我从零开始学 AI 应用开发：先搞清楚 AI 职业版图，再回答“我适不适合做 AI 应用开发”
我先说清楚：这篇里我讲的 AI，主要指“生成式 AI / 大模型（LLM）”相关工作（能聊天、能写代码、能做总结、能调用工具的那种）。它不等于所有机器学习，也不等于只能训练模型。后文里不额外声明时，“AI”都按这个语境理解。
我一开始以为“AI 相关工作”大概就是两种：要么训练模型，要么用 ChatGPT 写提示词。但当我真的想系统学习时，发现如果不先把“AI 职业有哪些类别、各自要什么能力、哪些能力是交叉的”弄清楚，很容易一上来就学偏：要么去啃模型训练细节，要么只练提示词却做不出能上线的东西。
所以这一篇我先不讲太多名词（RAG、Agent、MCP 都先放一边），只做两件事：
1) 给自己一张“AI 职业版图”的粗略地图 2) 再把“AI 应用开发工程师”放到地图上，讲清楚职责、优势、以及适合谁
1) 我把 AI 职业粗分成 6 类（先有地图，再选路线）
下面这个分类不是标准答案，只是我为了学习和选方向做的“可用版地图”。现实里会混在一起，但先分清有助于判断“我现在该学什么”。
先给一张“全景图”：技术层 → 职业映射（我用它来防止学偏）
说明一下：我以前在博客里用过 Mermaid，但有的平台/主题不会渲染 Mermaid。所以这里我先用“文字版全景图”，后续如果需要我会补一张真正的图片（用绘图工具导出 PNG）。
- 底层：LLM / 模型能力（推理、对齐、微调、模型评测）
- 对应职业：Research/Training（模型/算法）、Infra/Platform（推理/服务化）
- 中层：数据与知识（RAG、索引、向量库、文档管道、权限治理）
- 对应职业：Data/RAG/Knowledge（数据/知识）、Evals/QA（检索与答案质量评测）
- 上层：产品与工作流（Prompt、Tools、Agent、MCP、UI）
- 对应职业：AI App / Product Engineering（应用/产品工程）、Security/Privacy（权限与注入防护）
- 贯穿全链路：Evals（评测） + Security/Privacy（安全与合规）
A) 模型/算法类（Research/Training）
- 典型产出：模型训练、微调、推理优化、对齐、数据配方
- 核心能力：ML 基础、实验方法、分布式训练/推理、论文复现、评测
> 常见岗位叫法：LLM 算法工程师、NLP/多模态算法工程师、Applied Scientist、Research Engineer。
B) 平台/基础设施类（Infra/Platform）
- 典型产出：推理服务、GPU 调度、缓存、网关、监控、成本治理
- 核心能力：后端/分布式系统、性能/延迟、可靠性、SRE/可观测性
> 这类岗位在圈子里经常被叫做 AI Infra 工程师 / LLMOps / 推理平台工程师（不同公司叫法不一，但关注点很像）。
C) 数据/知识类（Data/RAG/Knowledge）
- 典型产出：数据管道、检索系统、向量库、文档处理、知识库问答
- 核心能力：数据工程、检索/排序、信息抽取、质量评估、治理与权限
> 常见岗位叫法：RAG 工程师、搜索/推荐工程师（偏检索侧）、数据工程师（偏管道侧）、知识工程师。
D) 应用/产品工程类（AI App / Product Engineering）
- 典型产出：对话产品、AI 助手、工作流/agent、工具集成、前后端体验
- 核心能力：API 调用与编排、提示词工程（作为工程的一部分）、产品体验、上线与迭代
> 常见岗位叫法：AI 应用开发工程师、LLM 应用工程师、Agent 工程师（偏工作流/工具）、AI 产品工程师。
E) 评测/质量类（Evals/QA）
- 典型产出：离线评测集、在线 A/B、自动化回归、幻觉/注入检测、基准体系
- 核心能力：评测方法、指标设计、实验设计、数据标注、观测闭环
> 常见岗位叫法：Evals 工程师、LLM 评测工程师、AI QA/质量工程师、数据标注/评审运营（偏数据侧）。
F) 安全/合规类（Security/Privacy/GRC）
- 典型产出：提示注入防护、权限模型、数据脱敏、审计、合规流程
- 核心能力：威胁建模、权限与隔离、审计与响应、供应链与依赖治理
> 常见岗位叫法：AI 安全工程师、应用安全工程师（AI 方向）、隐私/合规（GRC）与安全架构师。
哪些能力是交叉的？
不管你在哪一类，下面这些几乎都会用到，只是权重不同：
- 扎实的工程基础（前后端/后端更重要）
- 清晰的产品思维（用户到底要什么、怎么验证）
- 可观测性与迭代意识（能复盘、能优化、能对比）
- 安全与边界意识（把模型输出当不可信输入）
数学能力要不要？
我目前的结论是：要，但不一定一上来就要很深。
- 如果你走 Research/Training（模型/算法）：数学（线代/概率/优化）基本是“吃饭的筷子”。
- 如果你走 Infra/Platform（AI Infra/LLMOps）：更偏工程数学（性能建模、吞吐/延迟、成本与容量规划）。
- 如果你走 AI App（应用/产品工程）：入门阶段更吃“工程 + 产品 + 迭代”，数学通常不是短板；但你仍然需要“会读指标、会做对比实验”的基本素养。
2) 那 AI 应用开发工程师具体在做什么？（职责、优势、适合谁）
主要职责（我现在的理解）
我把它总结成一句话：把模型能力变成“能在真实业务里运行”的产品能力。落到工程动作上，常见职责包括：
- 设计调用方式：消息/上下文怎么组织，输出怎么约束（结构化输出、格式校验）
- 把能力接进系统：接数据/检索、接工具/业务 API、做权限与审计
- 把体验做得像产品：流式输出、状态展示、错误分支、重试/取消
- 把系统做得可控：成本/延迟优化、缓存、限流、灰度、监控与日志
- 把质量做成闭环：评测、线上反馈、回放复盘、持续迭代
这个方向的优势（为什么我觉得适合从零入门）
- 更贴近“能做出东西”：你能更快做出可演示的 demo/作品集
- 工程路径更清晰：API、工具、RAG、评测、安全、部署，每一步都有可衡量的进展
- 更容易和业务闭环：你做的每个功能都能直接回答“对用户有啥用”
适合哪类人？
如果你符合下面几条，大概率会学得更顺：
- 有一点开发基础（前端/后端/全栈都行），愿意动手搭最小 demo
- 喜欢把“想法”变成“可用的小工具”，对产品体验有敏感度
- 能接受不确定性：同一输入可能输出不同，但你愿意用工程方法把它变可控
3) 我这一套自学系列怎么展开？（三期结构 + 下一篇预告）
为了避免“什么都想学 → 每天都在换名词”，我把自学拆成三期，每一期都围绕一个可交付的小成果：
第一期：入门（从 0 到跑起来）
- 目标：跑通最小调用 + 一个最小 Demo（能用、能复现、能定位错误）
第二期：基础（把输出变稳定、把数据接进来）
- 目标：结构化输出 + RAG 入门 + 基本评测/回归
第三期：提升（Agent/MCP/安全/部署）
- 目标：工具编排、授权边界、安全基线、可观测性、上线与成本治理
下一篇（第二篇）我才会进入细节：用一个 10 分钟能复现的 curl 实验，把“最小调用闭环”跑通，并把错误分支、日志字段、以及下一步如何接工具讲清楚。
6) 参考素材（我这一周挑的 3 条就够了）
我只保留最能支撑“入门闭环”的三条官方/权威资料，避免堆链接：
- OpenAI API Quickstart（先把最小调用跑通）：https://platform.openai.com/docs/quickstart
- OpenAI Responses Guide（把对话/工具/结构化输出放进同一套调用模型里理解）：https://platform.openai.com/docs/guides/responses
- OpenAI Tools Guide（理解“工具回合”：模型提调用、应用执行、结果回填）：https://platform.openai.com/docs/guides/tools
小结
这篇我希望你最大的收获是：先有“AI 职业地图”，对我来说，“AI 应用开发工程师”是一条更容易做出可演示作品、也能逐步长到工程化与安全的路线。
为了避免写得太“概念味”，我给自己一个小约束：后面的每一篇尽量回答三个更具体的问题： 1) 我今天到底做了哪个小实验/小功能？ 2) 它卡在哪里、我怎么定位的？ 3) 这一步做完，我的下一步最小动作是什么？
// Kai@CodeHubble
// 观测坐标：AI 应用开发/2026-05-12