跳到主要内容

学习路线图

从零到面试的完整学习路径，建议 14-18 周

总体路线​

Week 1-2:  入门篇 ────────── 了解 FDE，建立认知
Week 3-4:  Transformer ─── 理解模型架构
Week 5-6:  推理引擎 ────── vLLM / TRT-LLM / SGLang
Week 7:    量化 + GPU ──── 量化方案、显存模型
Week 8:    分布式 ──────── TP / PP / DP
Week 9:    部署架构 ────── K8s、弹性、可观测性
Week 10:   AI 工程 ────── Prompt / RAG / Agent / 评测
Week 11:   成本 + 前沿 ─── 成本优化、前沿跟踪
Week 12-14: 面试 + 管理 ── 答题框架、培养体系
Week 15:   AI 商业工作流 ─ 业务流程编排、企业集成、业务指标
Week 16:   合规与安全 ─── 数据隐私、审计追溯、Prompt 安全
Week 17-18: 变更管理 ──── 灰度上线、ROI 度量、组织采纳

五维能力成长目标​

完成学习后，你应该能够：

  • 清晰解释 Transformer 架构和 Attention 机制
  • 对比不同推理引擎的优劣和适用场景
  • 选择合适的量化方案并解释 trade-off
  • 理解 GPU 显存模型和性能瓶颈
  • 设计多 GPU/多节点的推理部署架构
  • 计算推理服务的成本并给出优化建议
  • 设计 AI 商业工作流（Human-in-the-Loop、状态机、企业集成）
  • 建立业务指标体系（技术指标到业务价值的映射）
  • 设计数据隐私和合规方案（PII 处理、审计日志、Prompt 安全）
  • 制定 AI 灰度上线和 ROI 度量计划
  • 跟踪最新模型和技术动态
  • 用结构化框架回答面试问题
  • 展现 FDE 团队建设的体系思维

AI FDE 的"技能护城河"​

顶尖 AI 岗位已经过了"会调 API 就能拿高薪"的阶段。2025-2026 年，企业真正稀缺的是具备复合能力的人才：

三层技能护城河:

第一层：技术深度（别人不会的你会）
  - 不只是"会用 vLLM"，而是理解 PagedAttention 的底层机制
  - 不只是"做了量化"，而是能对比 INT8/FP8/INT4 的精度-速度 trade-off
  - 不只是"跑了模型"，而是能做 kernel-level profiling 和调优
  - 红队测试/AI 安全评估能力（Anthropic 等公司特别看重）

第二层：全栈工程能力（别人做不出来的你能）
  - 能把一个模糊的 AI 想法变成生产级应用
  - 包含：权限控制、仪表盘、容错机制、监控告警、弹性伸缩
  - 不只是"模型能跑"，而是"系统能稳定运行"

第三层：商业嗅觉（别人说不清的价值你能说清）
  - 能用商业语言解释 AI 价值：提升了多少 CSAT、节省了多少成本
  - 不只是堆砌技术指标（P99、QPS），而是讲业务影响
  - 能判断"这个 AI 方案到底值不值得做"

学习方式建议​

  1. 按顺序学习 — 每个阶段是下一个阶段的基础
  2. 结合实际经验 — 把你已有的工程经验（后端开发、运维、算法等）和新知识对照
  3. 做练习题 — 每个模块末尾有练习题和面试模拟题
  4. 整理项目故事 — 边学边整理你的真实项目，形成 STAR 故事

下一步：进入 进阶篇 — 模型架构