AI浪潮下的职业进阶指南

近期 X 平台上两篇获得高赞的英文文章都在探讨这一话题，只是视角各有侧重。

一篇面向门外汉：《2026 年无计算机学位如何成为 AI 工程师》，提供了一份细化到月份的一年期转型规划（以下简称：前文）。

另一篇《AI 时代的职场洞察》，阐述的是当编程本身被 AI 大量接管后，哪些能力仍然具有价值。作者曾在 Helm AI、Scale AI、OpenAI、Google 任职，如今自主创业（以下简称：后文）。

文末提供这两篇文章的原始链接获取方式。

将这两篇对照阅读，会发现它们构成同一论证的两面：前者阐述如何获得入场券，后者说明获得入场券后游戏规则已发生改变。连接这两面的是一个极具洞察力的论断：

AI 最善于突破的，是那些"有标准答案、能够量化评估"的领域。而传统教育恰恰由这类内容构成：边界清晰的问题，对应标准化的评分。

这一论断揭示了当前几乎所有职业结构变革的底层逻辑。值得深入探讨。

学历的本质是一种信号：向雇主证明你曾在标准化评价体系中表现出色。这套信号机制运作了上百年，前提是"在可量化评估的任务上表现优异"与"在实际工作中表现优异"高度相关。

AI 恰恰摧毁了这一前提。凡是有明确题目、有标准答案、可自动评分的工作——刷题、考试、课程作业、Leetcode——都是模型训练最擅长攻克的领域。

后文作者在自家公司招聘时坦言：在一家"无人手写代码"的 agent-native 企业里，传统的算法题甚至系统设计题，已与实际工作表现脱节。他们将面试重构为另一种形式：将候选人置于陌生环境，观察其多快理解环境、发现值得解决的问题，并在现有条件下解决问题。

关注这一转变：评估对象从"解题能力"转向"出题能力加解题能力"。学校教育几乎只培养"解题能力"，而这恰恰是 AI 进步最快的领域。

这就是为何前文开篇那个看似鸡汤的断言——"这个职位不在乎你的文凭写了什么，只在乎你交付过什么"——实则有坚实的经济学依据。学历门槛并非被雇主仁慈地取消，而是它作为信号的信息价值在衰减。当一个自学者的三个上线项目比一纸文凭携带更多关于真实工作能力的信息时，理性的雇主自然会转向前者。

那么新的信号是什么？两篇文章给出了同一个答案：作品集——但要理解它为何有效，需先弄清 AI 工程师这个岗位的本质。

前文做了一个关键区分：机器学习研究员发明和训练新模型，那条路确实需要高等学位和深厚数学功底；而 AI 工程师是运用已有模型构建产品的人，例如：真正能处理工单的客服机器人、能从海量文档中检索答案的内部搜索、能无人值守完成多步流程的智能体。这是生产级软件工程，而非科研，市场上绝大多数空缺岗位属于这一类。

一个上线的项目之所以是更好的信号，是因为它恰好证明了那些无法被量化、因此 AI 短期内难以替代的能力：

这四条没有一条能在考卷上体现，但每一条都正是后文所说的"未来十年真正值钱的工作"。作品集不是学历的替代品——它是一种信息密度更高的信号。

前文的路线图值得认真对待，不是因为月份划分多精确，而是因为它的顺序暗含了这个行业的技能依赖链：

第 1–3 个月：把 Python 真正学会。这是所有人都想跳过、又都跳不过去的一步。标准不是"看完了教程"，而是"能对着空白文件写出一个能跑的小程序"。同时从第一天起就用 Git，把所有东西推上 GitHub——你的作品集从第一行代码就开始积累了。至于数学焦虑，可以放下：你在建造，不在做研究，线性代数等到某个项目真正需要时再补。

第 3–5 个月：从聊天界面走到 API 背后。聊天窗口是消费品，工程师通过 API 工作。这一阶段的关键跃迁是学会工具调用（function calling）——让模型能够执行动作、查询系统、获取数据。理解了工具调用，智能体的整个世界就打开了，因为所谓 agent，本质上就是"模型 + 工具 + 一个循环"。

第 5–7 个月：搭建 RAG 系统。检索增强生成是绝大多数真实 AI 产品的引擎室：把文档切块、转成嵌入向量、存进向量数据库、按问题检索最相关的片段喂给模型，让它给出有依据的回答而不是自信的猜测。做出一个端到端能用、并且部署到陌生人可以访问的地方的 RAG 应用，就是作品集的第一号项目。

第 7–9 个月：构建智能体。RAG 回答问题，agent 完成任务。这一阶段最诚实的一句话是：演示级的 agent 很容易，可靠的 agent 很难。二者之间的差距在于失败处理、清晰的工具设计和评估——而这个差距，恰恰就是"可雇佣的工程师"和"有一个炫酷视频的人"之间的差距。

第 9–11 个月：评估与部署。这是最无聊、也最能让你被雇佣的阶段。任何人都能让一个 AI 功能跑通一次，公司付钱买的是能跑通第一万次的东西。给早期项目建一套带测试用例和打分机制的评估体系，把一个项目正经部署出去、加上监控和成本追踪——会写 eval 的工程师，才是可以被托付生产环境的工程师。

第 11–12 个月：让对的人看到你。把三个项目写成案例研究：问题是什么、方法是什么、测了什么、下次会怎么改。公开构建，持续分享。求职时把"AI 增强的普通软件工程岗"当作现实的第一站也完全可以。面试里被问到"agent 遇到工具调用失败该怎么办"时，你描述的是自己真实做过的事，而不是背诵的理论——这就是全部的游戏。

两篇文章在一个地方精确地会师了，值得单独拿出来说。

前文说：演示 agent 容易，可靠 agent 难，差距在失败处理和评估。后文说：AI 让结果两极分化，因为"中位数水平的成果"就是一个 agent 接到一句潦草提示词后产出的东西；最后 10% 的打磨占 90% 的工作量，也占 90% 的回报。

这是同一个现象的两种表述。当生成一个"看起来能用"的东西的成本趋近于零，"看起来能用"就一文不值了。价值全部集中在中位数之上的那一段：对细节的执念、干净的架构、对某类问题的独特视角、能证明"它真的对"的评估体系。后文作者说他在候选人身上能清楚看到这种差异——同样是和 agent 协作解题，优秀的人带着高层直觉和外部语境进场，用更少的时间和 token 找到答案。

所以那条十二个月路线图里真正的分水岭，不在学 RAG 还是学 agent，而在你是否愿意在每个阶段都冲刺最后一英里：给 RAG 加上检索质量评估而不是"感觉找得挺准"，给 agent 写失败分支而不是只录一个成功案例的视频。跳过评估和部署阶段的人，做出来的是 AI 时代的中位数产物——而中位数产物现在是免费的。

如果说前文的盲区在哪，那就是它把职业当成了一个纯技能问题。后文补上了另一半：技能之外，真正有限的资源是时间、关系和声誉。

作者自己的经历是最好的注脚：当年放弃现金高得多的量化交易 offer 加入 Scale AI，换来的是对整个 LLM 推理生态的接触面、后来通往 DeepMind 和 OpenAI 的跳板，以及一个如今遍布创业圈的前同事网络。事后看，这些回报远超当初放弃的那笔钱。资本从未像今天这样易得，而与真正做事的人建立的真实关系依然稀缺。他给出的具体建议朴素到近乎老派：做好的工作，并确保那些同样做好工作的、有声誉的人知道你做了。

这条建议恰好给前文路线图里"公开构建、发布技术拆解"的动作赋予了更深的含义。写案例研究、发布构建过程，表面上是求职营销，实质上是在做声誉的原始积累——把你的工作转化为可被验证、可被传播的信誉资产。这个领域变化快到惊人，持续可见的建造者会被很快注意到；而声誉一旦形成，机会会自己找上门。后文作者拿到 Cursor 和 Anthropic 的早期机会，靠的不是投简历，是共同好友圈子里的口碑。

他借用足球里的 xG（预期进球）打了个比方：站到能看见机会的位置，是进球的第一步——这靠声誉和专业积累；但人生终究要进球，所以临门一脚的转化率也重要。对刚入行的人，翻译过来就是：路线图给你射门技术，声誉给你站位。两者缺一不可。

最后，也是两篇文章合起来指向的终点：这个行业正在发生的根本变化，是价值从"解决问题"向"发现问题"迁移。

前文在结尾处回答了那个所有人都在问的问题——既然 AI 已经能写这么多代码，为什么还要学这些？它的回答是：总得有人设计系统、做集成、判断输出是否正确、决定造什么。后文把这个回答推到了更远处：越来越强的 agent 能吃下任何复杂但定义良好的问题，所以最受青睐的人，将是最擅长识别重要问题、然后把 token 和时间分配到这些问题上的人。作者甚至不相信 ASI（超级人工智能）会取代知识工作中的人类，理由正在于此——为机器选择值得解决的问题、并为之配置资本，是人类的差异化能力。

这也解释了他给出的选择标准：选公司，看它是否在做其所在问题的"最有野心的版本"、以及是否真有解决的可能；选方向，警惕氛围编程时代那些赚快钱的诱惑，因为真正持久的价值只在对足够困难的问题的极端专注中产生。研究领域的"苦涩教训"：通用方法的规模化最终胜过特定任务的小修小补同样适用于选择职业赛道。

对一个正走在十二个月路线图上的新人，这意味着什么？意味着三个作品集项目的选题本身就是一次考试。做一个"能跑的 RAG demo"和做一个"解决你真实在乎的问题的 RAG 系统"，在技术清单上看起来一样，在信号价值上天差地别。前者证明你会用工具，后者证明你会指挥工具——而市场付钱雇的，从来是后者。

把两篇文章压缩成一句话，大概是这样的：

入行的门槛从未这么低——十二个月、一门语言、三个上线项目，就能拿到过去需要一纸文凭才能敲开的门；但入行之后的坡度也从未这么陡——因为所有可以被打分、被定义、被自动化的部分正在快速归零，剩下的全部价值都堆积在问题选择、最后一英里的打磨、以及日积月累的声誉这三件无法速成的事情上。

后台回复文章标题：AI 时代的入行路线与生存法则获取两篇文章的原始链接。

如果感觉有用，谢谢你的三连，也期待你的星标和转发。

我是 AI喵卡，关注我，我们一起在 AI 时代起飞。