AI全栈

“AI全栈”通常指同时具备AI算法能力和工程化落地能力的复合型角色——既能训练模型，也能把模型部署成可用的产品。

核心能力栈

1. 算法层

• 机器学习/深度学习基础（Transformer、CNN、RNN等）

• 主流框架：PyTorch、TensorFlow

• 大模型相关：微调（LoRA/QLoRA）、RAG、Prompt Engineering、Agent开发

• 数据处理与特征工程

2. 工程层

• 后端：Python（FastAPI/Flask）、Node.js

• 向量数据库：Milvus、Pinecone、pgvector

• 模型部署：Docker、K8s、vLLM、Ollama、Triton

• 推理优化：量化、蒸馏、缓存

3. 应用层

• 前端：React/Next.js、Vue

• API集成：OpenAI、Claude、本地模型

• 产品化：LangChain、LlamaIndex、Dify、Coze

典型工作流

需求 → 数据准备 → 模型选型/微调 → 评估 → 部署 → 前端集成 → 监控迭代

常见落地形态

• RAG知识库问答：文档解析 → 向量化 → 检索 → LLM生成

• AI Agent：工具调用 + 记忆 + 规划

• 多模态应用：图文理解、语音交互

学习路径建议

1. Python + 基础ML → 2. PyTorch实战 → 3. 大模型API与RAG → 4. 部署与前端 → 5. 完整项目（如做一个企业知识库）

现实提醒

• 真正“全栈”很难样样精通，多数人是一专多能（比如算法强+工程够用）

• 当前市场更缺能把AI落地的人，而非纯调参

• 工具迭代极快，重点抓底层原理 + 快速上手能力