AI工程师技能树

AI 工程师技能树整合了核心技能和支持技能，为从后端工程师转型 AI 工程师提供清晰的路径。核心论点是：后端工程师是转型 AI 工程师的最佳起点之一，因为他们已经掌握了 AI 落地最稀缺的工程能力。

核心技能（20% 决定 80% 产出）

1. LLM 基础
2. RAG 系统
3. AI Agent
4. 测试 AI 系统
5. 监控与可观测性
6. 评估（Evaluation）
7. 生产系统构建

支持技能

• Python 工程基础（测试、CI/CD、Git、包管理）
• Web 开发（FastAPI、React/Next.js）
• 云与基础设施（AWS/GCP/Azure、Docker、Kubernetes）
• 数据库（PostgreSQL + pgvector、Redis、Elasticsearch）
• ML 基础（Embeddings、PyTorch、轻量 Fine-tuning）
• 数据工程（ETL、Airflow、Spark、Kafka）
• 其他语言（TypeScript、SQL、Go/Java）

转型路径（2-3 个月）

• 第 1 周：掌握 LLM API、结构化输出、Prompt 基础
• 第 2-3 周：搭建第一个 RAG 项目（FastAPI + pgvector）
• 第 4 周：补上评估体系，构建 Golden Dataset
• 第 5-6 周：开发一个 LangGraph Agent 系统
• 第 7-8 周：部署上云 + 监控 + CI/CD
• 持续补足：PyTorch 基础与轻量 Fine-tuning

2026 年典型技术栈

• 前端：React / Next.js
• 后端：FastAPI
• AI 编排：LangChain / LangGraph / PydanticAI
• 模型层：OpenAI、Anthropic、Groq、本地模型
• 向量数据库：Pinecone / Weaviate / Qdrant / pgvector
• 基础设施：Docker + Kubernetes + 云平台
• 监控：OpenTelemetry + Grafana
• 评估：Evidently、LLM Judge、自建 Eval Pipeline

与现有维基的连接

该技能树为 [[you-are-not-using-agent-you-are-leading-ai-junior-engineers]] 中"AI 初级工程师"的管理提供了具体的技能评估框架，也为 [[why-enterprise-all-in-ai-dies-in-two-months-20260425]] 中企业 AI 转型失败的原因提供了工程能力维度的解释。