想转 AI 却不知道从哪学起？这是我给零基础程序员排的一条学习顺序

关注

原创最新推荐文章于 2026-11-03 18:08:47 发布 296 阅读 AI 写同款· GEO 优化 ›

AI人工智能学习路径图都看了昨天的热搜没有？韩国首位AI女主播金柱夏诞生，瞧瞧，这就是科技的力量啊！用智能代替人工解放人力，相信在未来这一定是个大的发展趋势，这时候可能就有人想要进入这个行业了，那么今天，小编就来给大家分享下AI人工智能的学习路径，帮助大家去学习与理解。第一阶段：前置python基础知识知识点： 1）Python环境搭建和基本概念计算机组成、Python简介、变量和注释、bug和debug工具、常见数据类型、字符串的输出 2）基础运算与条件判断输入、类型转换、算数运算、赋值及复合赋值运算、阅读详情

这两年身边转 AI 的程序员越来越多，但我发现大部分人卡在同一个地方——不是学不会，是不知道该按什么顺序学。

打开收藏夹，里面躺着几十个教程：LangChain、RAG、向量数据库、微调、Prompt 工程、Agent、vLLM……每个名词都眼熟，但真要动手，第一步该点哪个？先学框架还是先学原理？要不要先补深度学习的数学？

我自己趟过一遍，也带过几个转型的同事。这篇就把这条顺序讲清楚——不是罗列资源，而是告诉你为什么是这个顺序。

先分清：你要学的是「应用层」还是「训练层」

「学 AI」这个说法太笼统了。现在的岗位其实是两条完全不同的线：

应用层：调大模型 API、写 Prompt、做 RAG、搭 Agent，把 LLM 接进产品。不需要机器学习数学，会 Python 就能开始，招聘需求最大。
训练层：预训练、微调、推理引擎优化。需要深度学习和 CUDA 底子，岗位少、门槛高、薪资也高。

绝大多数程序员该先走应用层——投入产出比最高，而且做着做着你自然会知道要不要往训练层深入。下面的顺序就是按应用层排的。

第一步：Python 别学全，学到能调通一个 API 就行

很多人第一步就想太多，抱着一本 Python 大部头从头啃。没必要。你需要的是：函数和类、用 requests/httpx 发请求、读写 JSON、async 异步、虚拟环境和包管理。

判断标准很简单——能不能独立写出「读环境变量里的 key → 调一个 HTTP 接口 → 解析返回的 JSON」这段代码。能，就进下一步。

（包管理现在推荐直接上 uv，比 pip 快一个数量级，也省得折腾虚拟环境。）

第二步：先「裸调」API，别急着上框架

这是最容易被跳过、但最关键的一步。

在碰任何框架之前，先直接调 Anthropic 或 OpenAI 的 Messages API：搞懂 system/user/assistant 三种角色、温度参数、流式输出、工具调用（function calling）、结构化输出。同时练 Prompt——这是决定输出质量的第一杠杆，比换模型有用多了。

为什么一定要先裸调？因为 LangChain 这类框架把这些细节全包起来了。你直接上框架，等于把模型当黑盒——一旦输出不对，你根本分不清是 Prompt 写坏了、还是框架某个参数配错了。先手写一遍，框架你才用得明白，出问题也知道去哪查。

我见过太多人 LangChain 用得飞起，结果连"为什么加了这句 system prompt 输出就崩了"都说不清，就是这一步跳过了。

第三步：RAG——让模型回答你自己的资料

RAG（检索增强生成）是应用层最高频的需求，没有之一。八成的"企业 AI 项目"本质就是个 RAG：把文档切块 → 向量化 → 存进向量库 → 检索 → 拼进 Prompt 让模型回答。

这一步要搞懂的概念：embedding（向量化）、chunking（切块策略，这个坑最多）、向量检索、重排（rerank）。把这套跑通，你就能做出"问答自己知识库"的产品——这是目前最好变现的一类需求。

第四步：到这里再学 Agent 框架，才顺理成章

前面三步打好了，现在学框架就水到渠成。Agent 让模型能规划、调工具、循环执行，从"单次问答"进化到"多步自主完成任务"。

顺序建议：先理解 ReAct 循环（思考→行动→观察的循环，是所有 Agent 的骨架），再看状态图编排（LangGraph 把 Agent 建模成状态机，复杂流程可控多了）、声明式编程（DSPy 让你写"要什么"而不是"怎么调"）、类型安全的 Agent（Pydantic AI），以及 MCP 这套正在成为标准的工具协议。

做到这一步，你已经能独立交付一个真实的 AI 应用了。再往上，就该补可观测和评测——线上模型到底表现如何、怎么量化改进，这是把 demo 做成产品的分水岭。