AI 如何工程化 学习路线

1. 基础能力
   Python — AI 工程的主力语言
   基本的 ML 概念 — 不需要从头推公式，但要理解 supervised/unsupervised、embedding、fine-tuning 等核心概念
2. LLM 应用开发（当前最热方向）
   Prompt Engineering — 系统提示词设计、few-shot、chain-of-thought
   API 调用 — OpenAI / Anthropic / Azure OpenAI 的 SDK 使用
   RAG（检索增强生成） — 向量数据库（Pinecone、Milvus、FAISS）+ 文档切分 + embedding
   Agent / Tool Use — 让 LLM 调用外部工具、多步推理（LangChain、LlamaIndex、Claude Agent SDK）
3. 工程化关键技能
   评估体系 — 怎么衡量 AI 输出质量（自动评估 + 人工评估）
   可观测性 — 日志、tracing、成本监控（LangSmith、Langfuse）
   部署与服务化 — FastAPI / Flask 包装接口、容器化部署
   安全与合规 — 输入过滤、输出审核、PII 处理
4. 模型微调与训练（进阶）
   Fine-tuning — LoRA / QLoRA、数据准备
   模型部署 — vLLM、TGI、ONNX Runtime
   MLOps — 模型版本管理、A/B 测试、持续训练