字节笔记本
2026年10月6日 · 约 17 分钟读完
AI 工作流修炼 03：6 个月学习路线图与周计划表
本文是「AI 工作流工程师」系列的第 3 篇：认知部分讲清了这个岗位是做什么的、需要掌握哪些核心概念，从这一篇起进入执行层面，给出一份可执行到周的学习计划。不管你是纯零基础，还是有几年开发经验，都能找到对应的节奏。读完你会有一个清晰的"这周该干嘛"的清单，不再焦虑、不再瞎学。
一、开始之前：三个心态准备
在给出具体计划之前，必须先纠正几个心态问题：90% 的人学不完，不是计划有问题，是心态崩了。
心态 1：不要追求"全部学完再开始做"
这是最大的坑。很多人觉得"我得先把 Python 学完、把 SQL 学完、把 LangChain 学完，才能开始做项目"，结果学了三个月还没写出过一个能跑的东西，热情耗尽，放弃。
正确做法是：学到 30% 就开始做项目，剩下 70% 在做项目的过程中边查边学。下面这份 24 周计划里，每一周都安排了动手产出，目的就是逼你"边学边做"。
心态 2：不要被"术语焦虑"吓退
你会看到无数名词：Transformer、注意力机制、KV Cache、MoE、RLHF……每个都让你觉得"我是不是得先搞懂这个才能学下去"。
不需要。你是 AI 工作流工程师，不是算法研究员，你只要会"用"，不需要会"造"。遇到不懂的术语，记下来，用到时再查。
心态 3：接受"反复遗忘"是正常的
今天学了 RAG 五步流水线，下周就忘了具体顺序，这非常正常。脑科学的结论是：主动回忆加间隔重复，才能形成长期记忆。
所以下面计划里的"实践产出"和"每周笔记"请真的去做。看完不练，等于没学。
二、三档学习节奏，按基础对号入座
计划分三档，先对号入座，再看后面的详细周计划。
档位 A：速成派（已有 3 年以上全栈经验，只想补 AI 层）
- 总时长：8 到 10 周；每天投入 2 小时
- 跳过全栈基础部分，重点放在大模型交互、RAG、Agent 和工程化
- 目标：10 周内做出 1 个 RAG 项目和 1 个 Agent 项目，直接投远程岗位
档位 B：标准派（会一点编程，比如学过 Python 或前端，最常见）
- 总时长：6 个月（24 周）；每天投入 2 到 3 小时
- 按从认知到实战的主线循序渐进地学
- 目标：6 个月内完成 4 个项目，达到中级水平，能拿远程 offer
档位 C：慢工派（纯零基础，从没写过代码）
- 总时长：10 到 12 个月；每天投入 3 小时
- 前置：第 0 到 4 周先用 freeCodeCamp 学完 HTML、CSS、JavaScript 基础
- 顺序：先补编程基础，再进入全栈、大模型、RAG、Agent 的主线
- 目标：1 年内转行成功
下面的周计划按"档位 B（标准派，24 周）"展开，其他档位按比例缩放。
三、24 周标准学习路线（每周计划表）
七个阶段一目了然，第 4、12、16、20、24 周各有一个里程碑：
阶段 1：认知与地基（第 1 到 4 周）
目标：搞懂全局，跑通第一个 Web 应用。
| 周 | 学习内容 | 实践产出 |
|---|---|---|
| 第 1 周 | 通读认知与概念部分；装好 Python、Node.js、VS Code、Git | 写一篇 500 字笔记"我理解的 AI 工作流工程师" |
| 第 2 周 | 全栈基础：HTML、CSS、JavaScript 语法 | 做一个静态个人主页 |
| 第 3 周 | React 入门：组件、props、state、useEffect | 把个人主页改成 React 版 |
| 第 4 周 | Node.js 或 FastAPI 入门：写一个 /hello 接口 | 用 React 加 API 做一个"待办清单" |
阶段 2：数据库与工程化（第 5 到 8 周）
目标：会建模，会部署。
| 周 | 学习内容 | 实践产出 |
|---|---|---|
| 第 5 周 | SQL 基础：建表、CRUD、JOIN、索引 | 给待办清单加 PostgreSQL 存储 |
| 第 6 周 | Redis 缓存与数据库优化（EXPLAIN、慢查询） | 给待办清单加"热门任务"缓存 |
| 第 7 周 | Docker：Dockerfile、docker-compose | 把待办清单容器化 |
| 第 8 周 | CI/CD：GitHub Actions 自动测试与部署 | 项目推到 GitHub，自动部署到云服务器 |
阶段 3：大模型交互（第 9 到 12 周）
目标：能调通多家大模型 API，做出一个 ChatBot。
| 周 | 学习内容 | 实践产出 |
|---|---|---|
| 第 9 周 | LLM 基础原理，注册四家模型 API | 跑通 OpenAI、Claude、DeepSeek、通义的 Hello World |
| 第 10 周 | Prompt 工程：CoT、Few-shot、角色设定 | 做一个 Prompt 模板库（5 个高质量模板） |
| 第 11 周 | 流式输出（SSE）与 Function Calling | 做一个会查天气、查时间的 ChatBot |
| 第 12 周 | 结构化输出与阶段项目 | 做出完整的"套壳 ChatBot"：带历史记录、多模型切换、流式输出 |
里程碑：到第 12 周，你应该有一个能放在简历上的 ChatBot 项目。
阶段 4：RAG 系统（第 13 到 16 周）
目标：能搭出企业级 RAG 知识库。
| 周 | 学习内容 | 实践产出 |
|---|---|---|
| 第 13 周 | RAG 原理与向量数据库选型 | 用 pgvector 在本地建一个向量库 |
| 第 14 周 | Embedding 与文档处理（PDF、Word、网页） | 写一个"PDF 转向量库"的脚本 |
| 第 15 周 | 检索优化：重排（Rerank）、混合检索、查询改写 | 把基础 RAG 的准确率从 60% 提到 80% |
| 第 16 周 | 阶段项目：RAG 知识库 | 做一个"我的笔记问答机器人"：上传 PDF 或 Markdown，能问能答 |
里程碑：到第 16 周，你有了第二个简历项目（RAG 知识库）。
阶段 5：Agent 与编排（第 17 到 20 周）
目标：能设计多步 Agent 工作流。
| 周 | 学习内容 | 实践产出 |
|---|---|---|
| 第 17 周 | Agent 原理与 ReAct 循环 | 手写一个最小 Agent（不依赖框架） |
| 第 18 周 | LangChain、LlamaIndex 上手 | 用 LangChain 重写第 16 周的 RAG 项目 |
| 第 19 周 | LangGraph 与 Dify 对比 | 用 Dify 30 分钟搭一个工作流 |
| 第 20 周 | 多步编排、人在环节（HITL）与阶段项目 | 做一个"AI 研究助手"：给个话题，自动搜索、总结、生成报告 |
里程碑：到第 20 周，你有了第三个简历项目（Agent 系统）。
阶段 6：进阶与工程化（第 21 到 22 周）
目标：补齐加分项与生产级能力。
| 周 | 学习内容 | 实践产出 |
|---|---|---|
| 第 21 周 | MCP 协议与本地模型部署（Ollama） | 给你的 ChatBot 接一个本地模型，省钱 |
| 第 22 周 | 可观测性、Guardrails、成本治理 | 给前面项目加监控仪表盘和输出过滤 |
阶段 7：综合实战（第 23 到 24 周）
目标：把所有技能串成一个完整项目。
| 周 | 学习内容 | 实践产出 |
|---|---|---|
| 第 23 周 | 综合实战：企业知识库系统（前端、后端、RAG、Agent、监控） | 完成 70% 功能 |
| 第 24 周 | 上线部署、写简历、准备面试 | 项目上线，简历定稿，模拟面试 |
最终里程碑：第 24 周结束时，你手上有 1 个综合项目、3 个分阶段项目，以及 1 份对标目标岗位 JD 的简历，可以开始投递了。
四、每周的时间怎么分配？
假设你每天能投入 2.5 小时（对上班族友好），每周共 17.5 小时，建议这样分：
- 40% 跟着教程学加敲代码（7 小时），输入
- 30% 做本周项目（5 小时），输出，最重要
- 15% 读官方文档和优质文章（2.5 小时），拓展
- 10% 写笔记或技术博客（2 小时），内化
- 5% 复盘加调整计划（1 小时），元学习
核心原则：输入和输出的时间比应该是 1:1。光看不练，等于没学。
五、推荐学习资源清单
5.1 必备工具
| 工具 | 用途 | 价格 |
|---|---|---|
| VS Code | 写代码 | 免费 |
| Cursor | AI 编程（VS Code 的 AI 增强版） | 免费，进阶版每月 20 美元 |
| Git + GitHub | 版本控制与代码托管 | 免费 |
| Docker Desktop | 容器化 | 个人免费 |
| Postman | API 调试 | 免费 |
5.2 必看的官方文档（权威且最新）
| 文档 | 优先级 |
|---|---|
| OpenAI API 文档 | 必读 |
| Anthropic Claude 文档 | 必读 |
| LangChain 文档（python.langchain.com） | 必读 |
| FastAPI 文档 | 推荐 |
| pgvector GitHub README | 推荐 |
| MCP 官方文档（modelcontextprotocol.io） | 推荐 |
5.3 推荐书籍
| 书 | 适合阶段 | 一句话点评 |
|---|---|---|
| 《Python 编程：从入门到实践》 | 零基础补编程 | 经典入门 |
| 《大模型应用开发极简入门》 | 大模型交互阶段 | 小白友好，案例多 |
| 《动手做大模型应用》 | RAG 与 Agent 阶段 | RAG、Agent 讲得透 |
| 《设计数据密集型应用》（DDIA） | 工程化进阶 | 工程化圣经，进阶必读 |
5.4 推荐课程
| 课程 | 平台 | 一句话点评 |
|---|---|---|
| ChatGPT Prompt Engineering for Developers | DeepLearning.AI 官网免费 | 吴恩达主讲，1 小时入门 Prompt |
| Let's build GPT | YouTube 免费 | Andrej Karpathy 出品，理解 LLM 原理最佳 |
| LangChain 官方教程 | 官网免费 | 跟着官方学最权威 |
| Responsive Web Design | freeCodeCamp 官网免费 | 零基础补前端 |
5.5 优质中文信息源
- 公众号「机器之心」「量子位」：行业新闻与前沿动态
- 即刻、X 上的 AI 开发者圈子：一手实战经验
- B 站搜「LangChain 教程」「RAG 实战」：视频教程
六、避免半途而废的"三件套"
学新东西最大的敌人不是难度，而是坚持。三个亲测有效的方法：
方法 1：公开承诺加进度打卡
在朋友圈、即刻或技术群发一条："我从今天开始学 AI 工作流，目标 6 个月后拿到远程 offer，每周在这里打卡进度。"公开承诺会让你的放弃成本变高。
方法 2：每周输出一篇 500 字笔记
不要追求完美，写完就发，知乎、掘金、公众号、GitHub 都行。理由有三：写作逼你理清思路（费曼学习法）；积累的技术博客是简历加分项；24 周后你有 24 篇博客，这是非常硬的证明。
方法 3：找一个学习搭子或社群
一个人走得快，一群人走得远。可以加入 LangChain 中文社区、深度求索开发者社区，找一个同样在学的小伙伴每周互相 review 项目，也可以在 GitHub 给开源项目提 PR，哪怕改个错别字也是开始。
七、特别提醒：三个"不要"
- 不要屯课：买 10 个课不如把 1 个课做 3 遍。一份成体系的教程加官方文档就够，别再囤别的。
- 不要追新：AI 领域每天都有新模型新框架，基础不牢的人追新等于知识焦虑。先把 RAG 和 Agent 吃透，新东西大多是这些的变体。
- 不要闭门造车：写的东西要给人看，做的项目要给人用。开个 GitHub 把所有项目开源，你的 GitHub 就是最好的简历。
八、学完之后能拿到什么结果？
诚实地告诉你预期：
| 投入情况 | 6 个月后的结果 |
|---|---|
| 完全按计划，每周做项目、写博客 | 大概率拿到 20k 到 35k 的远程 offer |
| 学完了，但项目做得敷衍 | 能进面试，但难拿 offer，项目质量决定成败 |
| 学到一半放弃 | 和没学一样，建议一开始就降低节奏，宁可慢不要停 |
| 已有全栈基础，按计划补 AI | 大概率 3 个月内拿到 30k 以上的 offer |
关键变量只有一个：你有没有做出 3 到 4 个能拿出手的项目。
九、小结
- 学习路线分三档：速成 8 到 10 周、标准 24 周、慢工 10 到 12 个月，按基础对号入座。
- 24 周标准路线分 7 个阶段，第 4、12、16、20、24 周都有项目产出，每 4 周一个里程碑。
- 每周时间分配：40% 学、30% 做、15% 读、10% 写、5% 复盘，输入输出比 1:1。
- 资源不在多：一份成体系的教程、官方文档，再加一本书就够。
- 坚持的三件套：公开承诺、每周输出、找搭子。
- 最终目标：3 到 4 个项目、24 篇博客、一份对标 JD 的简历。
十、动手练习
练习 1（必做）：根据 24 周计划，结合你自己的实际情况（每天能投入几小时、当前基础），写一份属于你的个性化学习计划。用 Excel、Notion 或一张纸都行，列出第 1 周做什么、第 2 周做什么。
练习 2（必做）：今天就发一条公开承诺（朋友圈、即刻、技术群都行），告诉别人你要在 6 个月后成为 AI 工作流工程师。这一步会极大提升你的完成率。
练习 3（推荐）：建一个 GitHub 仓库，名字可以叫 ai-workflow-learning，接下来 24 周所有的代码、笔记、项目都往里放。这就是你未来的简历。
十一、延伸阅读
- freeCodeCamp（零基础补编程）：https://www.freecodecamp.org
- Roadmap.sh 的 AI Engineer 路线图：https://roadmap.sh/ai-engineer
路线图只是地图，真正决定结果的是每周的执行。从今天起，把"第 1 周"变成行动：装好环境，写下第一篇 500 字笔记。沿着这条主线往下，接下来要啃的是全栈基础、大模型交互、RAG 与 Agent 的技术主题。
