属性。预测房价时，面积、地段、房龄都是特征。
- 标签：就是你要预测的目标值。房价就是标签。
- 训练和推理：训练是让模型从历史数据里学规律，推理是拿训练好的模型去预测新数据。
- 过拟合：模型把训练数据背了下来，却看不懂没见过的题目。就像学生只背了练习册原题答案，考试一出变体就懵。
- 欠拟合：模型连训练数据都没学好，成绩一团糟，通常是模型太简单或者训练不够。
- 损失函数：衡量模型预测得有多不准的标尺。预测越离谱，损失越大。
- 梯度下降：找到让损失变小的方向，一步一步调整模型参数。就像下山时每一步都朝最陡的坡走，最终走向谷底。
- 验证集与测试集：验证集用来在训练过程中调参选模型，测试集用来最后检验模型的真实表现。
别看这些概念朴素，它们就是整个机器学习的骨架。任何一个模型，无论多复杂，最后都是围绕"定义损失函数、优化损失函数、防止过拟合"这三个动作展开的。
3.2 理解监督学习的完整流程：一次完整训练的内部逻辑
为了让抽象的流程落地，我拆解一个最小可行的监督学习流程。Step 1，拿到一份带标签的数据集，按比例切分成训练集和测试集，常见比例是7:3或8:2。Step 2，选择模型。新手入门选线性回归或逻辑回归最合适，它们简单、可解释、跑得快。Step 3，在训练集上调用模型的fit()方法进行训练。Step 4，在测试集上用predict()得到预测结果，和真实标签对比，计算准确率、F1、均方误差等指标，评估模型好坏。
关于步骤顺序，我要特别提醒一个新手常犯的错误：先切分数据集，再做任何数据预处理，包括填充缺失值、标准化、特征编码。原因是测试集必须扮演"未来的新数据"角色。如果你用整个数据集的信息去填充缺失值或做标准化，信息就已经泄漏给测试集了，评估出来的指标虚高，一上线就露馅。这个错误我当年踩过，带过的新人也踩，属于AI工程领域的"兵家必争之坑"。
3.3 用scikit-learn跑通第一个机器学习矩阵
这里我给出一个可以直接在Jupyter里跑的代码骨架，用经典的鸢尾花数据集，三分钟就能体验一次完整的训练评估流程。这个数据集是sklearn自带的，不需要额外下载数据。
from sklearn.datasets import load_iris from sklearn.model_selection import train_test_split from sklearn.linear_model import LogisticRegression from sklearn.metrics import accuracy_score # 加载数据 iris = load_iris() X, y = iris.data, iris.target # 切分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split( X, y, test_size=0.2, random_state=42 ) # 创建并训练逻辑回归模型 model = LogisticRegression(max_iter=200) model.fit(X_train, y_train) # 预测并评估 y_pred = model.predict(X_test) print("准确率:", accuracy_score(y_test, y_pred))跑通这段代码之后，你可以做几个小改动来加深理解：换不同的test_size看准确率怎么变；把逻辑回归换成决策树（DecisionTreeClassifier）感受不同模型的差异；增加random_state的取值变化，观察数据切分随机性对结果的影响。这些"改动-观察-思考"的循环，比看十遍理论都有用。这时候你可能隐约觉得模型效果还行，但完全不知道它内部发生了什么。别急，这就是我为什么下一节要求你放下封装好的工具，亲手把训练过程拆开看一遍。
4. 手写一个最小神经网络：亲手拆开训练过程的黑盒
scikit-learn用起来太舒服了，舒服到很多人会产生错觉：机器学习就是调用fit()和predict()。直到用深度学习框架处理复杂问题时，遇到梯度爆炸、损失不下降、训练速度慢这类问题，完全不知道从哪排查。根源就在于没有理解训练的本质。所以这里我建议，应该亲手用NumPy写一个几十行代码的神经网络，不用PyTorch、不用TensorFlow，就纯NumPy。
4.1 为什么我不让你一上来就用PyTorch
PyTorch这类框架做了太多贴心封装，一句loss.backward()就完成反向传播，梯度更新也自动搞定。方便是真的方便，但也把核心机制藏得严严实实。如果连"前向传播算预测、反向传播算梯度、梯度下降更新参数"这个三角关系都不亲手写一遍，后面遇到任何神秘问题都没有调起思路。打个比方：你学开车，驾校直接给你一辆带自动驾驶辅助的车，可一旦辅助系统在复杂路段出错，你连方向盘怎么修都心里没底。手写网络，就是摘掉辅助系统，体验一把纯粹的控制感。
手写一个两层神经网络的代码量完全在可接受范围内。以二分类问题为例，完整实现大概长这样：
import numpy as np def sigmoid(x): return 1 / (1 + np.exp(-x)) np.random.seed(0) # 输入X是形状为(M, 2)的数据，y是形状为(M, 1)的标签 X = np.random.randn(100, 2) y = (X[:, 0] + X[:, 1] > 0).astype(float).reshape(-1, 1) # 初始化参数：输入2 -> 隐层4 -> 输出1 W1 = np.random.randn(2, 4) b1 = np.zeros((1, 4)) W2 = np.random.randn(4, 1) b2 = np.zeros((1, 1)) learning_rate = 0.1 for epoch in range(1000): # 前向传播 z1 = X @ W1 + b1 a1 = np.tanh(z1) z2 = a1 @ W2 + b2 a2 = sigmoid(z2) # 计算损失（交叉熵） loss = -np.mean(y * np.log(a2 + 1e-8) + (1 - y) * np.log(1 - a2 + 1e-8)) # 反向传播（链式法则，此处直接给出梯度表达式） dz2 = a2 - y dW2 = a1.T @ dz2 / len(X) db2 = np.sum(dz2, axis=0, keepdims=True) / len(X) da1 = dz2 @ W2.T dz1 = da1 * (1 - a1 ** 2) dW1 = X.T @ dz1 / len(X) db1 = np.sum(dz1, axis=0, keepdims=True) / len(X) # 梯度下降更新参数 W1 -= learning_rate * dW1 b1 -= learning_rate * db1 W2 -= learning_rate * dW2 b2 -= learning_rate * db2 if epoch % 200 == 0: print(f"epoch {epoch}, loss = {loss:.4f}")4.2 逐行理解训练三角：前向传播、反向传播、参数更新
代码跑通之后，把思路卡在训练三角上。前向传播做的事情，是把输入数据逐层做矩阵乘法、过激活函数、得到输出；反向传播做的事情，是根据输出和真实标签的差距（损失），从后往前逐层计算每个参数"应该往哪个方向调"；参数更新做的事情，就是用梯度下降等优化算法把参数朝正确的方向挪一小步。这三个动作循环往复成百上千次，损失就会逐步下降，模型预测就越来越准。
手写代码还有一个隐藏福利：你能清楚看到每个参数的梯度是怎么由链式法则一层层传递回来的。当你的网络运行正常、loss稳步下降时，你对"训练"这个东西会建立非常牢固的直觉，甚至有一种"显示器上的数字是我亲手调的参数带来的"的掌控感。等回头再去看PyTorch文档里的nn.Linear、optimizer.step()，你会觉得那些不过是把手写的细节封装好了而已。
4.3 把"调参"第一次变成有方向的行动
跑了上面这段代码，你可以做几组对照实验来体验调参的感觉。第一个实验：把学习率改成0.001，观察loss下降变慢，训练可能要更多轮次；把学习率改成10，观察loss发散不降反升。这个实验能让你真实感受"学习率太大容易震荡、太小收敛慢"这句教科书名言。第二个实验：把隐层神经元数量从4改成64，观察训练更"有力"，但也容易过拟合，测试集表现可能不升反降。第三个实验：去掉tanh激活函数，直接把两层线性变换叠在一起，观察模型表达能力明显下降。
我建议把这些实验结果记录在一个表格里，形成一个自己的"调参日志"。以后用到深度学习框架时，你会感谢现在养成的这个好习惯——记录每个改动对应的效果，是AI工程师最基础的科学方法论。
5. 第一个完整项目：从原始数据到可交付模型
到这里，你已经掌握了Python数据处理、机器学习基本流程，也亲手写过网络训练过程了。现在该给自己来一次真正的实战演练了。很多人到这一步就开始纠结：学CV还是学NLP？做推荐还是做预测？项目选什么题？纠结到最后，一个月过去了，什么也没做出来。我的建议很直接：选一个表格数据预测问题，完整地走一遍项目闭环。用经典的房价预测数据集（比如波士顿房价或加州房价），或者预测员工是否离职，都行。关键是走完整个流程。
5.1 选项目的原则：覆盖全流程、数据量可控、成败可感知
零基础第一个项目的题材选择，有三个原则要守住。第一，数据要是表格数据，不要一上来就搞图片或文本，因为表格数据的数据清洗、特征工程和模型评估流程最标准，也最容易排查问题。第二，数据量在几千到几万之间，太小学不到东西，太大跑得慢、挫败感强。第三，任务类型最好是回归或分类，因为评价指标清晰——分类看准确率、F1，回归看均方误差、R2，结果好不好一眼便知。等这个闭环走顺了，再去挑战图像、文本、大模型方向，每个方向都会有它特有的新问题需要学习，但核心框架你已经掌握了。
5.2 项目全流程拆解：数据清洗、基线模型、特征工程、模型迭代
如果你用加州房价数据集，完整流程可以拆成五个阶段。阶段一，加载数据，用info()看有没有缺失值，用describe()看数值分布有没有异常。如果发现某个字段有缺失，根据字段含义决定填充方式，比如中位数填充或按分类分组填充。阶段二，基线模型先行。不要一上来就搞复杂特征工程或调参，先用最朴素的线性回归配合几个默认参数跑一遍，记录它的指标表现，作为后续所有努力的参照线。阶段三，做一轮基础特征工程。比如创建"房间平均面积"这类组合特征，对数值型特征做标准化，对类别特征做独热编码，然后重新训练模型，对比和基线有没有提升。阶段四，换更强的模型。把线性回归换成随机森林或梯度提升树，一般会带来明显提升。然后简单调一下树的数量、最大深度、学习率这几个关键参数，每调一次都在验证集上记录指标。阶段五，凝固成果。用测试集做最终评估，输出模型表现报告。
每一步都用代码实现并记录结果后，你会发现自己对AI工程的感受已经完全不同。那些网课上讲的"数据决定上限""特征工程很重要""模型选择有讲究"，在你亲手体验过后都会内化成真正的认知。这就是为什么我说第一个完整项目的价值，远大于十门网课。
5.3 项目复盘的标准动作：把"看着挺顺"变成"明确知道好坏"
项目跑通之后，别急着开心，先做一场严肃的复盘。复盘的标准动作包括三个。一，把所有实验记录整理成表格，每一行是一次实验（模型名、关键参数、验证集指标），一目了然看出哪一步贡献了最大提升。二，分析错误样本。分类问题看哪些样本被分错了，回归问题看哪些样本预测偏差最大，思考这些样本有什么共性特征，往往能带出下一个特征工程思路。三，写一段项目总结文档，描述数据情况、处理方法、模型选择理由、最终指标。
我已经数不清见过多少新人项目"跑完了"之后一问三不知，连自己用过哪些特征、做过哪些尝试都说不清。AI工程和实验室做作业最大的不同，就是工程讲究可追溯、可复现、可交接。从第一个项目就养成复盘记录的习惯，价值连城。
6. 工程化思维：从Notebook代码到可交付的AI服务
很多自学者做到上一步就停住了，觉得"模型跑通了，任务完成"。但在真实业务里，这最多只完成了30%。一份散落在Jupyter Notebook里的代码，别人没法复用，没法上线，没法运维。所谓"工程化"，就是把这30%补到100%。
6.1 Notebook时代的终结：脚本化与结构化
第一步，把Notebook里的代码按职责拆成脚本文件。通常一个最小可用的Python项目会包含这些文件：data_loader.py负责加载和清洗数据，train.py负责训练模型并保存，predict.py负责加载模型对新数据进行预测，requirements.txt列出项目依赖。文件结构清晰之后，项目的可读性和可复用性会立刻提升一个档次。
举例说明，训练脚本保存模型的核心代码只涉及两行：
from sklearn.linear_model import LinearRegression import joblib model = LinearRegression() model.fit(X_train, y_train) joblib.dump(model, 'house_price_model.pkl')当你要给其他人使用时，对方只需要拿到这个.pkl文件和一个predict.py脚本，就能对新数据做推理，而不需要重新执行整个Notebook。这就是工程化降低使用门槛的第一步。
6.2 把模型变成API服务：FastAPI实战要点
真实业务里，模型更多时候不是被人直接调用的，而是被业务系统以API形式调用。把模型封装成API服务，在AI工程里是高频需求。FastAPI是当前的主流选择，代码简洁、性能好、自动生成接口文档。一个最小可行的模型API服务示例：
from fastapi import FastAPI from pydantic import BaseModel import joblib app = FastAPI() model = joblib.load('house_price_model.pkl') class HouseFeatures(BaseModel): area: float bedrooms: int age: float @app.post("/predict") def predict(features: HouseFeatures): X = [[features.area, features.bedrooms, features.age]] price = model.predict(X)[0] return {"predicted_price": price}运行方式是在终端执行uvicorn main:app --reload，然后访问http://127.0.0.1:8000/docs就能看到自动生成的接口文档，直接在网页里测试接口。这一整套流程跑通之后，你就拥有了把一个模型"交付"出去的能力。我自己带新人时，到这个节点通常都要求他们把项目部署到公网或公司内网环境，因为接口能真正被别的地方调用，才叫完整的交付。
6.3 版本管理与实验追踪：AI工程师的隐形必修课
工程化还有两块容易被自学者忽略但极其重要的能力。第一块是用Git做版本管理。哪怕只是一个人开发，也要养成每次修改代码前git commit的习惯。好处很明显：某个版本的实验效果好，你可以随时回到那个状态；改坏了代码，可以快速回滚而不至于熬夜重写。Git的基本操作，init、add、commit、branch、checkout，半小时就能上手，但价值是长期的。
第二块是实验追踪。你可以用Excel、CSV，或者专业的MLflow来记录每次实验的参数和指标。我习惯把每次实验的模型名、关键参数、训练集指标、验证集指标、备注写在表格里。几个月后回看时，这张表会清晰地告诉你哪些路走过、哪些好使、哪些没用。工程化的核心不是用多高级的工具，而是用纪律把每次探索的轨迹留下来，让经验可以积累、可以继承。
7. 接下来往哪走：深度学习与大模型时代的进阶路径
如果你已经完成了前面的所有步骤，恭喜你，你已经从一个"零基础的新手"，变成了一个"有独立完成AI项目闭环能力的人"。这时你会面临一个新的困惑：大模型时代，传统机器学习的东西还有用吗？我要学的深度学习到底该学多深？我接下来该选哪个方向？这些问题没有标准答案，但有几个原则可以帮你减少走弯路的概率。
7.1 别急着追"大模型"，先把深度学习基础补扎实
很多人看到现在大模型满天飞，就想去学怎么微调LLaMA、怎么搭RAG应用，完全跳过深度学习基础。我的建议刚好相反：先把深度学习基础打扎实。因为无论是微调大模型、做RAG、还是开发Agent应用，底层的骨干网络、嵌入表示、注意力机制、梯度训练这些概念，全部源自深度学习基础。你对transformer、BERT、GPT这些现代架构的理解，必须建立在神经网络工作方式之上，否则你除了会调包之外，什么都没有。
深度学习基础的学习建议按以下顺序展开。第一，用PyTorch重写上一章用NumPy手写的神经网络，体验框架带来的便利，同时通过对照确认你确实理解内部机制。第二，理解卷积神经网络的基本结构和它在图像任务中的动机，不必太深入，能跑通一个手写数字识别之类的经典任务即可。第三，理解循环神经网络和序列模型的思路，重点是理解输入长度可变和时序依赖这两个新问题。第四，理解注意力机制和Transformer结构的核心思想，这是通向现代大语言模型的最后一公里。每一步都配一个小项目，千万别只刷课不动手。
7.2 怎么选方向：CV、NLP还是LLM应用
方向选择上，我给一个非常务实的判断框架。如果你对图像检测、分割、人脸识别这些具体任务感兴趣，且愿意积累领域知识，走计算机视觉方向；如果你对文本分类、信息抽取、知识图谱感兴趣，走自然语言处理方向；如果你更关心怎么用现成的大模型去解决实际业务场景，比如搭建企业知识库问答、设计Agent工作流，那可以直接走大模型应用方向。前两者需要更扎实的模型训练功底，后者则更看重工程集成、评估、产品化能力。
大模型应用是目前市面上需求量最大的AI工程岗位方向之一，但竞争也激烈。如果你能同时具备前两步打下的建模底子，再叠加RAG、Prompt工程、模型评估这些应用层能力，就会形成一个很少见的差异化优势——既懂模型原理，又会工程落地。我一直觉得这个组合，才是最值钱的AI工程师画像。
7.3 保持清醒：AI工程的护城河不在模型，在数据与领域理解
最后，说一个我在这个行业摸爬滚打几年后最深的体会：一个AI工程师的护城河，从来不是会最新最火的模型，而是懂业务数据和懂领域问题。同样一个算法，扔到金融风控场景，你需要理解什么是逾期、什么是坏账；扔到医疗场景，你需要理解影像数据、诊断流程里的坑；扔到电商场景，你需要理解转化率、用户行为数据各种口径背后的含义。模型框架大家都在用、都会用，真正拉开差距的是谁能把业务问题转换成数据问题，再把数据问题转换成模型问题，最后用工程手段交付一个稳定可靠的结果。
所以从现在开始，别只盯着模型代码看，多花时间去理解你所在行业的数据流转、业务链路和指标口径。一个能跟业务方聊明白的AI工程师，价值远高于一个只会调参的。这也是为什么我一直强调"from scratch"不只是从零学技术，更是从零建立一套"如何把问题落地成系统"的思维方式。
文章写到这里，我自己也挺有感触。这几年我见过很多人从一开始觉得自己"这也不行那也不行"，到一步一步把项目做完时眼里有光的样子。AI工程这条路，表面上技术门槛高，实际上只要你愿意动手、耐得住性子把基础打牢，它给普通人的回馈是实实在在的——你会看到一行行代码变成能赚钱、能省人力、能解决真实问题的系统。如果你正准备迈出第一步，别再多想，打开编辑器，装好Python环境，从读一份CSV数据开始。走起来，路自然就清晰了。
