ai工程师需夯实数学统计基础、深入python工程能力、强化工程落地意识、培养领域专业认知。线性代数等支撑模型理解，python造轮子提升源码能力，工程实践重稳定性与监控，领域知识决定职业纵深。
数学与统计基础不能跳过
AI工程师不是只会调包的程序员，线性代数、概率论和微积分是理解模型底层逻辑的钥匙。比如矩阵乘法直接对应神经网络前向传播，贝叶斯公式支撑着很多推荐和分类逻辑，梯度下降依赖导数计算。不需要推到数学系水准，但得能看懂损失函数怎么求导、协方差矩阵怎么影响PCA、为什么softmax要配合交叉熵——这些在面试和调优时高频出现。建议用《Deep Learning》（Ian Goodfellow）前两章+Kaggle微课程《Intro to Machine Learning》打底，边学边用NumPy手写简单反向传播，比纯看理论记得牢。
Python必须深入到“造轮子”层级
会用scikit-learn训练模型只是起点。AI工程师常要改源码、修bug、适配新硬件或定制训练流程。这意味着你得熟悉Python的装饰器、生成器、上下文管理器、元类机制，能读懂PyTorch的__call__和forward设计，能用inspect查函数签名，用typing写可维护的接口。推荐做三件事：① 用纯Python+NumPy实现一个带BatchNorm的MLP；② 给scikit-learn写一个自定义Transformer（继承BaseEstimator, TransformerMixin）；③ 读一段Hugging Face Transformers里ModelForSequenceClassification的源码，画出输入到输出的数据流图。
工程能力比模型精度更常卡脖子
上线一个准确率95%的模型，不如上线一个稳定、可监控、能回滚、延迟低于200ms的85%模型。这要求你掌握：Docker打包推理服务、Prometheus+Grafana看GPU显存和QPS、用MLflow或Weights & Biases跟踪实验、用Git LFS管大模型权重、用FastAPI写REST接口并加请求校验和限流。实际项目中，70%时间花在数据管道清洗、特征版本对齐、线上AB测试分流、日志埋点分析bad case上。建议从Kaggle Titanic出发，一路做到用Flask部署成API、加Swagger文档、接上简易监控面板——不追求高大上，但每个环节亲手走通。
领域感知决定你能走多远
通用AI技能只能让你入门，真正拉开差距的是垂直领域的理解力。做推荐系统，得懂协同过滤背后的用户行为稀疏性、冷启动怎么影响召回策略；做CV，得明白COCO标注格式对mAP计算的影响、TensorRT量化后精度掉点是否可接受；做NLP，得判断业务场景该用微调还是RAG，知道sentence-transformers和BERT-whitening在语义检索中的实际差异。办法很简单：选一个方向，精读3篇顶会论文（ACL/CVPR/NeurIPS），复现其中1个开源项目，再找一家该领域的公司，研究它的技术博客和开源组件——比如做金融风控，就啃透FATE联邦学习框架的源码结构。
立即学习“Python免费学习笔记（深入）”；
