现在科技行业薪酬最高的建造类岗位，根本不在乎你的文凭是什么。它只在乎你交付过什么。以下是完整的 12 个月路径。
大多数人认为在 AI 领域工作需要计算机科学学位。但一小部分人已经发现，当今科技行业薪酬最高的建造类岗位，根本不看你的文凭——它只看你交付过什么。这两类人的区别不在于学历。而在于作品集。
AI 工程师构建的，是将大语言模型与真实产品连接起来的系统。比如真正能解决问题的客服机器人，能在上万份文档中找到答案的内部搜索工具，以及无需人工全程监督就能执行多步骤流程的 Agent。
这不是研究工作。也不是从零训练模型。这是以 AI 为核心的软件构建——并且是当前整个市场上需求最旺盛的岗位之一。
下面这点没人告诉过你：在大多数这类岗位上，一份已交付项目的作品集，比一张学位证书更有分量。招聘经理会直白地告诉你——他们见过自学成才的工程师在能力上碾压博士毕业生，因为交付能力与学术研究是两种截然不同的技能。学历这道门槛在很大程度上是个幻觉，而那些早早意识到这一点的人，已经领先了好几年。
这就是那条路径。不需要学位。以下是具体方案。
建造者，而非科学家
大多数人都瞄准了错误的目标。有两个角色常常被混淆。机器学习研究员负责发明新模型并训练它们——这份工作确实需要高级学位和深厚的数学功底，而且只占市场的一小部分。AI 工程师则是利用已经存在的模型，构建出有用的东西——这份工作更看重软件工程能力、产品直觉和交付纪律，而非学术背景。
这个角色位于三者的交叉点：软件工程、对语言模型行为的理解，以及产品思维。你不需要一开始就三项都精通。你需要足够胜任并且持续进步——而且你要有证据。
图 01 — 你不需要在三项上都达到精英水平。胜任、进步、可证明。
→ 12 个月构建路线
六个阶段。每个阶段都交付。
十二个月是一个真实的时间线——前提是你必须一直在构建。下面的琥珀色节点表示该阶段以一个已交付的作品集项目结束。
检索增强生成
模型只知道它训练时见过的数据，以及你放在它面前的内容。RAG 从你的数据中获取正确信息，并把它放在模型面前——这样它就能准确回答关于你公司文档、产品手册或知识库的问题。
你需要将文档拆分成块，将其转化为嵌入向量，存储在向量数据库中，然后针对每个问题检索出最相关的块。
图 02 — 一次性索引你的数据；每个问题都执行检索和生成。
带工具和循环的模型
RAG 应用回答一个问题。而 Agent 完成一项任务。它接受一个目标，将其分解为步骤，使用工具完成每一步，并根据结果决定下一步做什么。
你在第二阶段已经学会了使用工具——现在你要把它放进一个循环中，并处理现实的混乱情况：Agent 有时会陷入循环、调用错误的工具，或者卡住。
图 03 — 演示与可靠之间的差距，关键在于“观察 → 决策”环节中的失败处理。
三个已交付项目 > 一个硕士学位
到现在为止，你已经有了三个真实项目：一个带评估的 RAG 应用，一个解决实际问题的多 Agent 系统，以及一个带监控的已部署系统。把每个项目写成清晰的案例研究——问题、方法、你衡量的指标、以及你会改进的地方。然后开始投递简历，从 AI 增强的软件岗位作为现实的第一步。
当面试中要求你“分析 Agent 应如何处理工具故障”或“解释如何评估一个 RAG 系统”时，你不需要背诵理论。你会直接讲述你实际做过的事情。这就是全部的关键。
那道将大多数人挡在门外的学历门槛，大多数公司早已不再强制执行了。
