不是只有算法博士才能碰AI工程。一个更顺的学习方式，是从“能跑起来的小项目”开始：做知识库、做研究员、做专用小模型。本文拆成三步，偏认知，不堆代码。
很多人学AI，容易卡在两端：
一端是太浅，只会点界面、写提示词；
一端是太深，一上来就啃Transformer推导，两周后劝退。
中间其实有一条更舒服的路：做项目。
不是做大而全的系统，而是做三个能闭环的小东西。
第一个项目：个人知识库问答
目标很简单：把你自己的笔记、文章、文档塞进去，问它问题，它能照着资料回答。
你会学到什么？
文档怎么切分才不乱
文本怎么变成向量
检索为什么经常“找错段落”
为什么模型聪明，但检索拉胯时依然会胡说
这个项目最大的价值，是让你明白一句话：
AI回答质量的上限，不完全在模型，而在数据和检索。
做完它，你就理解了RAG。
第二个项目：会查资料的“小研究员”
第一步跑通后，再往前走一点：
让系统自己搜索、自己读结果、自己总结、自己检查漏了什么，最后输出一份报告。
这时候就不是“一问一答”了，而是多步任务。
你会碰到新问题：
先查什么、后查什么
查回来的内容怎么去重
模型中途跑偏了怎么拉回来
哪些步骤该固定，哪些步骤该让模型自己判断
这个项目会逼你理解“智能体”的核心：
不是模型更会聊，而是系统会规划。
第三个项目：只做好一件小事的专用模型
前两个项目用的是通用大模型。
第三个项目换个思路：
挑一个很窄的任务，比如“把会议记录改成待办清单”“判断工单是否属于异常”“把长文档压成三句话摘要”。
用大模型生成一些样本，再训练或蒸馏一个小模型。
你会真正理解：
什么时候没必要上大模型
延迟和成本怎么权衡
小模型在专业场景下为啥反而更稳
工程落地不是比谁模型大，而是比谁更合适
为什么是这三个，而不是一门40小时课？
因为AI工程的能力，不是“记住概念”，而是三种手感：
1. 数据手感
知道什么数据干净、什么数据会带偏模型。
2. 系统手感
知道哪一步该用规则，哪一步该用模型，哪一步该让人确认。
3. 边界手感
知道模型什么时候会崩、会编、会超时、会漏检。
这些东西，看教程学不会，做一遍才会。
学习顺序建议
不用按教科书来，可以按这个节奏：
先会用大模型，建立基本认知
再做知识库，理解检索和数据
再做多步任务，理解智能体
最后碰微调和评测，理解效果优化
中间别追求“全栈精通”。先把一条链路跑通：
数据 → 检索 → 生成 → 校验 → 反馈。
EEC工信教考中心，人工智能算法工程师，北京青蓝智慧科技马老师133-9150-9126/丁老师135-2209-4648
以后谈AI能力，可能不是“你懂不懂某个模型”，而是：
你能不能把模型放进真实场景，让它稳定地把一件事干完。
这三个小项目，就是理解这件事的最低成本入口。
AI工程入门、大模型项目实战、RAG项目、智能体入门、AI学习路径、普通人学AI
