最近花了一周时间，把一份 70 多天的 AI 应用开发学习路线完整看了一遍。

看完后最大的感受是：

现在网上大部分 AI 学习路线都在教你技术。

但很少有人告诉你：

这些技术为什么出现。

又是在解决什么问题。

我自己是测试出身。

过去一年一直在做 AI Agent 测试平台。

回头再看这份路线图，会发现它其实对应的是一个完整 AI 产品从 0 到 1 的成长过程。

---

第一阶段：先让AI说人话

很多人上来就学：

• LangGraph
• MCP
• Multi-Agent

其实根本没必要。

因为这时候你连模型最基本的工作方式都不知道。

就像刚学Java的人直接研究微服务一样。

这一阶段到底在学什么

本质上就一句话：

让模型按照你的要求输出内容。

比如：

你给模型一句话：

帮我生成登录功能测试用例

返回的内容可能是：

1.测试登录2.测试密码3.测试账号

乱七八糟。

没法直接使用。

于是你开始发现：

同样的问题。

不同写法结果完全不一样。

于是就有了 Prompt。

---

Prompt到底是什么

很多人把Prompt理解得太神秘。

实际上它就是：

你给AI写需求文档。

例如：

你是一名资深测试工程师请根据以下需求生成测试用例输出格式：前置条件：测试步骤：预期结果：

这时候结果立刻规范很多。

---

接下来为什么要学LCEL

因为Prompt越来越长。

越来越复杂。

开始出现：

用户输入↓Prompt模板↓模型↓输出解析↓结构化结果

于是LangChain出来了。

LCEL出来了。

它本质就是把这一套流程串起来。

类似于：

prompt|model|parser

这样代码更好维护。

---

这一阶段完成后应该达到什么程度

能够做出：

• AI测试用例生成器
• AI需求分析助手
• AI日报生成器
• AI缺陷分析助手

类似这种简单工具。

不用数据库。

不用Agent。

不用RAG。

单模型即可。

如果这一阶段都没搞明白。

后面基本都会崩。

---

第二阶段：解决AI胡说八道的问题

做到这里。

你会发现一个巨大的问题。

AI开始胡说八道。

例如：

你问：

公司年假多少天？

AI回答：

一般企业10天左右

但实际上公司制度是：

5天

这就是幻觉。

---

为什么会有RAG

因为模型根本不知道你的企业资料。

它只能猜。

所以要给它外挂知识库。

流程变成：

用户提问↓知识库搜索↓找到相关文档↓把文档塞给模型↓生成答案

这就是RAG。

---

真正难的不是搭RAG

而是数据处理。

很多教程：

loader.load()vector_store.add()

结束。

但企业里真正花时间的是：

文档清洗

例如：

• PDF
• Word
• Excel
• Wiki
• 飞书文档

全部格式不同。

---

文档切块

假设有一本100页制度手册。

直接丢进去没用。

必须拆成小块。

例如：

chunk_size=500overlap=100

不同参数效果完全不同。

---

检索优化

很多人做到这里就结束了。

实际上企业项目才刚开始。

因为：

搜不到。

搜不准。

搜出来一堆垃圾。

于是开始研究：

• BM25
• Hybrid Search
• Rerank
• Multi Query
• HyDE

这些东西。

---

第二阶段结束后

你应该拥有：

一个企业知识库问答系统。

而且不是Demo。

是真能回答问题的系统。

---

第三阶段：AI项目最重要的能力——评测

这是我觉得很多人忽略的部分。

也是企业最关心的部分。

---

很多人做完RAG以后。

直接上线。

然后说：

效果不错。

我问：

依据是什么？

回答：

感觉还行。

这就是问题。

---

软件测试为什么要写测试用例

因为不能靠感觉。

AI也是一样。

---

怎么知道RAG优化有没有效果

假设：

改了Chunk。

改了Prompt。

改了Embedding。

改了Rerank。

到底哪个好？

不知道。

于是就有评测体系。

---

AI评测到底测什么

一般看三个指标：

检索正确率

搜出来的是不是正确文档

回答正确率

答案是不是正确

忠实度

有没有编造内容

---

企业怎么做

会建立一套题库。

例如：

问题：年假多少天标准答案：5天

然后自动跑几百个问题。

生成分数。

这就是RAGAS和DeepEval干的事情。

---

为什么测试人特别适合做这个

因为本质没变。

以前写：

输入执行断言

现在变成：

问题回答评测

只是对象变了。

思路完全一样。

---

第四阶段：让AI真正干活

做到这里。

你已经有：

• 模型
• 知识库
• 评测系统

但还不是Agent。

---

Agent是什么？

很多人理解成：

多个AI聊天。

其实不是。

Agent本质上是：

AI会自己决定下一步做什么。

例如：

帮我查询今天订单异常

Agent开始思考：

需要查数据库

调用工具。

需要分析结果

继续调用工具。

需要生成报告

输出结果。

---

为什么要学LangGraph

因为Agent越来越复杂。

开始有：

• 状态
• 分支
• 循环
• 工具调用

已经不是一个Prompt能解决的。

于是需要工作流引擎。

LangGraph本质上就是：

AI版流程图。

---

为什么MCP火了

因为Agent需要连接外部世界。

例如：

• 浏览器
• 数据库
• 飞书
• Jira
• GitHub

MCP就是统一接口标准。

类似AI时代的USB。

---

第四阶段结束

你应该能做出：

• AI测试执行Agent
• AI需求分析Agent
• AI日报Agent
• AI代码审查Agent

这种真正解决问题的产品。

---

第五阶段：工程化

这一步是绝大多数教程不会讲的。

也是面试最容易暴露水平的地方。

---

因为：

Demo能跑。

不代表生产能跑。

---

企业真正关心：

成本

一次调用多少钱

延迟

用户等多久

监控

出问题怎么查

安全

数据会不会泄露

评测

升级后会不会变差

---

于是开始出现：

• FastAPI
• Docker
• LangSmith
• Trace
• CI/CD
• Guardrails

这些东西。

---

有技术底子的人，正站在AI大模型开发的黄金入口

先问自己一个问题：

你写了这么多年代码，薪资是不是已经很久没动了？

面试的时候，“会Spring Boot”“会Vue”"会MySQL"已经变成了基本操作，没有人在乎了。大家都会的东西，就不值钱了。

但另一边，有人在疯狂涨薪
拉勾、BOSS直聘上，“AI应用开发”“大模型开发”"Agent开发"的岗位数量在过去一年翻了3倍，薪资中位数比同级别后端开发高出 40%-60%。

不是因为他们比你聪明，而是因为他们踩对了赛道。

你可能觉得：我又不是搞算法的，大模型跟我有什么关系？

这就是最大的误区。

AI大模型应用开发 ≠ 训练大模型
说清楚一点：训练大模型的是那几家大厂，但用大模型做应用的，是千千万万的普通企业和团队。

而这些团队需要的，不是PhD，而是——

能用大模型API搭出可用产品的应用开发者
能设计Agent工作流、调用工具链的Agent工程师
能把RAG、Function Calling、多轮对话落地到真实业务的AI全栈
这些活儿，有编程基础的你，完全能干。

你需要补的不是"算法基础"，而是"AI开发的技术栈和工程思维"。

Agent开发，为什么是程序员最好的切入点？
因为Agent开发本质上就是"用自然语言编程"——而这恰恰需要你已有的工程能力：

你有代码功底 → 理解Function Calling、工具调用、API集成，比零基础快10倍
你有系统设计经验 → 设计多Agent协作架构、状态管理、错误处理，逻辑一脉相承
你懂工程化 → 部署、监控、性能优化，这些AI项目同样需要
你理解数据 → RAG系统的数据清洗、向量检索、效果调优，你的DB经验直接复用
说白了，你已有的能力是资产，不是沉没成本。差的只是"AI这一层"的认知和工具链。

学完之后，你值多少钱？
转型 从传统后端/前端转AI应用开发，打开薪资天花板，跳槽议价权拉满
升职 在现有团队主导AI项目落地，从"写代码的"变成"定方向的"
独立 用Agent开发能力做SaaS产品、接AI外包项目，技术变现多一条腿
不可替代 当AI能写CRUD了，你是那个"用AI写代码"的人，而不是"被AI替代"的人
这不是危言耸听。GitHub Copilot已经能写出70%的CRUD代码了，纯执行层面的程序员价值在快速缩水。但"能用AI构建AI应用"的人，目前严重不够用。

这门课会教你什么？
面向有编程基础的开发者，从AI大模型应用开发的工程实践出发：

✅ 大模型API调用与Prompt工程实战
✅ RAG系统搭建：从数据处理到向量检索全流程
✅ Agent开发：Function Calling、工具链、多步推理
✅ 多Agent协作与工作流编排
✅ 真实项目落地：从需求到部署的完整工程链路
不讲虚的，全是能直接用在项目里的东西。

🚀 AI大模型应用开发课程

有编程基础？这就是你的下一个赛道

“程序员最大的风险，不是技术过时，而是用旧技术赚新钱的心态。”

你可能还在想"再等等看"——但AI这个赛道，窗口期就这么长。

等大模型开发变成"标配技能"的时候，你就不是先行者了，而是追赶者。

你有技术底子，这是你最大的优势。别浪费它。