目前科技業收入最高的建構型職位，根本不在乎你的文憑寫什麼。它在乎你實際推出了什麼。以下是精準的 12 個月路徑。
大多數人以為要進入 AI 領域必須有電腦科學學位。但有一小群人已經發現，目前科技業收入最高的建構型職位不在乎你的文憑——它在乎你實際推出了什麼。這兩群人的差別不在學歷，而在於 作品集。
AI 工程師負責建構將大型語言模型與真實產品串接起來的系統。像是真正能解決問題的客服機器人、能從上萬份文件中找出答案的內部搜尋、以及無需人工盯場就能執行多步驟流程的 Agent。
這不是研究工作，也不是從零訓練模型。這是用 AI 為核心來建構正式上線的軟體——而且是目前整個市場上需求最高的職位之一。
以下是你沒聽過的部分：對這類職位的大部分需求來說，一份已推出專案的作品集比學位更有分量。面試主管會直接告訴你：他們親眼看過自學的工程師輕鬆超越博士畢業生，因為「推出」和「學習」是兩種完全不同的技能。文憑這道門檻多半只是假象，而早點認清這件事的人，就能領先好幾年。
這就是那條路徑。不需要學位。以下是它的具體樣貌。
建構者，不是科學家
大多數人搞錯了目標。有兩種角色常被混淆：機器學習研究員負責發明新模型並訓練它們——這份工作確實需要高等學位和深厚的數學背景，但它在市場上只佔一小塊。AI 工程師則負責拿現有的模型，用它來建構有用的東西——這份工作回報的是軟體工程能力、產品直覺和推出紀律，遠遠勝過學術背景。
這個角色位於三件事的交會點：軟體工程、對語言模型行為的實用理解、以及產品思維。你不必一上場就在三方面都是頂尖。你需要的是勝任且持續進步——而且你需要證據。
圖 01 — 你不需要在三方面都頂尖。勝任、持續進步、可驗證。
→ 12 個月建構路線
六個階段。每個階段都要推出作品。
12 個月是實際可行的時間表——但前提是你必須一直在建構。下方琥珀色節點代表一個階段結束時必須推出一個作品集專案。
檢索增強生成（RAG）
模型只知道它訓練過的資料以及你放在它面前的內容。RAG 會從 你的 資料中取出正確資訊並餵給模型——讓模型能夠準確回答關於公司文件、產品手冊、知識庫的問題。
你需要將文件拆成片段、轉換成嵌入向量、存入向量資料庫，然後針對任何問題取出最相關的片段。
圖 02 — 索引你的資料一次；每次問問題時檢索 + 生成。
一個帶有工具和迴圈的模型
RAG 應用程式回答一個問題。Agent 則完成一項任務。它會接收一個目標、拆解成步驟、使用工具完成每個步驟，並根據發生的結果決定下一步要做什麼。
你在第二階段已經學過工具使用——現在你要把它放進一個迴圈裡，處理 Agent 有時會原地打轉、叫錯工具、或卡住的混亂現實。
圖 03 — 展示品與可靠系統之間的差距在於「觀察 → 決定：失敗處理」。
三個已推出專案 > 一個碩士學位
到目前為止你已經有三個真實專案：一個帶有評估的 RAG 應用程式、一個解決真實問題的多 Agent 系統、以及一個帶有監控的已部署系統。將每個專案寫成清楚的案例分析——問題、方法、你測量了什麼、你會怎麼做不一樣的事。然後開始應徵，先從一個 AI 增強的軟體工程職位作為實際的第一步。
當面試中要你「推論一個 Agent 應該如何處理工具故障」或「解釋你會如何評估 RAG 系統」時，你不會背誦理論。你會描述你實際做過的事。這就是整個遊戲的重點。
那道把大多數人擋在外面的文憑門檻，大多數公司早就已經不再強制執行了。
