AI 工程四阶段学习路线图：从入门到前沿
写在前面：为什么要懂这四个阶段？
很多人仍然认为"写好提示词就够了"——这已经过时了。这四个阶段不是孤立的知识点，而是一个完整的能力升级路径。
认知误区：
- 阶段一：提示工程 = AI 对话的精髓
- 阶段二：上下文工程 = 拉长对话
- 阶段三：驾驭工程 = 让 AI 更聪明
- 阶段四：循环工程 = 自动化提示
真相：
- 阶段一：学习如何与 AI 有效沟通
- 阶段二：学习如何为 AI 提供完整的知识基础
- 阶段三：学习如何构建可靠的 AI 系统
- 阶段四：学习如何让 AI 完全自主运行
每阶段都建立在前一阶段的基础上，缺一不可。
底层逻辑：用"做饭"类比讲明白
| 阶段 | 做饭类比 | 技术含义 |
|---|---|---|
| 提示工程 | 学会和厨师说话 | 基础对话能力 |
| 上下文工程 | 给厨师食材和菜谱 | 知识管理和检索 |
| 驾驭工程 | 厨房安全设备和质检 | 系统可靠性和验证 |
| 循环工程 | 全自动厨房流水线 | 完全自主的系统设计 |
核心洞察：人的注意力是最宝贵的资源
整个 AI 工程演进史，就是如何把人从重复劳动中解放出来的历史。
- 提示工程：减少"每次都要重新说明需求"
- 上下文工程：减少"每次都要重复提供信息"
- 驾驭工程：减少"每次都要检查和修正错误"
- 循环工程：减少"每次都要启动新的任务"
阶段一：提示工程（2 周）
核心目标：学会与 AI 有效沟通
技能清单：
- 角色设置：告诉 AI 该扮演什么角色
- 需求分解：把复杂任务拆分成简单步骤
- 输出控制：决定 AI 输出的格式和内容
- 推理引导：引导 AI 按照特定逻辑思考
- 错误纠正：当 AI 出错时的修正方法
必学内容：
- CRISPE 框架：Character, Role, Intent, Scope, Process, Example
- 思维链（CoT）：Chain of Thought 引导推理
- 少样本提示（Few-shot）：通过例子指导 AI
- 输出约束：JSON、Markdown、特定格式
推荐工具：
- OpenAI Playground：练习不同提示词的效果
- Claude.ai：体验不同模型的提示响应
- Prompting Guide：官方提示词指南
学习建议：
- 理解原理，不要收集"魔法提示词"
- 重点掌握思维引导，不是记忆模板
- 每天练习 10-20 个不同类型的提示词
常见错误：
- 只收藏提示词模板，不理解原理
- 过度依赖复杂的提示词，忽略基础沟通
- 追求"一次成功"的提示词，不迭代优化
阶段二：上下文工程（4 周）
核心目标：为 AI 提供完整的知识基础
技能清单：
- 文档处理：PDF、Word、Markdown 等格式处理
- 检索优化：让 AI 快速找到相关信息
- 上下文管理：管理多个文档的优先级和关联
- 记忆系统：设计长期记忆和短期记忆
必学内容：
- RAG（检索增强生成）：文档检索 + AI 生成
- 向量嵌入：文本向量化表示
- 分块策略：如何合理分割文档
- 重排序：优化检索结果的相关性
推荐工具：
- LangChain：Python 框架，支持多种 RAG
- LlamaIndex：专注于索引和检索优化
- Chroma：向量数据库
- Pinecone：云向量数据库服务
学习建议：
- 90% 的 bad RAG 是 bad chunking 策略
- 重点关注检索的准确性，不是向量数据库的性能
- 学习如何构建有效的提示词模板，处理检索结果
常见错误：
- 把所有文档都塞进去，不知道如何筛选
- 忽视分块质量，只关注数量
- 过度依赖向量数据库，忽视提示词设计
阶段三：驾驭工程（8 周）
核心目标：构建可靠的 AI 系统
技能清单：
- 工具编排：让 AI 调用外部工具
- 安全防护：设计安全边界和约束
- 验证机制：验证 AI 输出的正确性
- 状态管理：跟踪 AI 的工作状态
- 可观测性：监控 AI 系统的运行状态
必学内容：
- 函数调用：Function Calling 机制
- 多步工作流：Chain/Agent 工作流
- 输出验证：验证 AI 输出的正确性
- 错误处理：当 AI 出错时的恢复策略
推荐工具：
- LangGraph：构建多步工作流
- AutoGPT：自主智能体框架
- CrewAI：团队协作智能体
- OpenAI Function Calling：工具调用机制
学习建议：
- 本质不是"让 AI 更聪明"，而是"让错误可存活"
- 重点关注错误处理和恢复，不是追求完美
- 学会在不可靠的 AI 基础上构建可靠系统
常见错误：
- 追求让 AI 不出错，而不是处理错误
- 忽视状态管理，导致工作流混乱
- 过度复杂化系统，增加故障点
阶段四：循环工程（持续学习）
核心目标：设计 AI 的自我驱动系统
技能清单：
- 循环架构设计：设计自主运行的循环
- 目标驱动：基于目标的系统设计
- 自提示系统：AI 能够自动生成任务
- 并发控制：管理多个并发任务
- 终止条件：防止无限循环
必学内容：
- 状态机：循环的状态管理
- 目标分解：把大目标分解为小任务
- 自反思：AI 能够反思自己的行为
- 持久化：状态和记忆的持久化存储
- 资源控制：控制 token 使用和成本
推荐工具：
- Boris：Claude Code 集成的循环工程
- Claude Code 2.0：支持循环的编码助手
- OpenHands：开放源的循环工程框架
- oh-my-opencode：基于 OpenCode 的循环工程
学习建议：
- 仍在快速演进中，关注"自驱动循环"概念
- 从简单的循环开始，逐步增加复杂度
- 关注实际应用，不要过度理论化
常见错误：
- 追求完美设计，先做简单版本
- 忽略成本控制，导致 token 耗尽
- 缺乏终止机制，导致无限循环
避坑指南
不要做（Don’t）
- 追逐提示词魔法：提示词只是沟通工具，不是解决方案
- 跳过基础：每个阶段都是基础，不要跳级
- 追逐 buzzwords：关注实际价值，不是新名词
- 只读不做：理论需要实践来验证
要做（Do）
- 每个阶段都做项目：用项目来验证学习效果
- 构建分层知识：前阶段为后阶段打基础
- 日常练习：持续学习，不要突击
- 记录和分享：写博客记录学习过程
学习时间规划
每日安排：
- 基础学习：1 小时
- 实践练习：2 小时
- 项目实践：2 小时
- 总结反思：1 小时
每周目标：
- 完成 3-5 个小型练习
- 完成一个中型项目
- 写一篇学习总结
阶段性里程碑：
- 阶段一：能够写出有效的提示词
- 阶段二：能够构建简单的 RAG 系统
- 阶段三：能够构建可靠的 AI 工作流
- 阶段四：能够设计自主运行的 AI 系统
未来展望
这个路线图会不断演进。群体工程（Swarm Engineering）——多个智能体在网络中协作——可能是下一个阶段。
这个系列的权重编号（10、20、30…）就是为了可以在现有阶段之间添加新的阶段。
学习建议：
- 不要追求完美，先完成再完善
- 加入学习社区，和同行交流
- 关注实际应用，不要过度理论化
- 保持好奇心，这个领域每天都在变化
记住：AI 工程不是一蹴而就的技能，而是需要持续学习和实践的能力。按照这个路线图稳步前进，你会成为 AI 工程领域的专家。
本文是"AI 工程范式演进"系列的第 9 篇。系列按顺序阅读效果更佳：权重 10→20→30→40→50→60→70→80→90…
系列导航：
- 从驾驭到循环：每次都要人启动，算不上自主
- 循环工程：设计 AI 的自我驱动系统
- 本篇：AI 工程四阶段学习路线图：从入门到前沿