뮤테이션

现在想成为一名软件工程师，尤其是 AI Engineer，需要学习的东西已经多到有点离谱了。 2016 年，学 Java、Spring、SQL，做几个项目，就可以开始尝试找工作。 到了 2026 年呢？Python、JavaScript、TypeScript、React、Node.js、AWS、Docker、Kubernetes、Kafka、Redis、System Design、LLMs、RAG、Agents…… 学完这些，别人可能还会告诉你，你得继续学习最新的技术。 我操，这哪是在培养一个初级工程师，感觉恨不得让一个刚毕业的学生，把整个技术团队的活都干了。 当然，不同岗位也不需要掌握所有技术。但确实反映了一个很现实的问题：技术更新的速度，已经远远超过普通人能够系统学习的速度。 我自己就是一个从广播电视编导往 AI 工程方向转型的学生，这几个月一直在做 RAG、Agent、企业工作流相关的项目，对这种感觉特别深。 今天刚研究明白 RAG 的检索流程，明天发现还需要补数据库、HTTP、权限控制；好不容易把 Agent 跑起来，又发现自己不懂并发、消息队列、部署和系统监控。 如果一直按照学完所有技术再做项目的思路，可能永远都学不完。 2026 年想进入 AI 工程行业，最重要的不是掌握所有框架，而是先建立一套能够持续学习和解决问题的能力体系。 如果让我重新规划学习路线，我可能会这样安排。 先把 Python、Git、SQL、HTTP、API 这些基础真正搞懂，至少能看懂代码、理解数据怎么流转，知道一个请求从前端到后端到底发生了什么。 然后学习 FastAPI、数据库、Docker、测试和部署，尝试独立完成一个能够在公网运行的项目。 再往 AI 应用方向深入，研究 LLM API、Structured Output、Tool Calling、RAG、Evals 和 Agent，把模型真正接入业务系统。 至于 Kubernetes、Kafka、分布式架构这些东西，当然重要，但没有必要一开始全部学完。等项目真的遇到对应的问题，再有针对性地深入。 而且我觉得现在有 Codex、Claude Code 这些 AI Coding 工具，学习方式也应该发生变化。 以前可能是先学几个月技术，再尝试做项目。现在完全可以先选择一个真实需求，让 AI 辅助开发，在过程中不断理解代码、补充知识、测试结果。 但前提是不能只会让 AI 写代码，自己却连系统为什么这样设计都解释不清楚。 AI 可以加快开发速度，但你对系统的理解、技术判断和问题定位能力，依然需要自己建立。 我现在不想追求会多少个框架，而是希望自己真正做完几个能够交付的项目。 因为技术栈会变，框架会更新，模型可能几个月就换一代，但理解需求、分析问题、设计系统、验证结果这些能力，不会那么容易过时。 对于我们这些非科班、又想进入 AI 行业的年轻人来说，可能更应该减少无目的地学习，多做真实项目，遇到问题再回头把基础补扎实。 最后也想问问大家：如果一个人准备在 2026 年从零开始学习编程，目标是成为 AI Engineer，你觉得他应该先花半年系统学习计算机基础，还是直接借助 AI Coding 做项目，在实践中补齐知识？ 我自己现在更倾向于后者，但前提是不能把基础跳过去。