选择你的学习路径

建立对现代 AI 的清晰认知框架，从训练数据、神经网络，到生成式工具、局限性、安全性，以及人们围绕这些技术所做的种种选择。

理解现代 AI 的构建模块：数据集、特征、嵌入、神经网络、Transformer、评估，以及塑造模型行为的种种现实取舍。

从概念走向应用。在文本、视觉、语音和多模态系统中动手实践，同时理解 API、开源模型、结构化输出和人工审核各自的用武之地。

设计面向生产的 LLM 应用，涵盖检索、工具调用、智能体工作流、MCP、评估、护栏和可观测性。学会在质量、延迟、安全性和成本之间做出优化。

把完整生命周期整合到一起：产品探索、架构、数据治理、模型与供应商选择、部署、监控、事件响应、合规以及持续改进。

夯实编程、数据结构、测试和复杂度等基本功，让 AI 系统更易理解、更高效、更易维护。

练习那些在生产服务、搜索、推荐、数据处理和技术面试中反复出现的算法模式。

学习现代 AI 产品的系统设计：模型网关、检索服务、异步负载、流式处理、缓存、限流、多租户以及高韧性的 API。

通过技术沟通、决策记录、干系人对齐、负责任的领导力，以及贴合 AI 时代的职业叙事，把扎实的工程能力转化为可见的影响力。

设计、构建、评估并展示一个端到端的 AI 产品。把检索或工具调用与安全、测试、可观测性、运行手册以及可信的产品案例结合起来。

为 AI 时代的岗位制定聚焦的求职策略：了解岗位类别、读懂职位描述、梳理你的证据，并准备一份切实可行的学习与投递计划。

用真实证据而非排练好的口号，准备关于模糊性、交付、失败、影响力、冲突以及负责任 AI 决策的简洁、诚实的故事。

用一套可复用的方法练习编程、API、调试、系统设计和 AI 应用类问题，学会厘清需求并为你的取舍辩护。

涵盖模型选择、实验、ML 系统设计、RAG 与智能体评估、数据质量、MLOps、安全性，以及面试官期待你能清晰阐述的各种取舍。

用一套实用框架评估 AI 时代的岗位与 offer，涵盖职责范围、学习、领导力、薪酬、风险、工作模式以及你的头 90 天。