AI 工程师和 AI 研究员，你到底要学哪个
匠人学院（JR Academy）AI Engineer Bootcamp 的入学前置要求写的是 Python、RESTful API、云平台基础和 Git——不是线性代数和概率论。这一栏本身就回答了半个问题：这条路通向工程，不通向研究。
分辨这两条路，不用看学历，看一件事就够：你的交付物是什么。
研究员交付的是新知识——一个此前没人验证过的结论，一份别人能复现的实验，一个在公开基准上确实更好的数字。
工程师交付的是能维持的系统——它今天能用，三周后文档换了一批还能用，出问题时有人知道从哪一层开始查。
这两件事需要的能力重叠不到一半。很多人学了一年多还在原地打转，根本原因是同时按两条路的标准要求自己：一边啃论文推公式，一边追工具链更新，结果两边都不够深。
这篇把两条路拆开，再讲一条大多数人真正该走的第三条路。写给还没定方向、或者投了一阵简历发现自己"哪边都不太像"的人。
一、时间花在哪，是最诚实的分界线
不用问自己"喜欢研究还是喜欢做产品"，这种问题谁都能答成两边都喜欢。看真实的一周时间分配。
研究方向的一周大致是：读四五篇论文、复现其中一个方法、设计一组消融实验、跑实验等结果、发现结论不显著、改设定重跑。产出常常是"这条路走不通"，而这也算成果。
工程方向的一周大致是：接一批脏数据、把格式统一、发现有一半文档没有可靠的更新时间、跟法务确认哪些数据不能出本地环境、把成本和延迟压到指标以内、给系统补一套评测好在下次改动时知道有没有变差。
第二种工作里几乎不出现"新知识"，全是取舍。第一种工作里几乎不出现"用户"，全是变量控制。
看到这里如果你已经有明显的偏向，那基本可以定了。
二、招聘端的要求是两套语言
两类岗位的要求写法很不一样，看 JD 就能分出来。
研究类岗位关注的是：发表记录、方向匹配、能不能独立提出问题、有没有系统训练过（多数要求博士在读或以上，或等价的研究产出）。它们数量少，集中在高校、研究机构和少数大公司的研究部门。
工程类岗位关注的是：你上线过什么、系统出问题你怎么排、成本和延迟怎么控制、数据边界怎么处理、有没有写过评测。这类岗位散布在各行各业——只要一家公司想把大模型接进自己的业务，就需要这类人。
对在澳洲找工作的人来说，这个分布差异非常关键。本地能提供研究岗的机构数量有限，而"把 AI 接进现有业务"的需求分散在金融、医疗、教育、政府项目里。同样的努力，两条路能碰到的机会数量不是一个量级。
我不是说研究这条路不值得走。我是说，如果你选它的理由是"听起来更高级"，那这个理由撑不住三年。
三、三个自测问题
问题一：给你一个结论不显著的实验，你的第一反应是什么？ 想改设定继续找原因 → 研究倾向。 想知道"那这东西到底能不能上线" → 工程倾向。
问题二：一个功能已经能跑，但代码很难看。你会先做什么？ 先想怎么让它可维护、加监控 → 工程倾向。 觉得能跑就行，去看下一个想法 → 研究倾向（这在研究里是对的）。
问题三：你更受不了哪一种？ 系统半夜挂了没人知道 → 工程。 一个说法没有证据就被广泛传播 → 研究。
三题里有两题指向同一边，就按那边走。
四、大多数人其实该走第三条路
真实招聘市场上还有一类岗位，比前两类加起来都多：用大模型构建产品的应用工程。
它跟研究的区别很清楚——不产出新方法。它跟传统后端的区别也很清楚——要处理不确定输出、要设计评测、要控成本和延迟、要考虑数据边界。
这条路的技术地基不是数学，是软件工程：能写服务、会用云、懂版本控制、能读日志。在这个地基上加的是四层跟大模型有关的东西——上下文怎么组织、检索怎么做、智能体怎么编排和留记忆、系统怎么评测和观测。
匠人学院 AI Engineer Bootcamp 的大纲基本就是按这个顺序排的：Foundation → Context Engineering → RAG → Capability → Agent Core → Multi-Agent → Memory → Harness Engineering → Model Layer → Observability & Evals，10 个 phase 共 290 节课、68 个交互式 Lab、59 场直播，前置要求写的是 Python、RESTful API 开发经验、云平台基础和 Git——不是线性代数和概率论。
前置要求这一栏，往往比课程介绍更能说明一条路到底通向哪里。
五、想转过去要付多少代价
工程转研究：代价大。需要补的是研究训练本身——怎么提问题、怎么设计对照、怎么读一个领域的谱系，通常需要一个正式的学术环境。业余时间读论文补不上这一段。
研究转工程：代价小得多，但有一个常见卡点——很多研究背景的人写代码是为了验证想法，写完就扔，没有"这段代码明年还要有人维护"的意识。补这一段不难，做两个有真实约束的项目就能建立起来。
零基础起步：直接奔第三条路，别绕道研究。先把工程地基打上（能写服务、能上线、能查问题），再加大模型那四层。顺序反过来的人，最后大多卡在"demo 能跑但不敢上线"。
一句话版本
想生产新知识 → 研究，做好机会集中、周期长的准备。 想让系统在真实约束下持续可用 → 工程。 还不确定 → 先做一个有成本上限和延迟目标的小系统，做完你自己就知道了。
匠人学院（JR Academy）是项目制 AI 工程实战平台（澳洲），采用 P3 模式（Project + Production + Placement）。课程结构是 12 周技术课程 + 12 周 P3 职业孵化，走的是上面第三条路。
选路这件事最大的浪费不是选错，是一直不选——两套标准同时挂在身上，看起来一直在学，实际一年过去哪边的门槛都没跨过。
想系统学这部分内容？
- 📘 第三条路的课程结构：匠人学院 AI Engineer Bootcamp —— 前置要求是工程四件套，不是数学
- 🐍 前置要求里最常缺的一项：Python 学习方向
- 💬 不确定自己该走哪条：Bootcamp 报名与咨询
- 📖 同主题延伸：前端、后端、全栈转 AI Engineer：三条不一样的捷径
