最近在网上遇到一位网友提问:“我想从事AI相关的工作,但没有经验怎么办?”
我问她对 AI 了解多少,她说目前了解不多,只是用了一些AI写作、视频生成之类的工具。
我再次和她确认,“与AI相关的工作”具体指什么。她表示:就是希望AI可以发展得更好,自己能为AI的发展做一点贡献。但是因为对 AI 了解不多,一时也说不清楚。
这是一个很典型、也很积极的状况。AI 的浪潮滚滚向前,几乎每个人都在思考:我能不能参与其中?我能做点什么?
有很多朋友跃跃欲试,却又有些“不得其门而入”的迷茫。
其实,AI 相关的岗位和角色,大体可以分为五个层次。每一层都有它相应的作用和位置。

第一层:AI 的使用者
从药品申报到代码实践:十八年的积累与分享
这是一切的起点,也是目前人数最多的一层。身处这一层,你不需要懂 AI,只需要把它当成一个黑盒,通过输入输出去感知这个“人工智能”的特点与能力边界,并通过给它发出指令,收获结果来辅助自己工作生活即可。
只要能发现问题、敢于尝试,就能用AI提升效率、释放创造力。
现实中,这样的例子比比皆是:
- 市场运营人员可以用 Deepseek,Kimi 或豆包来规划营销活动、生成社交媒体文案、制定投放策略;
- 营销人员用即梦、Sora 或 Runway 等视频生成工具制作广告或产品演示视频;
- 设计师用 Midjourney 等工具生成插图、海报或效果图;
- 外贸业务员用 ChatGPT或 Claude 进行翻译、润色、提炼逻辑思路;
- 项目经理用 Notion AI 或飞书妙记等自动整理会议纪要、行动清单与任务提醒……
例如:有一家初创公司的市场团队,用元宝生成新品发布会脚本,用即梦制作视频预告,再用豆包批量生成社交平台推文。三个人的团队,一天就完成了过去一周的宣传物料。
AI 工具已经渗透到各行各业,这些工具的使用者,则是 AI 技术革命的“天使用户”。他们的创造力和反馈,正不断影响着 AI 工具的演进方向。
第二层:AI 配置者
这一层的人,已经不满足于“会用 AI”,而是想让 AI 更懂自己,也更懂别人。他们开始学习如何“配置” AI,以便让AI具备专属知识和执行能力,也让自己和他人获得更好的用户体验。
就目前而言,“配置 AI”大致可以分为三类动作:
01
创建知识库
把资料(文档、网页、报告、数据等)上传给 AI,让AI在需要时能够基于这些内容获得所需的专业知识或方法。
02
设计工作流
将日常工作拆解为若干 AI 能单步执行的任务,并梳理清楚这些任务之间的相互依赖和关联,让这些任务能够形成一个流程:比如“读取文档 → 提取要点 → 生成表格 → 发邮件”,就是一个由四个任务组成的工作流。
03
调用外部工具或 API
让 AI 不仅能说,还能“动手”,比如生成文档、查数据库、调用企业系统。
现在,这类“AI 配置平台”已经非常丰富,常见的诸如:
- 适合个人或企业搭建私有AI助手的Dify;
- 集成了大量插件和工具,支持创建功能型 AI(比如自动发帖、搜新闻等)的 Coze;
- 偏向知识管理和分发,能轻松上传文档、生成知识库并在 PC 或移动端调用的腾讯 IMA;
- 支持更复杂的工作流设计、外部 API 调用,可打造“能思考、能执行”的企业级智能体的腾讯元器平台等……
例如:一位医药行业的从业者在腾讯 IMA 上整理并发布了一个 FDA 法规知识库,其中包含了上千份官方指导文件,并发布给同行,帮助大家高效查阅标准条款。
这次尝试让她发布的知识库在不到一周时间里就有效帮助到了数百位一样领域的从业人员。
她还对自己积累了十数年的行业资料进行了系统化整理——除了法规文本,还有国际指导原则、个人笔记和专业文章等,规模超过了 10 亿 token。然后这些内容上传至腾讯元器平台,创建了一个专属智能体,成为了行业人士的“助手 + 顾问”。
半年内,已经实现了数万次问答、数千名活跃用户,很多同行反馈说:“原本要翻半天的法规,现在一分钟就能找到答案。”
从使用者到配置者,代表了从将AI当做 “工具”到将 AI 当作“助手”的跃升。本层的配置者开始主动塑造AI的能力边界,他们不再满足于“AI帮我做事”,而是希望让AI替整个团队、整个流程更高效地运转。
这意味着,他们要懂点“底层逻辑”——需要了解 AI 的基本原理,知道 AI 模型是什么东西,训练、推理、微调都是干什么,提示工程和 RAG 都是怎么回事。
此外还需要一些动手技能,例如能够写一些简单的脚本或配置文件的逻辑;懂得怎么搭知识库、建工作流;知道输入输出的关系,能判断问题出在哪。
最重要的,是具备“结构化思考”能力,能够把复杂任务拆解成清晰步骤。这些能力并不难,很多人靠自学或实践就能掌握。它的门槛比第一层高一点,却仍是人人可达的进阶。
在未来的职场里,懂得配置 AI 的人,将像当年“会用 Excel 的高手”一样稀缺而重要。因为他们能把 AI 从一个“聪明的玩具”,变成一台真正能落地执行的生产力机器。
第三层:AI 系统研发者
相较于第二层的人用现成平台配置知识库,搭建 AI 工具,第三层的从业者,已经能脱离平台限制,自己动手研发一套完整的 AI 系统了。
他们从零开始收集需求、定义产品、设计架构、调用模型、管理数据、编写逻辑、部署服务。
身处本层的人可以大致分为两类:
负责定义——要做什么?为什么做?
AI 产品经理
AI 技术人员
负责实现——怎么做?做到多好?
AI 产品经理对应的职能是需求收集和 AI 产品/系统功能的定义。他们要站在业务与技术之间,体察挖掘业务的痛点,将痛点结合场景转化为需求,再把需求描述变成能被 AI 执行的功能。
AI 产品经理的基本职责
-
挖掘业务痛点:深入理解用户场景合同点,判断哪些问题适合用 AI 解决,以及 AI 能在哪个环节创造价值。
-
转化为需求:将业务问题拆解成可量化、可验证的需求,基于对 AI 运行机制的了解,判断需求的可行性与风险并进行取舍。
-
定义系统功能:设计任务逻辑、数据流、对话结构和用户交互方式,让 AI “知道要做什么、怎么做”。
协调跨团队合作:在业务、算法、前后端团队之间沟通需求与约束,确保方案真正落地。
要胜任这一角色,AI 产品经理需要既懂业务又懂技术。特别是在现阶段,真正优秀的 AI 产品经理往往自己就是业务专家,能看懂行业与场景。
同时具备开放包容的心态,积极学习并掌握了相当深入的 AI 知识与技能,这样才能判断哪些问题值得、也适合用AI来解决。
他们还要具备清晰的逻辑思考力,能把复杂流程拆解成AI可执行的步骤,且有技术判断力,能够评估方案的可行性、成本与潜在风险。
当然强大的沟通与写作能力不可或缺,能清楚地表达思路,让业务人员、设计师和工程师都听得懂、看得懂。
AI 产品经理的重点是懂业务 + 懂AI的思维方式,把“可能性”变成“可实现”。
与之相对应,AI 技术人员是把想法变成现实的人,他们直接与代码、模型、数据打交道,搭建出AI产品的“引擎”和“骨架”。
AI 技术人员的基本职责
- 设计系统架构、各模块功能和模块间通讯,并选型 AI 模型和具体应用技术(提示工程、RAG 或后训练等)。
调用或训练模型,实现推理与评估。
编写代码实现前后端功能,并通过测试等手段保证产品质量。
优化性能并进行部署,保证系统可用、可扩展。
因此,和 AI 产品经理对于软技能的要求较高相比,AI 技术人员的硬技能要求更加突出。
首先需要有扎实的编程基础,除了一般性的功能研发,还需掌握常见 AI 框架(PyTorch、TensorFlow等);具备数据处理能力,能做数据清洗、整理和标注;具备 AI 算法知识,熟悉传统机器学习模型、神经网络原理,以及最新的 LLM(大语言模型)与 Diffusion(扩散模型)算法等。
而且要理解 AI 模型全周期——“数据准备 → 训练 → 推理 → 部署 → 监控”。
所有这一切,其实对研发人员的底层数学能力都有要求,要想做 AI 研发,至少要具备对微积分、线性代数、概率统计的理解能力。
AI 技术人员的要系统掌握数学、编程和算法,是一条专业技术路线。
这两类岗位看似分工不同,却是 AI 产品落地的双引擎。他们共享的核心,是对 AI 逻辑的理解与实践思维的结合—— AI 产品经理让AI有方向,AI 技术人员让 AI 有形。
无论你是想成为 AI 产品经理,还是技术人员,从第二层迈向第三层,都需要一个学习路径来掌握跨越集成实现创造所需要的技能。
对于技术人员而言,更多是从传统软件研发转型为 AI 研发,那么其实可以从补习 AI 知识(机器学习、神经网络原理等)和 AI 模型全周期入手。
而 AI 产品经理,则很可能是从各行各业中以业务专家的身份转型而来的,原本并不了解软件产品研发的方式和特征,骤然遭遇 AI,可能更加迷茫。
这也不要紧,不必急着一下子成为专家,可以有计划地分步完成——
AI 产品经理进阶三步走
1、打地基:先了解 AI 系统的基本原理,明白一个应用由前端、后端、数据和模型组成,大致知道它们如何协作。即使是产品经理,最好也能学习一点编程,可以从Python开始,能写简单逻辑就够用。
2、动手练:选一个真实场景,比如写作助手、客服机器人或推荐系统,用开源模型或 API 自己搭个简版,在过程中去理解数据准备、模型偏差、提示优化这些问题。
3、拓视野:在研发产品的过程中,系统性地补充 AI 原理、设计逻辑和交互思维方面的知识。
要知道,真正把一套AI系统“做出来、跑起来、用得稳”,远比想象中困难。
其中的问题不在模型或算力,而在缺乏清晰的落地路径——这正是第三层的挑战所在。
AI 产品经理要懂技术逻辑,AI 研发人员要懂业务逻辑,二者协同才能让 AI 真正嵌入流程、产生价值。
开发 AI 系统是一场“慢工出细活”的积累,是一场“死磕到底”的战斗!能坚持下来、不断查、改、问的人,最终才能跨越这道“生成式技术鸿沟”,让 AI 从展示变成真正的生产力。
第四层:AI 模型训练者
第四层的人,负责将让“论文中的算法”变成“现实中的模型”,也就是将 AI 模型从无到有地建造出来。他们是算法、数据和算力的交汇点。
当然这一层包括多种角色,主要有:
- 负责收集、清洗、标注并管理训练数据的数据工程师;
- 负责搭建分布式训练平台,调度GPU集群,研发 AI 模型训练/推理框架的 AI 运算平台研发者;
- 负责把 AI 科学家研究出的算法训练为可用的 AI 模型的算法工程师。
算法工程师是其中的核心,他们需要深入掌握机器学习与深度学习的理论与实现方法;理解模型从训练到推理的完整过程,能够将第五层研究者的成果实现为可运行的结果。
第四层与前三层的最大不同在于,它有明显的“硬壁垒”。 前面三层更多依靠理解、应用与创造力,而第四层要求系统的知识结构与专业训练。如果说前三层靠学习可以入门,这一层则必须靠积累、实践与深厚的学科基础才能站稳。
目前身处这一层的算法工程师(甚至其他的本层岗位)通常拥有计算机相关专业的硕士及以上背景(尤其以 C9 高校的计算机系最为集中),具备扎实的数学功底、编程能力和系统化的工程训练。
第五层:AI 算法研究者
第五层的人身在 AI 金字塔的顶端,他们研究的不是如何使用 AI 或让 AI 被使用,而是如何创造新的 AI,也就是让 AI “诞生出来”!
他们探索新的模型结构、训练机制和算法原理,推动AI在理解、生成、推理和安全等方向的突破。这些研究成果,正是第四层算法工程师用来训练模型的“源代码”。
这一层的从业者,大多是博士及以上学位的学者或研究员,拥有计算机科学、数学、统计学等相关领域的深厚理论背景。他们中的一部分在高校和研究机构工作,另一部分则在大公司中担任“科学家”或“研究员”等角色。
第五层的工作虽然离普通应用最远,却是整个 AI 体系的起点。他们负责定义未来,决定AI能走多远。
结语
五层台阶,每一层都是融入 AI 的路径
AI 的五层台阶,每一层上都站着人。每一层都有自己的意义——使用者让 AI 融入日常,配置者让 AI 走向专业,研发者让AI落地,训练者和研究者让 AI 持续进化。
我们可以选择停留在让 AI 帮我们提升效率的第一层,也可以继续拾阶而上,深入创造。如果想要向上走,自有其前进的路径,但也不是非要一路向上攀登。在这场技术浪潮中,没有“高低之分”,只有“参与方式”的不同。
正因为有人在不同的层次上探索和实践, AI 的生态才得以完整。
开头提到的那位网友提问说:“我想从事 AI 相关的工作,但没有经验怎么办?”
其实,答案就在这五层台阶中:
先找到你所在的位置——你可以是一个使用者,也可以是一个探索者,或者是一个创造者。
关键不是一开始就站得多高,而是清楚自己在哪一层、想往哪一层走。
无论选择停留还是攀登,第一步永远是一样的:去学习 AI,去了解 AI。只有了解它,才能真正用好它。
AI 的浪潮已经到来,“人人皆能入场”。你要做的,只是先上台阶,站上去。只有主动参与,才能在这个时代找到属于自己的位置。
如何学习大模型 AI ?
由于新岗位的生产效率,要优于被取代岗位的生产效率,所以实际上整个社会的生产效率是提升的。
但是具体到个人,只能说是:
“最先掌握AI的人,将会比较晚掌握AI的人有竞争优势”。
这句话,放在计算机、互联网、移动互联网的开局时期,都是一样的道理。
我在一线互联网企业工作十余年里,指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
一直在更新,更多的大模型学习和面试资料已经上传带到优快云的官方了,有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇

01.大模型风口已至:月薪30K+的AI岗正在批量诞生

2025年大模型应用呈现爆发式增长,根据工信部最新数据:
国内大模型相关岗位缺口达47万
初级工程师平均薪资28K(数据来源:BOSS直聘报告)
70%企业存在"能用模型不会调优"的痛点
真实案例:某二本机械专业学员,通过4个月系统学习,成功拿到某AI医疗公司大模型优化岗offer,薪资直接翻3倍!
02.大模型 AI 学习和面试资料
1️⃣ 提示词工程:把ChatGPT从玩具变成生产工具
2️⃣ RAG系统:让大模型精准输出行业知识
3️⃣ 智能体开发:用AutoGPT打造24小时数字员工
📦熬了三个大夜整理的《AI进化工具包》送你:
✔️ 大厂内部LLM落地手册(含58个真实案例)
✔️ 提示词设计模板库(覆盖12大应用场景)
✔️ 私藏学习路径图(0基础到项目实战仅需90天)






第一阶段(10天):初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识,对大模型 AI 的理解超过 95% 的人,可以在相关讨论时发表高级、不跟风、又接地气的见解,别人只会和 AI 聊天,而你能调教 AI,并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么?
- 大模型是怎样获得「智能」的?
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例:向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段(30天):高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习,学会构造私有知识库,扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架,抓住最新的技术进展,适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示(Embeddings)
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段(30天):模型训练
恭喜你,如果学到这里,你基本可以找到一份大模型 AI相关的工作,自己也能训练 GPT 了!通过微调,训练自己的垂直大模型,能独立训练开源多模态大模型,掌握更多技术方案。
到此为止,大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗?
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2:手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段(20天):商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知,可以在云端和本地等多种环境下部署大模型,找到适合自己的项目/创业方向,做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身:基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例:如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程,只要学习就会有挑战。天道酬勤,你越努力,就会成为越优秀的自己。
如果你能在15天内完成所有的任务,那你堪称天才。然而,如果你能完成 60-70% 的内容,你就已经开始具备成为一名大模型 AI 的正确特征了。
这份完整版的大模型 AI 学习资料已经上传优快云,朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】

1444



被折叠的 条评论
为什么被折叠?



