想做 AI Engineer，却不知道该从哪里开始？

LLM、RAG、Agent、AI Builder、FDE……概念越来越多，课程和工具也越来越多，但你可能仍然没有弄清楚：

• AI Engineer 实际在做什么？

• 一个可以落地的 AI 应用到底由哪些部分组成？

• RAG、Tools 和 Agents 分别解决什么问题？

• 不同 AI 岗位有什么区别，自己适合哪个方向？

• 面对不同模型，应该怎样比较并做技术选型？

这堂课是 AI Engineer 训练营第07期的第一节课，也是一堂可以单独参加的试听课。

我们不会一上来就教某个 API 或某款工具，而是先帮你建立一张完整的 AI Engineer 学习与职业地图。听完之后，你会更清楚接下来应该学什么、为什么学，以及这些能力将来如何应用到真实工作中。

1.5小时，你将完成5件事

1. 建立 AI 技术全景图

一次理清：

AI → Machine Learning → Deep Learning → GenAI → LLM

理解 training、inference、token、context、hallucination 等核心概念，知道它们之间是什么关系，不再被术语绕晕。

2. 看懂一个 AI 应用是怎样组成的

我们会拆解现代 Applied AI 系统的七个关键部分：

Model、Context、RAG、Tools、Agents、Evals、Governance

你会知道每一层分别解决什么问题，以及它们如何共同组成一个能够交付给用户的 AI 产品。

3. 看清 AI Engineer 到底有哪些岗位

你将对比：

• Applied AI Engineer

• FDE（Forward Deployed Engineer）

• AI Builder

• AI Solutions Engineer

• ML Engineer、Data Scientist、Software Engineer

重点不是记住职位名称，而是学会从招聘 JD 中判断：这个岗位真正要交付什么、需要怎样的技术栈，以及是否适合你的背景。

4. 现场观看主流模型横向对比

讲师会把同一个任务交给不同主流模型，现场比较：

• 输出质量

• 指令和格式遵循能力

• 响应延迟

• 调用成本

你会看到，模型选型不是简单地问“哪个最强”，而是要根据任务、成本和业务要求做取舍。

5. 建立真正的 Production Awareness

一个 Demo 能运行，不代表它能上线。

第一节课会先建立四个关键问题：

• 每次调用需要多少钱？

• 用户要等待多久？

• 业务数据能否发送给模型供应商？

• 当模型或供应商失败时，系统怎么办？

你会开始从“调用模型”转向“设计可靠的 AI 系统”。

听完这堂课，你将带走什么？

• 一张完整的 AI Engineer 技术学习地图

• 一套理解 RAG、Tools、Agents 等概念的系统框架

• 对不同 AI Engineer 岗位和职责的清晰认识

• 一套比较和选择 AI 模型的基本思路

• 对完整训练营内容、深度和授课方式的真实体验

需要特别说明

这是一堂 Foundations & Landscape 理论试听课。

本节课的目标是建立认知框架、学习路线和岗位判断能力，不会在第一节展开完整的 RAG 开发、Agent 编排、部署、监控或故障恢复实操。这些内容将在后续课程中逐步完成。

适合谁参加？

• 想系统学习 AI Engineering，但不知道从哪里开始

• 会使用 ChatGPT、Claude 或 Cursor，但缺少系统技术框架

• 有开发、数据或 DevOps 背景，准备进入 Applied AI

• 正在看 AI Engineer、FDE 或 AI Solutions Engineer 岗位

• 想先体验课程内容和授课方式，再决定是否报名训练营