全网最全、最实用的免费《AI学习路线图》2.0
叶小钗约 11 分钟关注公众号，回复666，获取资料
本次新增内容：
根据近期多加企业AI咨询情况，当前市场情况发生AI视觉（AIGC）部分需求变多，所以新增课程内容（部分免费）：
同时LangChain1.0发布，新增《用LangChain实现简单Manus》选修课（免费），这批课程最快12月上线，慢的话年前搞定，全部来源于生产环境，有兴趣可加我微信咨询：
下面是正文：
近期来咨询AI训练营的同学有点多，只不过这套课程有点门槛，并不适合一些群体，比如大学生、非互联网行业这种没工作实践、没基础的学起来非常吃力。
但很多同学又确实想吃这波红利，所以这里做了一套简单的《应用级AI学习路线图》，希望能够帮到这批同学...
要注意，这个学习路线适用于想要做AI应用开发的人，比如AI工程师、AI产品经理，对于想要成为AI算法工程师的同学也可以看看，因为实际情况是算法搞得溜的同学依旧搞不定工程。
在正式进入路线介绍之前，需要解答很多同学疑惑的点：普通人在AI这件事上没机会了？
普通人吃不到AI的红利
首先是粉丝被一张图吓着了：
被焦虑到了，小钗怎么看这图。有这么夸张嘛？做AI和做光刻机岂不是一样，只需要极个别人
我看了下具体内容，粉丝只是自己吓自己，人家并没表达AI只需要极个别人，而是阐述了一个观点：平庸所受的惩罚从未如此严厉，而卓越所获的回报也从未如此丰厚，而后先举了一些国外实际案例：
据《财经》不完全统计，Meta从OpenAI天价挖人，为部分顶尖AI科学家开出了四年2亿—3亿美元的天价合同
最后说了下国内AI岗位的情况：硕士应届毕业生月薪5万在AI行业被称为“底层”？这让我有点惊讶，但在AI行业这确实是一个相对低的值。
该粉丝焦虑的点在于应届生都5万了！只不过这个事不能盯着塔尖的数字看，年薪百万的应届生是凤毛麟角，因为我之前也做过招聘，就清华、北大这种天之骄子，多数年薪也就40-60w。
而这两年AI算法工程师给的待遇确实很高（很多破百万的），但这里不得不给大家泼点冷水：算法工程师这辆列车，可能是真的赶不上了。
因为他技术门槛极高、还很拥挤，国内就几家大厂在做底层模型研发，985硕士在里面可能都有些够呛，对于普通人来说几乎是难以逾越的鸿沟。
所以，大家千万不要花精力去学什么高等数学、线性代数、概率论、机器学习理论...
选择不对再多的努力都是白费，一个工程应用人才跑去啃底层原理，注定得不偿失
那么普通人在AI时代的机会在哪，答案很清晰在应用层：
机会在应用层
虽然吃不了基座模型的红利，但也不要担心，因为应用层AI的红利才是大头，红杉AI峰会已经得出了保守预测：AI应用市场份额在万亿美金以上！
为了让大家对AI应用有更为全面的认识，我这里为大家介绍一个亿级别的AI项目的完整工作分层/分级：
模型全训练，模型全训练包括预训练、微调、强化学习等步骤，目标是不依赖外部大模型，完全自给自足，一般公司几乎不会涉及（因为成本极高），但为框架完整性，这里也保留； 整体架构设计，包括AI工程、数据工程、重点是AI与数据的协调，在这里要确定基础的知识库结构与工程架构，是公司知识产权和壁垒所在； 模型调优，会涉及到后训练、RAG等技术深度应用，往往是项目核心策略，在架构之下的工具技术层面的操作，面试题重灾区； 提示词工程，会详细到各个业务模块的SOP编写，公司业务具象化展现； 数据工程具体作业，某个板块详细的数据验收，这个一般是基本架构验证结束，需要与各个专业人员协作收集AI工程所需数据，公司数据壁垒所在； 模型测评，会涉及行业AI应用评测标准执行（方案是整体架构的事，这里是具体执行），测试数据集准备、竞品调研、跳出SOP数据收集等； 论文、PR相关，就是吹牛相关了，一般人员也涉及不到； 简单工具选型，会涉及一些常用工具选型，包括向量库调研、Agent平台（Coze、Dify、n8n、Langchain）等； 降本增效工具，比如数据知识库后台应用（知识库存储平台），提示词管理后台（提示词数十万后需要管理后台），这个事情含金量低但是权限要控制好，不然公司机密容易泄露； 实施团队，如果是做2B AI工具的团队可能还有个实施团队，要么做工具售前，要么做实际行业实施，属于团队耗材； 最后还有其他边角料，如资料准备、数据确认；
虽然多数公司对AI项目的研发投入到不了亿这个级别，但具体工作一定是上述的一些子模块，这里每个模块都是大家可以切入的点，并且越后面的越容易切入。
另一方面，AI项目的技术路径很有点闭口禅或者猜谜语的意思，属于那种不说出来想破脑袋都想不明白，一说出来就全破功的东西，所以每个公司只有最核心的少数几人能够看到项目全貌，并且越是上层越少人接触。
所以，我们在实际做学习路径设计的时候一定要自下而上的进行，不然学了没法实践就是纸上谈兵了。
最后就是我们具体的学习路径和资料推荐了：
在具体学习这里，AI产品经理和AI工程师几乎一模一样，只不过AI工程师还是需要一定代码基础，需要多学一门编程语言比如《Python编程：从入门到实践》，接下来就是统一路径了：
一、Agent平台
首先，Agent平台是必须要会的，因为80%公司做的第一件事就是上Coze或者Dify拖工作流，虽然他们最终会发现这些可能没什么用，但不要去对抗大众的思维。
而且这些东西确实还是有点用，就个人长时间实践来说，Coze对于AI产品经理是天生利器，有了这东西做demo完全就不用求程序员了，这相当于拓展了其能力边界。
具体到Agent平台可就多了，常见的有Coze、Dify、FastGPT、n8n等，这里必须要熟练的是Coze和Dify，Coze是因为门槛奇低、Dify是因为他是私有化部署的主力：
开源版Coze 和 Dify 深度 PK：谁能成为你的 AI 应用开发利器？
学得比较深入的标准是：需要能做技术选型，即说清楚在不同场景下应该选择什么平台，为什么。也就是有一套统一的参数去评价所有的Agent平台，比如：
只要确定要学什么，具体到怎么学反而很简单了，这里实现一套大家都看得懂的工作流即可，比如简单的HR工作流：
在Coze玩得比较溜的情况下，就可以开启下个篇章AI表格：
二、AI表格
当一个公司上了Coze后，他们就一定会接触到AI表格（或者说多维表格），而正常的公司最终会发现AI表格才是公司中后台AI应用落地的王道，原因是：
AI企业落地真相：90%靠工程，10%才是模型？当然不是，分类都是错的...
“90%工程、10%模型”是真相吗？一个AI表格案例给你答案
各个公司中后台部门天然亲近Excel类产品，而AI表格完美解决了Excel多人协作难的核心问题
以前些日子的钉钉产品发布会情况来说，上午简单开场后接的是钉钉生态下的三个典型案例：
第一个是钉钉生态赋能直播电商； 第二个是钉钉生态赋能工业制造； 第三个是钉钉在全球化上的应用；
而这三个其实全部是AI表格的案例，然后下午场的核心依旧是AI表格！而且飞书体系多维表格也在疯狂发力！
这代表了一个重要的方向：AI表格将成为各个公司用AI降低业务理解和流程梳理的重要乃至唯一工具。
所以，学好了AI表格，几乎掌握了进入各个公司业务的钥匙。知道为什么要学后，具体学起来就很简单了，实现一套简单的公司全流程管理即可：
在AI表格也玩得比较熟悉的时候，那么你就已经超越80%的人了，在这个基础之下变可以进入知识库篇章，这里的核心是RAG：
三、RAG知识库
RAG几乎是面试的必选项，因为所有的公司都有AI知识库需求，只不过能说清楚这是什么玩意的人很少，于是市面上错误的技术路径在各种传播...
具体要学RAG不要去死记硬背概念，直接做最具体、最合适的项目：AI客服！
为降低学习成本，初期可以直接用Coze去搭建、后期也可以用Langchain这种框架，要注意的是工具一点都不重要，RAG困难的点一直都是数据的整理。
学习RAG、做AI客服项目的重点不过是建立AI工程基本认知，并且初步接触数据工程
而到你基本客服项目入门后，也就意味着你在AI知识学习这块也终于也入门了。并且到目前为止，几乎是很简单的。
但不要高兴得太早，更不要觉得AI应用不过如此，因为如果现在的难度是6个点的话，后面的难度一下就会飙升到12个点，属于非实践、有真实项目经历传授很难学会的部分了...
所以接下来先不必深入学习，可以先吃点配菜：
四、实现简单Manus
Manus作为标志性Agent项目，在AI界几乎家喻户晓，但为什么市面上又流传着不好用、门槛低的声音？
作为AI知识的系统性学习，你要清楚Manus其实是多Agent应用，进一步开始建立自己独有的AI知识框架了：
比如你需要对他的技术架构进行深挖：
大模型解决规划与调度问题，Manus能爆发的核心原因就是模型能力大幅增强； RAG解决幻觉问题，当前模型的发展趋势来说，模型上下文破百万是早晚的事，如何让模型聊得像人，体验好的AI分身这类应用，将在这两年诞生； 工具链解决多模态问题，包括最近很火的MCP、Computer Use其实都算是AI多模态能力的延伸，要的就是解决AI各种“不行”的问题，这里包括了听觉、视觉、触觉等；
建立AI知识框架、熟悉基础架构后，你可以看到以前看不到的风景了，比如：多模态相关的东西做不得！他是Agent的核心，基座模型一定会自己实现
包括，语音相关、视频相关、什么图生文、文生图，视频语音什么的，接下来要死一大半，公司千万不要涉足...
当然，最好的学习方式是做一次，所以这里建议大家花1-2周时间，用前面的知识，对Manus做一次简单实现，从而感悟到更多的东西：
用Coze+Claude实现Manus，Agent的难点到底在哪？
到Manus实现后，你已经掌握了基本的AI脉络，一般AI玩家也要尊称你一句大佬666了，而且这个阶段是非常容易自信心爆棚的，毕竟半灌水响叮当嘛，大家也会尊称你一声AI专家了：
只不过AI专家并不是结束，而是真正的开始，因为问题接踵而至，因为身边的人会问你很多问题，比如：
为什么我的AI聊得很傻，如何让他聊得像个人； 为什么我的AI应用准确率一直上不去，换了几个模型都不好使，是不是AI的实用性并不高，更多是噱头； 为什么大家都说Cursor、Claude Code已经很强了，但是我在芯片编程这块一点都不好使，是我没用对吗； ...
于是作为AI小专家的你，突然就傻眼了，之前学的内容好像没涉及这一块呢？
那个搞出200万事故的AI项目，今天突然收到了尾款，甲方还想合作？
当然不会涉及，因为接下来才是真正的AI应用，到这里才慢慢进入AI应用的深水区，开始实际接触数据工程了，只不过完全自学的话到这里就已经结束了，所以接下来只做简单介绍即可：
终章：数据工程
至此，我大言不惭的说一句：所有应用层的AI应用，瓶颈一定会在数据工程，搞不定数据工程，绝不可能诞生好的AI应用：
其实前面“AI专家”遭遇的所有问题，其背后都是数据工程的应用，问题背后事实上的难点是：
如何建立AI应用的可观测性； 可观测性的架构是什么，应该对应什么样的数据结构； 如何将认知整理成知识，或者在已经有知识的情况下，如何组织数据； 数据应该如何与AI交互，保证每次AI都能拿到相关数据。发现由于数据不足导致的AI问题，应该如何用生产数据反馈系统优化知识库，这就是我们常说的数据飞轮系统，他是数据工程的一个分支； 意图识别怎么做； 如何形成飞轮系统； ...
从整理数据到与AI交互再到后面的数据反馈，组成了我们常规的数据工程。
过程中很多知识是依赖于专业人员，如医生、律师，这种非互联网工种根本无力整理自己的认知。
于是需要互联网人组织他们，这里又涉及到了管理学工程，大家要相信，管理医生和律师去工作是很简单的，但要让他们做输出是很难的。
比如我之前的下属有北大和首都医科大学（安贞医院）的硕士，他们是很轴的。
最后，数据工程是个漫长的周期，会导致AI项目的时间周期很长，并且系统一会表现得好、一会表现得差的，这会很消耗团队的士气，这里又涉及到了项目管理工程。
综上，复杂的AI项目其实是个偏工程的项目，特别是其中KnowHow、数据与技术架构、模型特性几者的纠缠会很复杂，如果不是本身水平很高的人，要么把这个事情理不清楚，要么没有管理能力去调动各个专业口的人员。
但如果已经是高管的人，很难沉下心来一点点梳理KnowHow与数据，这可能是导致复杂AI应用很少的主要原因。
结语
2025被称为AI应用元年，只不过暂时很多应用还在路上，开发进度很慢，核心原因无非三点：
受限于资金； 受限于数据； 受限于人才（技术路径）；
我这边去年在做AI + 管理的创业，接触的公司要多一些，从有限的30家公司的认知来说，可以得出一个乐观的结论：整体企业当前是有意识投入AI。
只不过乐观的预期下是悲观的现状：各个企业非常慎重，因为AI试错成本太高，这里导致的实际结果就是：30个公司，AI投入超500万的只有2家，多数公司是花个100万左右试试水！
但是，这个情况在接下来可能会发生很大的变化，因为2025年8月26日，国务院印发《关于深入实施“人工智能+”行动的意见》，在这份意见中，规划了AI 10年的发展蓝图。
简单来说就是All In AI，AI将渗透各行各业。在国家政策驱动下，很多思维偏传统的老板们也不得不更加重视AI，因为他们可能对AI没兴趣，但对红头文件却非常感兴趣！
总而言之，接下来的10年是AI的10年，各位同行加油啊！
点击上方卡片关注叶小钗公众号，查看下方二维码，添加我个人微信：