本文为AI应用开发学习者提供了一份详尽的70多天学习路线图，强调理解AI技术背后的原理及解决的实际问题。文章分五个阶段介绍AI学习路径：第一阶段聚焦Prompt和LangChain，实现基础内容生成；第二阶段通过RAG解决AI“幻觉”问题，涉及知识库构建与优化；第三阶段强调评测体系的重要性，确保AI输出质量；第四阶段介绍如何使用LangGraph和MCP构建智能Agent；第五阶段关注工程化，确保AI系统在生产环境中的稳定运行。文章旨在帮助读者理解AI开发的全过程，强调实践和系统构建能力。

最近花了一周时间，把一份 70 多天的 AI 应用开发学习路线完整看了一遍。

看完后最大的感受是：

现在网上大部分 AI 学习路线都在教你技术。

但很少有人告诉你：

这些技术为什么出现。

又是在解决什么问题。

我自己是测试出身。

过去一年一直在做 AI Agent 测试平台。

回头再看这份路线图，会发现它其实对应的是一个完整 AI 产品从 0 到 1 的成长过程。

---

第一阶段：先让AI说人话

很多人上来就学：

• LangGraph
• MCP
• Multi-Agent

其实根本没必要。

因为这时候你连模型最基本的工作方式都不知道。

就像刚学Java的人直接研究微服务一样。

这一阶段到底在学什么

本质上就一句话：

让模型按照你的要求输出内容。

比如：

你给模型一句话：

帮我生成登录功能测试用例

返回的内容可能是：

1. **测试登录**

2. **测试密码**

3. **测试账号**

乱七八糟。

没法直接使用。

于是你开始发现：

同样的问题。

不同写法结果完全不一样。

于是就有了 Prompt。

---

Prompt到底是什么

很多人把Prompt理解得太神秘。

实际上它就是：

你给AI写需求文档。

例如：

你是一名资深测试工程师

请根据以下需求生成测试用例

输出格式：
前置条件：
测试步骤：
预期结果：

这时候结果立刻规范很多。

---

接下来为什么要学LCEL

因为Prompt越来越长。

越来越复杂。

开始出现：

用户输入
↓
Prompt模板
↓
模型
↓
输出解析
↓
结构化结果

于是LangChain出来了。

LCEL出来了。

它本质就是把这一套流程串起来。

类似于：

prompt
|
model
|
parser

这样代码更好维护。

---

这一阶段完成后应该达到什么程度

能够做出：

• AI测试用例生成器
• AI需求分析助手
• AI日报生成器
• AI缺陷分析助手

类似这种简单工具。

不用数据库。

不用Agent。

不用RAG。

单模型即可。

如果这一阶段都没搞明白。

后面基本都会崩。

---

第二阶段：解决AI胡说八道的问题

做到这里。

你会发现一个巨大的问题。

AI开始胡说八道。

例如：

你问：

公司年假多少天？

AI回答：

一般企业10天左右

但实际上公司制度是：

5天

这就是幻觉。

---

为什么会有RAG

因为模型根本不知道你的企业资料。

它只能猜。

所以要给它外挂知识库。

流程变成：

用户提问
↓
知识库搜索
↓
找到相关文档
↓
把文档塞给模型
↓
生成答案

这就是RAG。

---

真正难的不是搭RAG

而是数据处理。

很多教程：

loader.load()
vector_store.add()

结束。

但企业里真正花时间的是：

文档清洗

例如：

• PDF
• Word
• Excel
• Wiki
• 飞书文档

全部格式不同。

---

文档切块

假设有一本100页制度手册。

直接丢进去没用。

必须拆成小块。

例如：

chunk_size=500
overlap=100

不同参数效果完全不同。

---

检索优化

很多人做到这里就结束了。

实际上企业项目才刚开始。

因为：

搜不到。

搜不准。

搜出来一堆垃圾。

于是开始研究：

• BM25
• Hybrid Search
• Rerank
• Multi Query
• HyDE

这些东西。

---

第二阶段结束后

你应该拥有：

一个企业知识库问答系统。

而且不是Demo。

是真能回答问题的系统。

---

第三阶段：AI项目最重要的能力——评测

这是我觉得很多人忽略的部分。

也是企业最关心的部分。

---

很多人做完RAG以后。

直接上线。

然后说：

效果不错。

我问：

依据是什么？

回答：

感觉还行。

这就是问题。

---

软件测试为什么要写测试用例

因为不能靠感觉。

AI也是一样。

---

怎么知道RAG优化有没有效果

假设：

改了Chunk。

改了Prompt。

改了Embedding。

改了Rerank。

到底哪个好？

不知道。

于是就有评测体系。

---

AI评测到底测什么

一般看三个指标：

检索正确率

搜出来的是不是正确文档

回答正确率

答案是不是正确

忠实度

有没有编造内容

---

企业怎么做

会建立一套题库。

例如：

问题：
年假多少天

标准答案：
5天

然后自动跑几百个问题。

生成分数。

这就是RAGAS和DeepEval干的事情。

---

为什么测试人特别适合做这个

因为本质没变。

以前写：

输入
执行
断言

现在变成：

问题
回答
评测

只是对象变了。

思路完全一样。

---

第四阶段：让AI真正干活

做到这里。

你已经有：

• 模型
• 知识库
• 评测系统

但还不是Agent。

---

Agent是什么？

很多人理解成：

多个AI聊天。

其实不是。

Agent本质上是：

AI会自己决定下一步做什么。

例如：

帮我查询今天订单异常

Agent开始思考：

需要查数据库

调用工具。

需要分析结果

继续调用工具。

需要生成报告

输出结果。

---

为什么要学LangGraph

因为Agent越来越复杂。

开始有：

• 状态
• 分支
• 循环
• 工具调用

已经不是一个Prompt能解决的。

于是需要工作流引擎。

LangGraph本质上就是：

AI版流程图。

---

为什么MCP火了

因为Agent需要连接外部世界。

例如：

• 浏览器
• 数据库
• 飞书
• Jira
• GitHub

MCP就是统一接口标准。

类似AI时代的USB。

---

第四阶段结束

你应该能做出：

• AI测试执行Agent
• AI需求分析Agent
• AI日报Agent
• AI代码审查Agent

这种真正解决问题的产品。

---

第五阶段：工程化

这一步是绝大多数教程不会讲的。

也是面试最容易暴露水平的地方。

---

因为：

Demo能跑。

不代表生产能跑。

---

企业真正关心：

成本

一次调用多少钱

延迟

用户等多久

监控

出问题怎么查

安全

数据会不会泄露

评测

升级后会不会变差

---

于是开始出现：

• FastAPI
• Docker
• LangSmith
• Trace
• CI/CD
• Guardrails

这些东西。

---

最后

如果你问我：

测试开发转AI最好的路线是什么。

我会给你一句特别简单的话。

不要从Agent开始。

不要从大模型原理开始。

不要从论文开始。

按照下面顺序就够了：

Prompt
↓
LangChain
↓
RAG
↓
评测体系
↓
Agent
↓
LangGraph
↓
MCP
↓
工程化
↓
上线

当你走完整条路线。

你会发现。

原来企业里的AI项目，远远没有网上说得那么玄学。

本质上还是那套熟悉的软件工程。

只是把“代码逻辑”变成了“模型能力”。

而真正拉开差距的，从来不是谁会调用GPT。

而是谁能把AI系统稳定地跑在生产环境里。

最后

最近两年互联网招人逻辑完全换了赛道：

只会写基础业务代码、天天做CRUD的传统开发岗位越来越少，能落地AI大模型、帮公司做业务智能化的技术人，成了各大大厂抢着要的香饽饽。

2026年春招市场，大模型相关岗位直接稳居招聘第一位！

AI相关岗位数量同比暴涨8.7倍，在所有新经济岗位里占比从2.78%飙升到22.03%，简单说：10个技术岗，2个都是AI大模型岗。

头部大厂2026春招全员押注AI，传统岗位持续缩编

• 字节：春招总共放出7000个名额，研发岗4800+，70%名额全部倾斜AI开发、AI产品，人才缺口巨大
• 腾讯：春招扩招1万人，技术岗扩招36%、产品岗扩招39%，扩招核心全是大模型方向
• 华为：全年持续开放AI实习岗，覆盖全赛道：底层算力基建、大模型应用开发、LLM工程师、AI数据安全隐私等

数据来源脉脉，侵删

不管你是写了多年代码的老程序员、刚入行的初级开发，还是零基础想转行跨进互联网的普通人：

现在几乎所有企业招人，都把 “会大模型落地” 当成硬性加分项。

只会传统开发，未来只会面临裁员、降薪、岗位缩减；主动学大模型，才能躲开内卷，抓住持续多年的高薪风口。

别等行业淘汰再补救，现在入局正是红利期！

今天贴心为大家准备好了一系列AI大模型资源，包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

有需要的小伙伴，可以点击下方链接免费领取【保证100%免费】

1、学习路线图

2、视频教程

网上虽然也有很多的学习资源，但基本上都残缺不全的，这是我自己整理的大模型视频教程，上面路线图的每一个知识点，我都有配套的视频讲解。

（都打包成一块的了，不能一一展开，总共300多集）

3、技术文档和电子书

这里主要整理了大模型相关PDF书籍、行业报告、文档，有几百本，都是目前行业最新的。

4、LLM面试题和面经合集

这里主要整理了行业目前最新的大模型面试题和各种大厂offer面经合集。

5、大模型项目实战&配套源码

学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。

6、大模型大厂面试真题

面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

以上资料如何领取？

为什么大家都在学大模型？

最近科技巨头英特尔宣布裁员2万人，传统岗位不断缩减，但AI相关技术岗疯狂扩招，有3-5年经验，大厂薪资就能给到50K*20薪！

不出1年，“有AI项目经验”将成为投递简历的门槛。

风口之下，与其像“温水煮青蛙”一样坐等被行业淘汰，不如先人一步，掌握AI大模型原理+应用技术+项目实操经验，“顺风”翻盘！

这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

以上全套大模型资料如何领取？