如何进入 AI 行业？这是我目前最确定的一条学习路线

AI训练营9期，5月7日开班，欢迎咨询

现在很多人都很焦虑，尤其是企业老板和程序员，关于他们的焦虑，我太懂了：

AI 这东西发展得太快了，很多人已经不确定自己正在做的事情在一年后是否还有意义，而伴随焦虑而来的，就是失眠与节奏混乱。

从去年开始，整个 AI 世界可以用乱花渐欲迷人眼来形容：

1. 今天发布了一个 Manus，明天就要来一个 Lovart；
2. Cursor 还没被捂热，Claude Code 就变成了 AI 编程事实上的王者了；
3. 前脚还在聊提示词怎么写，后脚大佬就说 RAG 已经过时，并丢出了上下文工程；
4. 正当我们感叹 Coze 居然开源了，Google Nano Banana 又刷爆了朋友圈；
5. 飞书发布会才浓墨重彩地介绍了多维表格，钉钉马上就跟进，强势推出 AI 表格；
6. OpenEvidence、Harvey 这种垂类 AI 项目估值越来越高；
7. 然后 OpenClaw 爆火，掀起百虾大战，结果没多久 Hermes 又来了……

如果你只是天天看这些热点，那确实很容易慌，因为你会产生一种错觉：

AI 世界的底层逻辑，好像每天都在被重写。

但说实话，很多人的焦虑并不是因为 AI 真有那么可怕，而是因为没有建立自己的判断框架：

你如果没有框架，那就只能被热点推着走：

1. 今天追 Manus，明天追 OpenClaw，后天再追 Hermes；
2. 今天学 Coze，明天学 Dify，后天又觉得自己是不是该 all in AI Coding；

最后折腾了一大圈，时间花了不少，脑子里的东西却还是碎的。于是问题就来了：

普通人如果真的想进入 AI 行业，到底应该怎么学？

什么该学，什么不该学？

什么方向更现实，什么方向只是看起来很热闹？

先说结论：普通人进入 AI 行业，机会主要不在算法岗，而在业务落地

普通人的机会

关于如何进入 AI 行业，我现在的回答其实越来越明确了：

算法岗位门槛较高、岗位较少，普通人就不要去看热闹了，因为 AI 的机会在业务落地。

与其钻研底层模型，不如专注 AI 应用，回报更高。

这句话不是说算法不重要，而是说对于绝大多数人来说，这不是一条高性价比的切入路径。

尤其如果你本来就是：

1. 程序员；
2. 产品经理；
3. 项目负责人；
4. 想转型 AI 的互联网人；
5. 想做 AI 创业的人；

那你真正该看的，通常不是模型训练本身（一般公司根本不会涉及），而是这些东西：

1. AI 应用到底有哪些类型；
2. 不同类型的 AI 项目，各自的难点是什么；
3. Agent、Workflow、知识库、AI Coding 分别在解决什么问题；
4. 企业真正会为哪些 AI 能力买单；
5. 你进入团队后，最可能接触到的工作到底是什么。

这个事情非常重要，因为很多人一上来就学偏了。

比如有的人会去研究一堆暂时根本用不到的底层名词： TFIDF、BM25、BERT、FastText、LSTM、Viterbi、各种训练细节...

这些东西不是没用(其实就是没用)，但对于绝大多数想进入 AI 应用行业 的人来说，至少在前期，多数都不是最重要的，可能后期也不重要。

真正更值得优先学的，其实是：

1. AI 项目的全貌；
2. AI 应用的分类逻辑；
3. 企业落地的常见路径；
4. Workflow / Agent / RAG / AI Coding 这些东西之间的关系；
5. 一个真实 AI 项目，到底是怎么从 0 到 1 跑起来的；

于是这里问题又来了：为什么很多人学了很久，最后还是进不去？

碎片化学习

因为他们学到的，往往是碎片，不是结构，比如很多人会一点：

1. 会搭个 Coze；
2. 会配个 Dify；
3. 会做个简单知识库；
4. 会写几句提示词；
5. 看过几个 Agent 视频；
6. 听说过 MCP、A2A、Skills；

然后就觉得自己已经在 AI 圈边缘了，但企业真正要的，是至少要能看懂项目的人。

也就是说，你至少得知道：

1. 这个 AI 项目属于什么类型；
2. 它真正的核心难点在哪；
3. 它是工程问题、数据问题，还是 KnowHow 问题；
4. 它为什么要做 Workflow，为什么要做 Agent，为什么要上知识库；
5. 它的成本、效果、可维护性，分别意味着什么；

说白了，很多人不是不努力，而是没有站在生产级项目的视角去学。

这也是我后来越来越强调建立 AI 项目知识框架的原因。

因为只要你没有这个框架，你对 AI 的理解就会永远停留在：

1. 这个工具挺牛
2. 那个案例挺火
3. 这个概念好高级
4. 那个产品好像很有前景

但你就是没办法把这些东西串起来。

AI 项目知识框架

说简单一点，就是你要能把 AI 世界里的东西先分层、分类，比如从宏观上看，这几年 AI 的变化当然很大：

• 2022 年底 ChatGPT 3.5 发布，正式把大家带进大模型时代；
• 2023 年是百模大战，国内很多模型公司热热闹闹进场；
• 2024 年是 RAG 大热，很多企业开始从“训练幻想”转向“知识库落地”；
• 2025 年 DeepSeek 爆发，让国内 AI 应用环境进一步成熟；
• 到了 2026 年，Agent 进一步爆发，OpenClaw、Hermes 这些项目开始带热一整波 Agent / Skills 的话题。

但如果你再往下看，从 工程实现 的角度去看，会发现另一件事：

这几年，除了模型能力在持续提升，AI 应用层真正的核心逻辑，其实并没有发生那么本质的变化。

很多热闹的外壳下面，解决的依旧还是那些问题：

1. 如何承载 SOP / Workflow；
2. 如何调工具；
3. 如何组织上下文；
4. 如何做知识增强；
5. 如何拆任务；
6. 如何做数据闭环；
7. 如何把 AI 嵌进真实业务流程。

换句话说，很多新东西并不是完全新的东西，而是老问题的新解法。

一旦你理解到这一层，很多热点看起来就没那么玄了。

甚至你再去看 OpenClaw、Hermes，都会觉得他们很多时候还是在解决 Workflow / Agent / Skills 这类问题，只不过承载方式更强、组织方式更复杂而已。

生产级的全局视角

去年 DeepSeek 发布后，国内 AI 应用的行情确实起来了，对应的岗位也变多了。

大概 3 月的时候，身边有两个朋友想转型 AI，于是带着他们学了一段时间，最后他们找到了不错的工作，我也逐渐形成了 AI 训练营的雏形。

后面因为手里的创业项目现金流有点紧，于是就出现了两个补充现金流的办法：

出去打工赚钱养团队，或者做 AI 课养团队，最后盘算下来其实只有一个选择：卖课养团队。

只不过这件事做着做着，我反而越来越明确一个问题：

很多想转型 AI 的人，最缺的并不是学习热情，而是看见生产级 AI 项目全貌的机会。

因为真实公司里的 AI 项目，并不是你网上刷几个 demo、看几个教程就能看明白的。一个稍微大一点的 AI 项目，里面至少会同时涉及这些东西：

1. 业务目标和场景定义；
2. 模型能力边界；
3. Prompt / Context / Workflow / Agent 设计；
4. 数据清洗、标注、评测；
5. 系统接入与工程实现；
6. 可观测性与效果验证；
7. 成本控制、安全合规；
8. 跟现有组织和流程怎么协同。

但很多转型者在公司里，最开始能接触到的往往只是边角料，比如：

1. 协助整理数据；
2. 做点竞品调研；
3. 跑一些模型评测；
4. 配一点提示词；
5. 维护一点知识库；
6. 做一点实施或支持；

至于更核心的：

1. 项目为什么这么设计；
2. 架构为什么长这样；
3. 为什么这里用 Workflow、那里用 Agent；
4. 为什么某些模块必须做数据闭环；
5. 历史上踩过什么坑、最后为什么形成这个方案；

这些东西，往往没人会完整告诉你。所以很多人就会陷入一种非常尴尬的状态：

学了一堆工具，但看不见项目全貌；
进了 AI 团队，但摸不到真正有价值的部分。

而我做这套课，想补的恰恰就是这一层。

这套课到底在教什么？

先说一个原则：

这套课不是为了堆名词，也不是为了让你看起来很懂 AI；而是为了让你真正建立起进入 AI 行业所需的能力结构。

所以整套课的出发点一直都不是什么高级学什么，而是：

从 AI 应用视角出发，工作中实际用什么，什么重要，我们就学什么

课程大体会分成几个部分：

一、建立 AI 项目知识框架

开篇我们会一起梳理近 3 年 AI 的发展脉络，并结合我这几年在 AI 浪潮中的各种真实见闻，帮大家先把大盘看清楚。

这部分会讲：

1. 如何建立 L1-L5 框架视角；
2. 2025/2026 年企业级 AI 落地热点到底是什么；
3. 典型 AI 项目应该如何分类；
4. 不同类型项目的实现路径、难点、卡点、成本结构到底是什么；
5. 如何避开伪需求、伪创新、伪风口。

这部分的核心，不是背概念，而是建立判断力。

二、Agent 与 Workflow

然后我们会系统讲 Agent 平台和 Workflow 这部分，知道企业现在在怎么干活。

包括：

1. 横向对比 Coze、Dify、FastGPT、n8n 等平台，知道各自适合什么场景；
2. 通过实操去理解什么是工作流项目，它的难点到底在哪里；
3. 进一步延伸到为什么现在越来越多企业开始用 AI Coding + Agent 来承载 Workflow；
4. Manus、OpenClaw 这类产品的思路，到底应该怎么看。

这部分讲完后，至少你再去看那些 Agent 热点，不会只剩下“卧槽好牛”，而是能大概看明白它在解决哪类问题。

三、AI Coding

AI Coding 这一块我们现在也讲得越来越重了，他不是选择题，是必选题。

因为不管你喜不喜欢，AI Coding 已经不是加分项，而是必选项。

我们会同时讲两套：

1. 面向非程序员的小白版；
2. 面向程序员、偏生产级项目的案例版。

也就是说，不管你是产品、运营、项目型同学，还是开发岗转型，都会告诉你该怎么把 AI Coding 真正用起来，而不是停留在会让它写个 demo。

进来，我们一个律师小姐姐不仅学会了 AI Coding，还去给公司给其他律师培训了，可真厉害...

四、知识库、RAG、复杂系统与数据飞轮

很多企业最后绕不开的，还是知识库和数据工程。所以后面我们会继续往深一点走，包括：

1. 从简单 RAG 到更复杂的知识库系统；
2. GraphRAG、知识图谱这些东西到底怎么看；
3. 可观测性设计；
4. 数据工程实战；
5. 准确率瓶颈怎么处理；
6. 飞轮系统怎么搭；
7. 安全合规与成本控制怎么做。

说白了，就是尽量把大家从会玩一点工具，拉到对生产级 AI 项目有基本认知的水平。

这套课适合谁？

如果按人群分的话，主要适合三类人。

一、AI 转型者

如果你是程序员、产品经理，或者互联网相关从业者，想找一份 AI 相关的工作，那么这门课是尤其适合你的。

因为你最缺的，往往不是一点点工具操作，而是：

1. 项目全局视角；
2. 对 AI 应用的分类认知；
3. 对企业真实需求的理解；
4. 一套更接近岗位要求的学习路径。

二、AI 项目负责人

如果你即将或正在某个 AI 项目中扮演核心角色，这套课也适合你。

因为很多项目负责人最难受的地方在于： 模型知道一点，工程知道一点，业务知道一点，但就是拼不成完整的判断框架。

这套课至少能帮你把这些东西串起来。

三、AI 创业者

如果你正在做 AI 创业，特别关心 AI 项目的试错成本，想知道不同类型 AI 项目的成本结构、难点和落地路径，那么这套课也是适合你的。

毕竟，很多坑我自己已经踩过了，能帮你少踩一点也是好事。

上课方式

一些大家会关心的现实问题，也顺手说下：

1、上课方式

1. 腾讯会议在线教学；
2. 工作日 22:00 - 23:30，1-2 节课；
3. 周末 10:30 - 12:00，1 节课；
4. 第 9 期开班时间 5 月 7 日。

2、有没有回放

会有录播，也会检查作业。

3、不会写代码行不行

可以，但会有点吃力。最低要求是你至少能写需求文档，也就是逻辑能力要过关。代码能力不是必须，但有更好。

4、能不能推荐工作

可以，我们这边持续在对接企业 AI 岗位需求，也已经有一些学员找到了不错的工作。

当然，前提还是你得认真学、认真做作业，而不是把希望寄托在报个名就自动上岸。

最后是一些清单

首先是我们学员账号：

......

最后期待你的报名，我的二维码在下面...

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：