如何在 2026 年成为一名 AI 工程师
不需要计算机科学学位。
不需要参加培训班。
不需要今天就知道什么是 transformer。
以下是你从别人那里听不到的事实：
现在正在招聘的公司，不需要懂数学的人。
他们需要的是能构建经得起生产环境考验的系统的人。
这两者之间是有区别的。
一个聊天机器人包装器不是一个系统。
一个工具调用不是一个 Agent。
懂 LangChain 不等于懂封装工程。
这两者之间的差距，大约相当于 15 万美元的年薪。
这正是跨越这个差距的完整路线图。
收藏本文。你会读两遍的。
先来看残酷的真相
现在大多数做 AI 开发的开发者，都在做玩具。
他们把 GPT 包装一下，加几个提示词，就称之为 "AI 产品"，然后奇怪为什么没人付钱。
市场上充斥着薄薄一层的 LLM 封装。
这些不是生意，它们只是等待被大厂 "Sherlock" 的功能。
以下是 2026 年公司真正会付钱的东西：
→ 在周五凌晨 2 点不会崩溃的 Agent
→ 可以测量并证明没有退步的系统
→ 能让同一个模型性能提升 86% 的封装框架
最后一点不是虚构的。
Anthropic 让同一个模型（Opus 4.5）跑在两个不同的封装框架上：
→ Claude Code 封装框架：CORE 基准测试 78%
→ Smolagents 封装框架：CORE 基准测试 42%
同一个模型，不同的封装框架。36 个百分点的差距。
封装框架就是工作本身。
2026 年 AI 工程师实际在做什么
不是写提示词，不是选模型。
AI 工程师构建并运维模型周围的系统。
这意味着：
→ 设计 Agent 循环和工具调度
→ 上下文工程 —— 每一步往模型里放哪些 token
→ 编写模型能正确选中的工具
→ 为生产流量添加记忆、持久化和沙箱
→ 接入评测和 CI 回归门，让 "更好" 变得可测量
→ 交付能经受真实用户和真实成本的 Agent
每个 Agent 工程师都需要掌握的四个上下文原语：
写入 —— 草稿本、Agent 读取和更新的记忆文件
选择 —— 在使用时检索，而不是一次性全量倒出
压缩 —— 在上下文窗口的 85%-95% 处进行总结
隔离 —— 拥有独立上下文窗口的子 Agent
这叫做上下文工程。提示词工程作为独立技能已经过时了。上下文工程取代了它。
6 阶段路线图
全职 17 周。兼职 40 周。
每个阶段都有一个具体的项目。没有哪个阶段在交付项目之前就结束。
阶段 0：建立正确的思维模型（第 1-2 周）
现在先别写一行 Agent 代码。
大多数初学者会跳过这一步。他们直接扎进教程。然后当他们写的代码出问题时，他们根本搞不明白原因。
在开始任何编码之前，先要清楚三件事：
1. 工作流 vs Agent
工作流有一个你编写好的固定控制流。Agent 在循环中自己做出控制流决策。
当你需要工作流时却去构建 Agent，成本要高出 10 倍，而且出错的频率高一倍。
2. 5 种工作流模式（来自 Anthropic）
→ 提示链式调用：把一个调用的输出传给下一个
→ 路由：不同任务用不同模型
→ 并行化：同时运行多个任务
→ 编排器-工作者：一个大脑，多双手
→ 评估器-优化器：生成 → 评判 → 改进
3. 封装框架
封装框架是位于你和模型 API 之间的东西。
把它想象成操作系统：
→ 模型 = CPU（原始算力）
→ RAM = 上下文窗口
→ 操作系统 = 封装框架
→ 应用 = 你的 Agent 的技能
操作系统决定了 CPU 实际能做什么。封装框架决定了模型实际能做什么。
阶段 0 项目： 写一份 2 页的文档 —— 用你自己的话 —— 定义：工作流 vs Agent、5 种工作流模式、4 个上下文原语、编排器-工作者模式。
如果你不看资料写不出来，那说明你读得还不够仔细。
阶段 1：从头构建你的第一个 Agent（第 3-5 周）
写两遍 Agent。
第一次：用原生的 Anthropic SDK，大约 100 行 Python 代码。
第二次：用 Claude Agent SDK。
然后感受其中的区别。
构建 #1 —— 原始循环
Agent 循环并不神秘。
- 用消息和工具调用模型
- 解析出 tool_use 块
- 执行工具
- 追加 tool_result
- 循环直到 stop_reason = end_turn
你自己用不到 100 行代码写出来。
一旦你做到了，任何框架都变得可读。
给它 3 个工具：
→ web_search
→ read_file
→ write_file
让它做一个研究任务。阅读每一步的追踪信息。
构建 #2 —— 在 Claude Agent SDK 上构建同一个 Agent
Claude Agent SDK 是为 Claude Code 提供动力的同一个封装框架。
添加：
→ 包含项目约定的 CLAUDE.md
→ 一个技能（一个定义 "研究总结" 输出格式的文件夹）
→ 一个 PostToolUse 钩子，自动格式化 Agent 写的每个文件
→ 通过 Task 工具生成的一个子 Agent
然后写 200 字回答："这个封装框架给了我哪些在构建 #1 中需要自己手写的好处？"
阶段 1 项目： 一个每日简报 Agent。读取你的 Markdown 笔记 + RSS 订阅源。每天早上将总结好的简报写入磁盘。运行一周。观察它失败，然后修复它。
阶段 2：构建一个具有真实架构的 Agent（第 6-9 周）
现在你将在 LangGraph + Deep Agents 上构建。
这是生产级技术栈。
LangGraph 提供：
→ 状态机（节点 + 边）
→ PostgresSaver 检查点（能抵抗任何进程崩溃）
→ 时间旅行调试（能回退到任何步骤）
→ 人工介入中断
→ 通过 LangSmith 实现一流可观测性
Deep Agents（LangChain 的封装框架包）提供：
→ 规划中间件
→ 虚拟文件系统
→ 子 Agent 生成
→ 自动上下文压缩
→ 技能
关键概念：中间件
中间件是你定制一个封装 Agent 而不需要 fork 它的方式。
四个重要的钩子：
→ before_agent —— 在循环开始之前运行
→ wrap_model_call —— 包装每次 LLM 调用
→ before_tools —— 在任何工具执行之前运行
→ after_tools —— 在任何工具执行之后运行
阶段 2 项目： 研究分析师 Agent
输入：一个研究问题
架构：
→ 主管 Agent 规划，向虚拟文件系统写入 TODO 列表
→ 并行生成 3 个搜索子 Agent（隔离上下文）
→ 子 Agent 将结果写入文件，向父 Agent 返回简短总结
→ 引文子 Agent 验证声明
→ 写手 Agent 生成带有内联引用的最终 Markdown
→ 通过 PostgresSaver 持久化状态 —— 杀掉进程，从离开的地方恢复
→ 人工介入中断：在 token 消耗超过 $1 之前请求确认
将 LangSmith 追踪 URL 和 README 一起提交。
阶段 3：自己构建封装框架层（第 10-13 周）
这是整个路线图中杠杆最高的阶段。
停止使用现成的封装框架。自己建一个轻量的。
除非你有过一次构建封装框架的经验，否则你永远无法在生产中做出正确的权衡。
现代封装框架的 10 个组件：
- 循环控制 —— 驱动 模型→工具→模型 的 while 循环
- 工具调度 —— 注册、schema 验证、并行调用、重试
- 上下文管理 —— 系统提示词组装、在窗口 85% 处压缩
- 持久化 —— 在每个节点检查点保存状态，以便恢复、回退、分支
- 子 Agent 编排 —— 隔离上下文的子进程，压缩后总结返回
- 技能与渐进式展示 —— 仅在相关时加载能力
- 钩子 —— PreToolUse、PostToolUse、PreCompact、Stop
- 可观测性 —— 每次模型调用、工具调用、子 Agent 调用都生成 OTEL spans
- 沙箱 —— 在容器中执行代码，模型永远没有凭据
- 认证代理 —— 凭据永不进入模型上下文
阶段 3 项目： 用大约 1,500 行 Python 代码写一个迷你封装框架。
必须包含：
→ 通过 @tool 装饰器生成 JSON-schema 的工具注册表
→ CLAUDE.md 风格的系统提示词加载器
→ SKILL.md 渐进式展示加载器
→ 带有隔离上下文的子 Agent 生成原语
→ 文件系统卸出：任何超过 20K token 的工具结果，写入磁盘，在上下文中替换为路径 + 10 行预览
→ 在上下文窗口达到 85% 时自动压缩
→ 可插拔钩子系统（pre_tool, post_tool, stop）
→ OpenTelemetry 追踪
→ 持久化恢复：每一步后持久化到 SQLite，通过运行 ID 重新加载
真正的交付物：一篇 1,000 字的复盘文章，比较你的迷你封装框架与 Claude Agent SDK 和 Deep Agents。你做得对的地方、你砍掉的部分、以及你下次会改什么。
阶段 4：构建评测与回归封装框架（第 14-17 周）
没有这个，所有的 "改进" 都靠感觉。
这是大多数工程师停滞不前的地方。
他们能构建出优秀的 Agent。但他们无法判断下一次改动是让 Agent 变得更好还是更差。
你必须实现的 4 种评测类型：
1. 单轮评测
给定这个输入，输出是否正确？最便宜。尽可能用确定性评分器。持续运行。
2. 轨迹评测
Agent 是否以正确的参数调用了正确的工具序列？测试单步、整轮和多轮变体。
3. LLM 作为评判者
针对开放式输出：研究报告、代码审查、解释。每周用人工评分的示例校准。
4. 最终状态评测
针对有状态的 Agent：数据库是否正确写入？正确的文件是否发生了变化？比较最终环境状态与真值。
关于评测的不安真相：
模型能检测到自己正在被评估。它们在评测输入上表现不同。
设计你的评测套件来防止这一点。使用真实的生产查询，而不是合成的。
阶段 4 项目： 围绕你的阶段 2 Agent 构建回归封装框架。
→ 黄金数据集：30-50 个手工评分的研究问题（3 个难度等级）
→ 针对事实性查询的确定性评分器
→ 带有 5 个标准评分的 LLM 作为评判者，用于开放式问题
→ 轨迹评测：Agent 是否做了规划、生成了 2 个以上子 Agent、引用了来源、在预算内完成？
→ 接入 GitHub Actions：如果黄金数据集通过率下降 3 个百分点以上，阻止合并
→ 生产采样：每晚自动评分 1% 的实时追踪
阶段 5：生产环境加固（持续进行）
这个阶段永远不会结束。
有 5 件事是始终重要的：
1. 成本控制
→ 缓存你的 CLAUDE.md、系统提示词和工具定义 —— 最多可节省 90%
→ 根据难度路由：简单请求用 Haiku，大多数任务用 Sonnet，复杂推理用 Opus
→ 非实时任务用 Batch API：半价
→ 多 Agent 消耗的 token 大约是单 Agent 的 15 倍 —— 只有当价值超过这个门槛时才使用
2. 延迟
→ 始终并行工具调用 —— Anthropic 自己研究 Agent 的系统提示词直接说 "你必须使用并行工具调用"
→ 向 UI 流式输出部分结果
→ 子 Agent 扇出：一个 60 步的顺序 Agent → 10 步开头 + 5 个并行的 10 步子 Agent
3. 安全与沙箱
→ 所有代码执行在沙箱中（Modal、E2B）：永远不要在主进程中 exec() 模型输出
→ 凭据在模型上下文之外代理：模型永远看不到它使用的 API 密钥
→ 任何不可逆的操作都要人工介入中断
4. 监控与漂移
→ 报警：每次请求的 token 成本、工具调用失败率、LLM 作为评判者分数、p95 延迟
→ 每次模型升级后重新校准评测 —— 封装框架编码了对模型能力的假设，这些假设会过时
5. 韧性
→ 任何运行超过 60 秒的 Agent 都需要持久化执行（Inngest、Temporal、PostgresSaver）
→ 在每个节点后检查点
→ 应该始终可以回退和分支
5 个生产级项目（选一个，这个周末就做）
这些按复杂度排序。
它们证明了公司真正需要看到的能力。
项目 1：基于 SLM 的 AI 移动应用
构建一个离线优先的移动应用，使用小型语言模型。零 API 成本。完全隐私。
它不简单的原因：
→ 按需延迟加载模型，内存压力下卸载
→ 带有语义分块的滑动上下文窗口
→ 旧设备用 4-bit 量化，新设备用 8-bit
→ 批量推理以减少电池唤醒周期
为什么重要：你证明了你能理解资源约束和设备级别的 AI。你不仅仅是在调用 API —— 你在管理内存压力和量化。
项目 2：自我改进的编程 Agent
构建一个能写代码、跑测试、从失败中学习的 Agent。它不会停止，直到代码功能正常。
它不简单的原因：
→ 规划 → 执行 → 测试 → 反思循环，带有最大迭代限制
→ 每个任务有隔离的执行环境和资源限制
→ 记忆层级：短期（最近 5 次迭代）、长期（成功模式）、失败记忆（错误签名 + 解决方案）
→ 执行前进行静态分析 —— 检测危险操作
为什么重要：引入了 Agent 循环。表明你理解生产调试和迭代优化。
项目 3：视频编辑器的 Cursor 版本
Fork 一个开源编辑器（Shotcut），构建一个能理解编辑意图的 AI Agent。
用户说 "让这个更电影感"。Agent 处理剪辑、转场和调色。
它不简单的原因：
→ 视觉模型分析每一帧 + 音频模型分析对话
→ 意图翻译："电影感" → 具体参数（节奏、LUT、焦点模拟）
→ 通过帧差异分析进行场景检测
→ 增量预览 —— 只重新渲染受影响的段落
为什么重要：多模态 AI + 复杂工具集成。让你从 99% 的聊天机器人构建者中脱颖而出。
项目 4：个人生活操作系统 Agent
构建一个管理你的日历、财务和健康的 Agent。提前数月规划。通过分析睡眠模式和会议密度检测倦怠。
它不简单的原因：
→ 实时从日历、财务、健康、通讯中摄取数据
→ 实体和关系的个人知识图谱
→ 每 6 小时运行检查异常的后台线程
→ 价值对齐：用户设定优先级（家庭 > 工作）—— 每个建议都对此进行验证
→ 所有数据在静态时使用用户控制的密钥加密
为什么重要：需要复杂的上下文管理和伦理 AI 设计。展示了隐私优先的生产架构。
项目 5：自主企业工作流 Agent
一个端到端运行业务工作流的 Agent。
监控 Slack/Jira → 规划执行 → 委派任务 → 报告结果，并附带完整的审计日志。
它不简单的原因：
→ 事件驱动：监听 Slack、Jira、邮件、监控系统
→ 多 Agent 委派：编排器 → 通信 Agent、数据 Agent、分析 Agent、文档 Agent
→ 自愈：指数退避、断路器、自动重试决策
→ 不可变审计日志：每个动作、谁授权的、结果是什么
→ 人工介入：Agent 在关键工作流的执行前提出规划
为什么重要：将编排、安全和可观测性整合到一个可扩展的系统中。这是你的作品集大杀器。
技术栈（实际要学什么）
框架：LangGraph 1.0 + Deep Agents
为什么不是 CrewAI、AutoGen 或 OpenAI Swarm？
→ CrewAI：最快原型，生产环境中脆弱。适合黑客松。
→ AutoGen：已合并到 Microsoft Agent Framework。未来不明朗。
→ OpenAI Swarm：根据 OpenAI 自己的 README 明确标注 "不是生产就绪"。
LangGraph 给你：状态机 + PostgresSaver 持久化 + 时间旅行调试 + 兼容 OTEL 的可观测性 + 模型无关。
封装框架参考：Claude Agent SDK
研究它。使用它。这是与 Claude Code 相同的封装框架。
CLAUDE.md + 技能 + 子 Agent + 钩子 + 文件系统作为记忆。
2026 年的每一个其他封装框架都在向这些原语靠拢。
可观测性：选一个
→ LangSmith：如果你生活在 LangGraph 生态中
→ Braintrust：如果你想要框架无关的 CI gating（$249/月固定费用）
→ Arize Phoenix：如果你想要开源 + 原生 OTEL
2026 年可以跳过的：
→ OpenAI Swarm —— 不是生产就绪（可以用 Kimi Agent Swarm）
→ OpenAI Assistants API —— 2026 年中将下线
→ 在你测量到实际的召回问题之前，就自己构建向量存储
→ 无代码 Agent 平台，除非是一次性的
基准测试数据（2026 年 5 月）
SWE-bench Verified（编程任务）：
→ Claude Opus 4.7: ~87.6%
→ GPT-5.5: ~88.7%
GAIA（通用 Agent 任务）：
→ Claude Sonnet 4.5 领先，74.6%
τ-bench（客服 Agent）：
→ Claude Mythos Preview: 89.2%
关键洞察：同一个基准测试，不同的封装框架 = 10-36 个百分点的差异。
模型的重要性小于封装框架。
17 周时间线
第 2 周 → 阶段 0 完成。你能用大白话解释什么是封装框架。
第 5 周 → 阶段 1 完成。用 Claude Agent SDK 交付了包含一个技能、一个钩子、一个子 Agent 的 Agent。
第 9 周 → 阶段 2 完成。用 PostgresSaver 持久化和 LangSmith 追踪运行了 LangGraph 深度 Agent。
第 13 周 → 阶段 3 完成。编写并文档化了 1,500 行的迷你封装框架。
第 17 周 → 阶段 4 完成。黄金数据集、CI 门禁、通过 Inspect 运行了一次已发布的基准测试。
第 17 周+ → 阶段 5。持续进行。
兼职（每周 10-15 小时）：所有时间乘以 2.5 倍。
不安的真相
大多数人会读到这篇文章然后什么都不做。
他们会收藏它。说 "好文章"。然后回去继续构建包装器。
2026 年的残酷事实：
→ 可以被替代的：构建薄薄的 GPT 包装器
→ 不可替代的：交付带有评测和持久化的自主系统
两者之间的差距是 5 个项目加 17 周的专注工作。
现在 57% 的团队已有 Agent 在生产环境中。
其中 89% 已经接入了可观测性。
质量是 #1 障碍（32% 的团队提到这一点）。
这意味着整个领域遇到瓶颈的是能构建评测和封装框架的工程师。
而不是能调用 LLM API 的工程师。
这就是招聘缺口。
结语
这个路线图不会让你在 17 周内成为首席 AI 工程师。
但它会把你变成能构建并交付经得起生产流量考验的 Agent 系统的人。
而这正是公司现在在付钱购买的东西。
接下来我要你做的事：
1. 选一个项目。 如果你是新手，从项目 1 开始。如果你已经在写代码，从项目 5 开始。只要开始就行。
2. 这个周末就做。 市场奖励交付，而不是学习。
3. 记录一切： 你的架构决策、你的失败与恢复、你的自我修正循环。
4. 公开构建。 当你交付时艾特我 —— 我会帮你传播。
到下个月，90% 的人什么都没做。他们还在构建同样的包装器。
另外 10% 的人将交付真正的东西。他们将获得面试、offer 和职业杠杆。
选择很简单：
成为公司急需聘请的架构师。或者变得过时。
专业能力是唯一剩下的工作保障。生产系统是唯一重要的作品集。
现在去构建能经得起现实考验的东西。
回复告诉我你从哪个项目开始。我会阅读每一条回复。
→ 转发分享给你的社交网络
→ 关注 @sairahul1 获取更多类似解读
