# 招AI工程师的人告诉我：学历这道墙，很多公司自己早拆了

- URL: https://davidyin.dev/writing/123-20260701-ai-engineer-without-cs-degree/
- 作者: David Yin
- 发布: 2026-07-01
- 标签: AI 工程师、转行、RAG、Agent、MLOps、作品集
- 摘要: 招 AI 工程师的人坦言：学历这道墙，很多公司自己早拆了，查的是你交出来的东西。作者把岗位拆成造发动机的研究员和装车的 AI 工程师——后者不用拼数学，拿现成大模型拼出真有人用的产品。十二个月路线：Python 手感、function calling、RAG、把 Agent 做稳、评估与 MLOps 部署，用三个上过线的项目代替学历敲门。

手上摆着两份简历，我更想聊后面那份。

前一份，名校计算机硕士，成绩单挺漂亮，项目那一栏空着。后一份，本科学的是会计，毕业三年，GitHub 上挂着三样东西：一个能翻公司文档、张口就答的问答机器人；一个自己跑完报销流程的小工具；一个上了线、还带监控的应用。

GitHub 是啥？简单说，就是全世界程序员公开放代码作品的地方，等于一个谁都能点开看的工程师作品柜。

干这行十八年，招过的人、面过的人不算少。我直接说：这两份简历摆一块儿，我大概率约后面那个。不是我不认学历，是这个岗位看的压根是另一套东西：你做过什么，上没上过线，有没有真人在用。

**这行卡你的那道学历门槛，很多公司自己早就不查了。查的是你交出来的东西。**

## 你要抢的，不是造发动机那碗饭，是装车那碗

先把两个岗位分清楚，太多人一上来就搞混了，然后把自己劝退。

一个叫机器学习研究员。他们从零发明模型、训练模型，靠的是高学历和很硬的数学。这活儿真需要博士那套底子，但盘子小、招人少。

另一个才是我说的 AI 工程师，也有人叫大模型应用工程师。他们不训模型，拿现成的大模型搭出真能用的产品。通义、文心、DeepSeek、Kimi，或者任何对得上接口的模型，都行。

打个比方。研究员在造汽车发动机，AI 工程师在把发动机装进车、调好、开上路交给客户。市场上敞开招、你没学位也进得去的，绝大多数是后面这碗饭。

**别去跟博士拼数学。你要干的，是把一堆现成零件，拼成一个真有人用的东西。**

*研究员造发动机，AI 工程师把车装好开上路——你要抢的是后面这碗饭。*
## 但你摆出来的，得是真作品

先泼盆冷水。我说的作品，不是照着视频抄一遍、跑通就截图的玩具，招人的一眼就能看穿。真作品是你从一张白纸开始搭起来，部署到线上，陌生人打开就能用，坏了你还知道怎么修。

**真正的敲门砖是你做出来的东西，学历顶多算个备注。**

*照着视频抄一遍跑通截图，招人的一眼看穿；真作品是陌生人打开就能用、坏了你会修。*
## 动手之前，先照照镜子：这条路不是给所有人的

再说句实话：这条路不是人人都能走。开工前，拿三个问题问自己。

一，你想走的是哪头？前面说过，研究员那条路真吃学历、真吃硬数学。你要是奔着从零训模型去的，自学攒作品救不了你，读个学位更划算。这条路只对"把现成大模型拼成产品"的应用岗管用。二，你能不能连着一年天天动手？这套打法全靠持续交东西，三天打鱼两天晒网的人，一年后手里照样空，那还不如拿学位兜个底。三，你扛不扛得住没完没了的调试和脏活？光鲜的是 demo，值钱的是把东西做稳，愿意跟枯燥死磕的人才走得到最后。

三条都点头，就往下走。这份路线图奔着"能拿出手的作品"去，十二个月，实打实，前提就是这一年你手别停：光看文章不算，光收藏教程不算，光在群里聊也不算。我把它拆成几段，每一段你都得交出点东西来。

## 头三个月：先把代码写利索，别急着碰大模型

很多人火急火燎想上手大模型，连一段能跑的代码都写不利索。顺序反了。

第一步是把编程练扎实，语言选 Python 就对了，几乎所有 AI 相关的库都优先支持它。练到什么程度算数？给你一个空文件，你能不查基础语法就敲出一个小程序。变量、判断、循环、函数、读写文件、调接口、处理报错，这些得变成手感。

顺手学会 Git，从第一天起就把代码全推到 GitHub 上。这是你作品柜的前半边。

至于数学，别被吓住。搭大模型应用，你只要会点基础统计、对数字有感觉就够了。线性代数、微积分那套深水，是研究员的事，不是你现在的事。

这三个月的交付：一门正经的 Python 课，每天写代码，做五个能跑的小程序，全推上 GitHub，再进一个技术社区，别自己闷头学。

**五个能跑的小玩意儿，比五十页笔记管用。**

## 第四到五个月：把大模型当零件用，不是当聊天框

你平时打开对话框跟 AI 聊天，那是普通用户的用法。工程师不这么干。

工程师是从自己的代码里，直接给模型发请求、接住回答，再拿程序去处理。这个阶段就练这个本事：怎么从脚本发消息、怎么接住它一段段吐出来的回复、怎么管住多轮对话的上下文、怎么让它按你要的格式输出、报错和限流怎么扛。

这里有个门槛得说透。让模型"大概答对"很容易，让它每次都精准、稳定、能上生产，是另一回事。在真产品里，"通常是对的"就等于有 bug。

再学一样关键的，叫工具调用，英文常写作 function calling。说人话，就是让模型自己去调一个函数、查一个系统、拉一份数据。你给它配上工具，它就不只是会聊天了。

**说到底，一个 Agent 就是模型加上工具、再加一个循环。听着简单，做稳很难。**

这个阶段交付：拿到接口密钥、发出第一个请求；做一个能处理你粘进去文字的命令行小工具；做一个带记忆的聊天机器人；再实现一次工具调用，给模型一个函数，让它准确地调对。

## 第六到七个月：让模型去查你自己的资料

到这儿，你要碰的是这行里最能让人拿到 offer 的本事，叫 RAG。市面上多数真在用的 AI 产品，底下都是它在撑着。

模型只知道两样东西：它训练时看过的资料，加上你当场喂给它的东西。它没读过你公司的文档，你一问，它就自信满满地瞎编。

RAG 干的就是这件事：你问一个问题，它先去你自己的资料库里，把最相关的那几段捞出来，塞到模型面前，让它照着这些真材料回答，而不是凭记忆猜。

中间有几个词得焊白话。先把长文档切成一小块一小块，再把每块转成 embedding，也就是一串能表示"这段话什么意思"的数字，意思相近的数字就挨得近。这些数字存进一个专门的库，叫向量数据库，它能按"意思接近"飞快地帮你找。问题一来，先捞最贴题的几块，再喂给模型。

一个从头到尾能跑通、喂的是真文档的 RAG 应用，就是你作品集里的第一个正经项目。

**RAG 让模型学会一件事：不知道就去查，别张嘴就编。**

*RAG 让模型先查你的资料再回答，Agent 让它把一整件事从头干完。*
这阶段交付：搞懂 embedding 和向量库；拿一批真文档做一个 RAG 应用；给它加一层评估，检查捞出来的到底是不是最该用的那几块；最后部署到线上，让陌生人能点开用。

## 第八到九个月：让它自己把活干完

RAG 帮你答对一个问题，Agent 帮你把一整件事从头干完。这是两码事。

Agent 是这样：你给它一个目标，它自己把目标拆成几步，每一步用工具去做，做完看结果，再决定下一步怎么走。工具调用你第二阶段学过了，现在把它塞进一个带目标的循环，再多配几样工具。

难就难在，真实世界是乱的。Agent 会绕圈、会调错工具、会卡死、会拿到空结果还傻乎乎往下走。做一个演示里很唬人的 Agent 不难，做一个稳得住、能反复用的 Agent 很难。

这两者中间隔着的，就是出错怎么兜、工具怎么设计得清楚、效果怎么衡量。**能录个漂亮 demo 的人满地都是，市场真正缺的，是能把 Agent 做稳的那种。**

这阶段交付：先做一个单 Agent，调好几样工具，干一件真正多步骤的活；再做一个小的多 Agent 系统，两个以上的 Agent 互相配合、互相检查；把出错情况处理好，工具挂了、返回空了，接下来该怎么办。一个能解决真问题的多 Agent 系统，就是你作品集的第二个项目。

## 最后三个月：干最没人爱干、但最值钱的脏活

这段最枯燥，也最容易被跳过。恰恰是它，把"会玩"变成"能被雇"。

先说评估。它是给你的系统造一把尺子：量它到底行不行，也量你改了一版之后，是变好了还是变坏了。答得准不准、切不切题、跟标准答案一不一致，这些都得能量出来。有时候让另一个模型来打分，有时候人来审。一个会给系统建评估的人，公司才敢把生产环境交给他。

再说部署。就是把东西从你的笔记本搬到线上：找地方托管、上监控、扛住流量、盯住花了多少钱、在用户之前先发现毛病。这套活儿有个统称，叫 MLOps。哪怕你只懂个皮毛，身价都不一样。

**谁都能让一个 AI 功能跑通一次。公司掏钱买的，是它跑到第一万次还不出事。**

这阶段交付：给前面某个项目建一套评估用例；把一个项目正经部署上线，带监控、带成本追踪，这是你作品集的第三个项目；再写清楚你到底量了什么、下一步打算怎么改。

## 第十二个月：让对的人看见你做过什么

到这儿你不用再学新技术了，要干的是让该看见你的人看见你。

你手里已经有三个真项目：一个带评估的 RAG 应用、一个能互相配合的多 Agent 系统、一个正经上线带监控的东西。对多数 AI 工程岗来说，这比一纸硕士文凭能敲开的门更多。

每个项目都写成一个案例：解决了什么问题、你怎么做的、量出了什么结果、重来你会怎么改。把过程和踩的坑都晒出去，招聘平台、技术社区、朋友介绍，能用的路子都用上。一个持续在公开地方搭东西的人，很快会被盯上。

说句实在的路径：多数人不是一步到位当上 AI 工程师，而是先进一个"用 AI 辅助写代码"的软件岗，站稳了再往纯 AI 工程岗转。

薪资就别指望我给你一个精确数字。行情差别很大，看城市、看公司大小、看你手里的活成色。有一点得提醒：招聘平台上那些扎眼的高薪，多半是算法岗的行情，别拿它当大模型应用岗的普遍水平。落到应用这头，一线大厂资深岗的年包能到几十万往上，入门和中小厂差得不小，别拿头部数字给自己画饼。

面试真到了那一步，考官问你"Agent 调工具失败了该怎么处理""你会怎么评估一个 RAG 系统"，你不用背理论。你把自己真踩过的坑讲出来就行。

## "AI 都会写代码了，学这个图什么"

这个问题我被问过太多次，正面回答。

代码被写出来，只是活儿的一半。另一半是：谁来设计整套系统、谁把这些零件拼到一块儿、谁判断输出到底对不对、谁决定下一个该搭什么。这些事，AI 现在替不了你。

AI 越能写代码，会指挥它的人反而越值钱。真正被市场高价买走的，正是那个能调度这些工具、又能判断它产出好坏的人。

**跟工具比谁敲得快，没意义。你要练的，是指挥它、盯住它交出来的活。**

会开车的人，不会因为车跑得更快就丢饭碗。会调度一整队车的人，反而更抢手。

十二个月能成，前提只有一个：这一年你一直在动手。看文章不等于会，看教程不等于会。进了这行的人，每一段都真交了东西出来，也没在"追求完美"上磨蹭。卡住的人，永远在准备、准备、再准备，一件像样的东西都没敢摆到真人面前。

一年后的今天，你要么还在跟自己说"我得先搞个学历"，要么已经是那个手里攥着三个上过线的项目、根本不需要学历来证明的人。

*一年后，要么还在等学历，要么已经攥着三个上过线的项目。*
数据来源：国内招聘平台公开信息。

---

你手里有没有已经上过线的项目？