从事AI岗需要掌握哪些技术栈？

图里附上的是我快速转行的学习路线，这份内容只是最基础的学习内容。毕竟整体准备时间特别紧张，前后加起来还不到两个月，路线规划肯定也存在很多不足之处，而且我秋招能拿到结果，也确实有不少运气成分。另外我本身有一定基础，对于常见的深度学习原理、操作系统以及CPU、GPU相关概念，前期都有一定的知识积累。如果后续想要冲刺大厂，还必须额外补充大模型相关知识。我当时在准备华为相关岗位的时候，专门背诵了很多LLM八股知识点，像是Transformer、FlashAttention、KV Cache这些核心内容都有系统复习。当然，只顾着埋头学习是远远不够的。今天我也特意问了身边的大佬，他给出的建议也一样：想要顺利上岸，光靠理论学习完全不够，必须要有项目经历和实习经历来支撑简历、提升竞争力。我分享自己的转行路线与经验，其实更想告诉大家：仅仅用两个多月的时间准备，最终也能拿到不错的offer。所以千万不要觉得准备时间太晚，一直陷入内耗焦虑，立刻行动起来，才是最关键的第一步！

结论先行：嵌入式工程师不会被 AI 取代，但嵌入式开发的全流程会被 AI 重构；未来的开发模式大概率是1 名工程师 + AI Agent + 自动化开发系统 ≈ 过去一个嵌入式开发团队。我近期用 AI Agent 结合 Renode 仿真器搭建出了嵌入式自动开发闭环，也验证了这一方向的可行性 —— 嵌入式从不是不受 AI 影响，而是天生适配 AI的领域。一、嵌入式工程师累、薪资上限低的核心原因多数嵌入式软件工程师都有这样的感受：工作量大、调试痛苦、项目周期紧，但薪资却难有突破。这并非技术本身的问题，而是生产方式的底层问题：传统嵌入式开发是纯人工的低效循环，流程基本为：写代码 → 编译 → 烧录 → 看串口 → 手动测试 → 找 bug → 修改 → 再烧录工程师的大量时间消耗在烧录程序、等编译、看日志、重复测试上，而非核心的代码编写；更关键的是，工程师的调试方法、测试设计、日志分析等经验都只存在于个人脑中，无法沉淀复用。最终形成行业现状：工作量大但生产效率低，薪资自然难以提升。二、嵌入式为何天生适合 AI 参与开发很多人认为嵌入式涉及硬件，AI 难以介入，实则相反。嵌入式系统的三大特性，让其成为 AI 自动化开发的绝佳场景：系统行为可观测：嵌入式程序会稳定输出串口日志、状态信息、协议数据、IO 变化等，为 AI 提供清晰的分析依据；调试手段标准化：GDB、仿真器、UART、自动测试等是嵌入式开发的通用工具，AI 可直接对接标准化工具链；系统行为确定性强：相同输入对应固定输出，这种强确定性完美适配自动化流程。基于这些特性，可搭建 AI 深度参与的开发闭环：AI 写代码 → 自动编译 → 仿真运行 → 自动测试 → 日志分析 → AI 修改代码这一全自动化的开发 loop，让 AI 能参与嵌入式开发的完整流程。三、亲测实现的嵌入式 AI 开发闭环我近期搭建的实验环境，已实现嵌入式开发的全流程自动化，核心流程如下：AI Agent → 生成代码 → 自动编译 → Renode 仿真运行 → 自动测试脚本 → 日志分析 → AI 修改代码其中Renode 仿真器是核心组件，它能模拟 ARM Cortex-M、RISC-V、STM32 等 MCU，以及 UART/SPI/ 网络等外设，实现无开发板即可完整运行嵌入式程序。基于此，AI 可独立完成一系列操作：写驱动代码→编译程序→仿真器运行→自动发送 UART 指令→检查日志输出→失败则自动修改代码，本质上已实现嵌入式软件的 AI 自动开发。四、嵌入式开发的真正瓶颈：流程而非技术很多人将嵌入式开发效率低归因为技术复杂，实则不然 ——开发流程的原始化，才是核心瓶颈。如果将传统人工流程升级为 AI 驱动的自动化闭环，开发效率会实现数量级的提升；而这一闭环还能持续拓展，加入自动烧录、硬件在环（HIL）、自动测试平台后，AI 甚至可以参与真机开发循环，彻底打通嵌入式开发的全链路自动化。五、未来嵌入式工程师的角色重构AI 不会取代嵌入式工程师，但会彻底改变工程师的工作内容，未来的开发模式会变为：工程师 → AI Agent → 自动开发系统（内含编译系统、仿真系统、自动测试、日志分析、硬件在环）工程师的工作将从低价值的重复性工作：写驱动、写模板代码、写协议解析、写基础测试，转变为高价值的核心工作：定义需求、设计系统架构、构建自动化系统、分析复杂技术问题。简单来说：AI 消灭低价值嵌软工作，放大高水平工程师的能力边界。六、未来嵌入式工程师的核心能力要求未来最具价值的嵌入式工程师，不再是 “写驱动最快的人”，而是 **“能构建 AI 可运行的自动化开发系统的人”**，核心技术栈也将从单一的嵌入式开发，升级为复合技术栈，主要包含四大板块：嵌入式基础：C/C++、MCU、RTOS、Linux 嵌入式；自动化能力：Python、自动测试、CI/CD；仿真能力：Renode、QEMU、GDB；AI 工程能力：Agent workflow、工具调用、自动开发 loop。七、给嵌入式入行新人的路线建议如果尚未入行，不建议再走传统嵌软路线：51 单片机 → STM32 → 写驱动 → 找嵌软工作，这条路线未来会越来越卷，且易被 AI 替代。更优的入行路线是：嵌入式基础 + Python 自动化 + 仿真开发 + AI 工具，核心目标不是成为传统的 “嵌软工程师”，而是转型为 **“智能设备系统工程师”**。最后总结嵌入式从不是不受 AI 影响的领域，恰恰相反，它是最适合 AI 自动开发的领域之一。只要让仿真、日志、自动测试形成稳定闭环，AI 就能真正深度参与嵌入式开发的全流程；而未来嵌入式领域最有价值的人，从来不是写代码最快的人，而是能把开发流程转化为 AI 可运行的自动化系统的人。

作为一名正在摸索入行的 AI 应用工程师新人，我把近期收集的资料做了一次系统梳理，聚焦岗位核心能力，把从大模型应用开发、模型调优到工程化部署的全链路技术栈拆解开。一方面给自己定一个清晰的学习方向，避免在海量知识点里越学越乱；另一方面也分享给同样在入门的牛友，一起参考、一起进步。一、核心应用技术1. 提示工程 Prompt Engineering需要熟练掌握角色设定、思维链 CoT、零样本 / 少样本学习、格式约束、抗幻觉等通用技巧；针对 GPT-4o、LLaMA 3、Qwen、Claude 等不同模型做提示词适配，根据问答、摘要、翻译、代码生成等任务做针对性优化。实战上要能搭建可复用的提示词模板库，支持参数化调用和效果评估，解决模型输出不稳定、格式乱、语义跑偏等问题。2. 检索增强生成 RAGRAG 是解决大模型幻觉、落地知识密集型场景的关键，要求能完整搭建一套端到端系统。核心流程包括：文档处理：多格式加载（PDF/Word/TXT/ 网页）、多种文本切分策略向量工程：嵌入模型选型、向量生成与效率优化检索优化：向量检索、混合检索、重排序，提升召回与准确率生成优化：上下文压缩、查询改写、检索结果融合进阶方向可以了解模块化 RAG、GraphRAG、知识库增量更新等方案。3. LLM Agent 开发基于 LangChain /llamaIndex 搭建 Agent，掌握任务拆解、工具调用、结果整合、记忆管理的完整流程；能自定义工具（API、数据库、计算器、外部服务等），设计调用逻辑与失败重试机制。实战要求实现多工具协同、长短记忆管理，能处理数据分析 + 报告生成、多轮复杂问答等场景。二、模型调优与后训练1. 监督微调 SFT能完整设计 SFT 流程：数据集构建与清洗、模型选型、学习率等超参调优；熟练使用 LoRA / QLoRA 轻量化微调，基于 PEFT 库在普通显卡上完成训练，控制显存和成本。最终要能在分类、对话、意图识别等任务上落地微调，并输出对比评估结果。2. 强化学习与偏好对齐了解 RLHF、DPO 的基本思路，能用 TRL 等开源库做简单的偏好对齐训练，减少模型幻觉、违规输出，让生成内容更贴合业务规则。3. 模型压缩与推理优化掌握 INT4/INT8 量化、剪枝、知识蒸馏，用 BitsAndBytes、GPTQ 等工具在可控效果损失下压缩模型；能将模型转为 ONNX / TensorRT，支持本地与边缘部署，提升推理速度。三、工具与框架体系语言与基础：Python、Pandas、Numpy 数据处理深度学习框架：PyTorch、TensorFlow，Hugging Face 全套生态应用开发框架：LangChain、llamaIndexAPI 服务：FastAPI、Flask 封装接口，对接 OpenAI、智谱、通义千问等商用 API四、数据存储与检索结构化存储：MySQL/PostgreSQL 存用户、配置、日志缓存：Redis 做缓存、会话管理、降低重复调用成本搜索引擎：Elasticsearch 做关键词检索向量库：FAISS、Milvus 搭建向量知识库，支撑高并发 RAG 检索五、工程化部署与监控Docker 容器化打包，docker-compose 多组件部署日志与监控：ELK、Prometheus + Grafana 监控接口、推理性能、资源占用安全合规：密钥加密、权限控制、数据脱敏，满足企业安全要求六、前沿技术与行业认知持续关注 LLaMA 3、Qwen、Mistral 等开源模型迭代，以及 LangChain 等工具更新；了解多模态、智能体进化、Modular RAG、知识图谱融合等方向；结合企业服务、智能制造、智能客服等落地案例，学会把技术和业务场景结合，给出可落地方案。

我本身的主力编程语言就是Python，再加上导师的研究方向刚好是机器学习、深度学习，这方面的基础也就自然而然积累了一些。后来也是误打误撞，进入了AI Agent开发相关的岗位实习，整个过程也算实打实的干中学、边做边练。刚接触这块的时候，我最先做的就是梳理Agent的主流开发框架、完整运行流程，先把整体体系摸清楚。等对各类框架有了基础认知后，我就开始往深钻研，吃透每个模块底层的代码逻辑：一边在GitHub上研读优质的开源项目代码，一边仔细扒LangChain官网，把里面的各项功能都研究明白，在这里也特别感谢我的小导豆包老师，帮了我不少忙。把整体框架和流程吃透之后，我就开始深耕各个核心模块，比如深挖RAG模块里的文本分块方式、Embedding实现逻辑、检索增强的实现原理，以及各类优化策略等等，一点点把细节摸透。但这个时候也真的忍不住感叹，AI行业的技术迭代速度实在太快了，我刚把一套技术技能学扎实，Claw Bot也就是现在的龙虾模型就推出了，还是得持续跟进、不停学习。平时也有不少朋友问我，有没有推荐的学习老师或者教程。其实我就是典型的电子蝗虫学习法，不管来源是什么，只要是自己需要的知识点、技术内容，就针对性去看去学，完全按需学习。总而言之，AI行业更新迭代的速度太快了，想要跟上节奏就必须保持持续学习的状态，有时候甚至还要及时跟进顶会论文，才能不落后。以上就是我这段时间的完整学习路径啦，也希望评论区的各位大佬多多指点、不吝赐教。

说白了不能只通理论，得能落地。得是真・AGI 发烧友，对大模型、Agent 这些东西有热情，愿意追前沿啃新东西代码得能打，Python/C++/Java 至少会一门，Linux 环境玩明白，能把复杂 Agent 系统磨成能上线的产品要会跟产品、算法团队搭伙干活，别闷头写代码，得能把技术方案变成业务价值学得必须快，这领域更新比外卖还快，得有快速啃文档、踩坑排雷的本事核心技术栈就那几样：吃饭家伙：Prompt 调优、RAG、工具调用（Function Calling）Agent 系统：任务规划、工具调用、记忆机制、多轮对话得自己能搭框架得熟：LangChain/LlamaIndex/AutoGPT 随便挑一个，要有实际项目练手会优化：能给 Agent 做评估、调性能，别让系统跑起来慢得像蜗牛加分项直接起飞：玩过 Multi-Agent / 自主 Agent、会大模型微调部署、有开源项目 / 论文、全栈能搭原型岗位香点：小而精的专家团队，创业氛围鼓励试错，能从 0 到 1 参与 Agent 项目，有机会搞下一代 Agentic AI想进 AGI 赛道的，这岗是算法 + 工程双修的黄金坑，对照JD着补技能吧🚀

1. 编程语言与工程基础（基石）Python（绝对核心）、Web框架、数据结构与算法、SQL与数据处理2. 大模型核心技术栈（当前最热门）RAG（检索增强生成）：原理：理解如何通过外挂知识库解决模型幻觉和知识滞后问题。工具：熟练掌握 LangChain、LlamaIndex 等编排框架。Agent（智能体）开发：理解Agent的架构（感知、记忆、规划、工具使用）。掌握 LangGraph 等工具，能够设计有状态、多步骤的复杂任务流（如自动规划旅行、自动化办公流）。Prompt Engineering（提示词工程）：这不仅是“聊天”，而是结构化设计。需要掌握思维链（CoT）、少样本学习（Few-Shot）等技巧，能够编写稳定输出高质量结果的Prompt。模型微调（Fine-tuning）：虽然不要求每个人都从头训练，但需要掌握 PEFT（参数高效微调）技术，特别是 LoRA、QLoRA，以及人类反馈强化学习（RLHF）的基本原理和操作。

一、AI 基础知识（核心入门层级）1. 大模型基础核心概念- 核心概念：LLM（大语言模型）、Token、上下文窗口、Embedding、微调（Fine-tuning）、提示工程（Prompt Engineering）2. 大模型关键能力- 核心能力：文本生成、代码生成、多模态理解（文生图/文生视频）、知识问答3. 前端视角核心应用（入门落地）- 模型调用：API 调用大模型方法- 流式处理：SSE/WebSocket 流式输出处理技巧，可结合缓冲区+分段解析机制优化体验- 成本优化：Token 消耗优化方法二、AI 进阶技术（能力提升层级）1. Agent 核心技术- 定义：可自主规划、调用工具、完成复杂任务的 AI 实体（代表：Coze 扣子、TRAE）- 前端视角：Agent 交互界面设计、多轮对话管理，可借助 A2UI 协议实现 AI 驱动的界面动态渲染2. RAG（检索增强生成）- 核心：结合私有知识库，提升大模型回答精准度与可控性，本质是“检索-增强-生成”的闭环流程- 前端视角：RAG 检索过程可视化展示、检索结果与模型输出的联动呈现3. 多模态 AI 技术- 核心定义：文本、图像、音频、视频的融合生成与理解（代表场景：剪映 AI 生成、实时交互）- 前端视角核心技术：Canvas/WebGL 渲染、WebGPU 加速（提升渲染性能）；WebRTC 实时流处理（支撑实时交互）；多模态内容预览、编辑功能实现（适配前端交互场景）三、AI 工具链及应用场景（落地实践层级）1. AI IDE 开发（TRAE、Cursor 方向）- 核心定位：端到端生成真实软件的智能协作平台- 前端职责：AI 功能交互（代码生成/理解/问答）、IDE 内核开发、插件生态搭建- 核心技术栈：React/TypeScript、WebAssembly、Monaco Editor、WebSocket/SSE2. Agent 平台开发（Coze、HiAgent 方向）- 核心定位：新一代 AI Agent 协同办公与应用开发平台- 前端职责：LLM 驱动的 Agent 框架实现、多 Agent 协同界面、可视化编排工具开发- 核心技术栈：React/Vue、状态管理、可视化编辑器、实时通信3. 多模态创作与交互（剪映、抖音方向）- 核心定位：生成模型优化、多模态内容合成、实时交互体验提升- 前端职责：AI 生成内容预览、实时滤镜/特效、多模态编辑界面开发- 核心技术栈：WebGL/WebGPU、WebRTC、Canvas、性能优化（FPS、内存）4. AI + 全栈开发（小红书、美团方向）- 核心定位：AI Coding 工具辅助，完成前后端开发、测试、部署全流程- 前端职责：全栈开发、AI 辅助需求分析与方案设计、提升开发效率- 核心技术栈：Node.js/Python、前后端协作、CI/CD、AI 工具深度使用5. 可视化与 AI 交互（同顺方向）- 核心定位：大模型应用可视化交互、RAG/Agent 工作流演示- 前端职责：可视化 Prompt 编排、多轮对话可视化、模型输出调试界面开发- 核心技术栈：ECharts/D3.js、流程图库、实时数据渲染、响应式设计

AI Infra 是未来 5–10 年非常确定的岗位方向之一，而且相比纯算法岗，门槛更工程化、需求更大、年龄更友好。AI Infra 技能栈你可以把技能栈理解为 4 层：第1层：基础工程能力（必须）这是门槛：LinuxPython / Go计算机网络操作系统DockerKubernetes数据库（MySQL / Redis）分布式系统基础API开发（FastAPI / Flask）并发 / 异步 / 队列（Kafka / RabbitMQ）这一层本质是：后端工程师能力第2层：AI工程能力这一层开始进入 AI Infra：PyTorch 基础模型推理（inference）模型部署（TorchSe...

#牛客AI配图神器#引言"学 AI 需要掌握什么技术？"——这个问题本身就有问题。AI 岗位已经分化得很厉害了。2023 年你说"做 AI 的"，大家默认你在训模型。2026 年你说"做 AI 的"，你可能是在写 Agent 的工具调度逻辑、在搭 GPU 集群的推理服务、在优化 RAG 的检索链路、在做端侧模型的量化部署——这些岗位需要的技术栈重叠度可能不到 30%。笼统地说"学 Python、学 PyTorch、学 Transformer"就像说"做互联网要学编程"一样正确但没用。以下按四个主...

如图  

Agentic AI 技术栈- 各种工具和框架，涵盖了部署与基础设施、模型训练、基础模型、编排框架、向量数据库、嵌入模型、数据检查与提取以及记忆与上下文管理等方面1.  部署与基础设施：Grok、AWS、together.ai、baseten、Modal、Fireworks AI、Replicate 等。2.  模型训练与监控：LangSmith、mlflow、Weights & Biases、ragas、deepchecks、Fairlearn 等。3.  基础模型：Claude 3.7 Sonnet、Mistral AI、Cohere、Gemini 2.5 Pro、LLaMA 4、Grok 等。4.  编排框架：LangChain、DSPY、Microsoft、AutoGen、dify、Ray 等。5.  向量数据库：Milvus、drant、redis、pgvector、Chroma、Pinecone、Weaviate 等。6.  嵌入模型：Voyage AI、OpenAI、spaCy、Vector Flow、Cohere、Hugging Face 等。7.  数据检查与提取：Scrapy、Docling、Beautifulsoup、DIFFBOT、Apache Tika、Firecrawl 等。8.  记忆与上下文管理：Letta、memoMap、zeplo、LangChain、Llamaindex、Chroma 等

想做 AI 岗，先把基础打牢。Python 是核心，配合 NumPy、Pandas 做数据处理；机器学习要吃透经典算法与调参，深度学习熟练 PyTorch，懂 CNN、Transformer。大模型方向要会 LoRA 微调、RAG 搭建，用 Hugging Face 生态。工程上掌握 Docker、ONNX 部署，懂 Linux 与 CUDA 加速。数学方面线性代数、概率统计够用即可。不用贪多，先把主流工具练熟，结合项目落地，面试更有底气。

Java 工程师转型 AI Agent 工程师无需从零开始，可直接复用 Java 后端的接口开发、分布式架构、工程化部署等核心能力，重点补充大模型基础（主流大模型 API 调用、基础 Prompt 编写）、Python 基础（满足代码阅读与简单开发需求）、Agent 核心框架（LangChain/LlamaIndex 的 Chain 调用、RAG 检索增强）、向量数据库应用及 Function Call 工具调用逻辑，再掌握 Agent 任务流程编排与异常处理，最终聚焦 Java 业务系统与 AI 层的融合开发（如 Java 调用大模型接口、提供业务工具给 Agent 调用），1 个月左右即可完成转型，凭借 “后端工程化 + AI 应用落地” 的复合能力，胜任业务 Agent 开发、RAG 工程师等岗位，薪资比纯 Java 岗更具优势。

除了mcp，agent skills这些相关的东西之外，最近又出了一个这个新的名词，你如果去相关的平台去搜这玩意儿，不管是小红书啊还是绿泡泡啊，这些地方全都是叭叭叭AI生成一大堆的长串文章，非常令人难崩，你看着看着就看晕了，并且他们也不是很权威，说不出个什么所以然。我大概看了看，其实我自我感觉就是一种抽象的规范规则的一个统一的命名，如果你让AI做一个东西，比如说编写代码，生成脚本编写需求文档，这些都是AI的一些应用场景，如果你想让这些落地场景相对来说可复用性强。稳定性强，准确率高，适用于一些特定业务场景的复杂逻辑的话，那么就需要很多的定义和规范。比如说分层设计，比如说复用之前已有代码的用法和写法。比如说上下游链路接口的规则的传入 类似于这种的。然后把数据库的使用规范呀，然后接入新增字段的一些规范呀，然后一些加锁的逻辑啊，缓存的逻辑啊，查表的逻辑呀，这些都通过规则呀，或者说是一些别的方式，比如说skills这样给他规定一下，反正我感觉是这样的，不知道有没有大神，有更深刻的见解，只能说AI时代必须要不断学习，你不学就完犊子

看看进字节AI需要哪些技术人才？你应该学什么？

最近看到一个很有意思的观点，关于AI时代产品经理的工作方式正在发生巨大变化，结合自己的思考整理一下分享给大家。 传统产品经理是怎么工作的？ 以前产品经理的标准流程是：市场调研 → 竞品分析 → 写PRD → 确定产品路线 → 跟进开发。 之所以是这套流程，根本原因是软件开发的周期长、成本高，中途调方向损失非常大，所以必须"先规划好再动手"。 现在发生了什么变化？ AI的能力进化太快了。 2022年11月ChatGPT刚上线的时候，连一个不出错的HTML页面都很难写出来；到了现在，用Claude Code这样的Agent工具，已经可以独立完成一个前后端完整的中型项目。短短三年...

AAA孝总自2025AI元年以来已从事AI infra AI Agent等领域深耕一线实战AI项目，架构设计至今落地超百万下面，此处 呕心沥血制作。望大家以此为参考，以此为出发点，拓展发散，快速入门AI，赶上AI潮流。一、AI Infra技术栈AI Infra简单来说就是AI基础设施，主要从事AI模型推理、训练两个领域进行深耕。其中从下到上包括但不限于：1.硬件层：A100、H100、4090、TPU、NPU（注意了解英伟达不同架构的演进与NVlink，算力形式，以及NPUGPUCPU等推理区别）2.底层使能：CUDA toolkit，NVCC编译器（附昇腾NPU：毕昇编译器）3.GPU加速：...

看看进字节AI需要哪些技术人才？你应该学什么？

核心技术栈：Transformer家族：BERT、GPT、T5，要懂Attention机制、位置编码、预训练+微调。大模型：LLaMA、ChatGLM，懂SFT、RLHF、LoRA这些“行话”。多模态：CLIP、BLIP，图文互搜是标配强化学习：PPO、Q-learning，做大模型对齐必用模型压缩：量化、剪枝、蒸馏——大模型落地全靠这个加分项：顶会论文（ACL、CVPR、NeurIPS、ICML）开源项目贡献（给PyTorch、HuggingFace提过PR）Kaggle金牌/前10%一句话：算法岗拼的是创新能力和论文产出，学历门槛高，硕士起步，博士不嫌多。