如果你打算在 2026 年投 AI 相关岗位而且是零基础或者跨专业先别急着买课、买显卡、刷 LeetCode。市面上 90% 的 AI 学习路线的问题不是内容少而是顺序乱。今天这份路线我把目标定得很具体让你在 6 到 9 个月内从完全不会编程到能拿出 2 到 3 个可演示的 AI 项目直接写进简历去投实习和初级岗位。整套路线不是“推荐书单”而是按“能不能写进简历”倒推出来的。每个阶段都给你一个可验证的达标标准学 Python 就看能不能独立处理数据文件学机器学习就看能不能跑通一个房价预测学大模型就看能不能搭一个知识库问答机器人学 Agent 就看能不能让多个模型协同完成一个真实任务。每步都有产出学完就有素材不会出现“学了一堆但简历还是空白”的情况。关于硬件先说结论没买显卡前不建议冲动消费。前三个月用 CPU 和免费的云服务完全够学真正需要 GPU 是大模型微调、本地推理和跑 Stable Diffusion 的时候而且现在云 GPU 按小时收费几十块钱就能完成一个项目周期的实验。学完这份路线你会对“哪些任务必须 GPU、哪些 CPU 也能干、显存到底看什么”有准确判断到那时再决定要不要买卡也不迟。这份路线会覆盖Python 和环境搭建、机器学习与深度学习主干、大模型 API 调用和开源模型本地部署、RAG 与 Agent 落地、AIGC 方向快速试水以及简历、项目和面试的完整准备流程。所有涉及本地部署和 AIGC 制作的内容我都会一并写清楚合规边界版权素材、人物肖像、声音授权这些红线必须提前确认尤其是想用 AI 做视频、声音克隆、数字人的同学这部分不能跳过。1. 核心能力速览先把这套路线的“规格”放在前面方便你判断适不适合自己。项目说明适用人群零基础、跨专业、已工作想转行 AI学历不限但要有 6 个月以上的业余时间不适用人群想靠“速成班”几天就能拿高薪、不愿意动手写代码、不会搜索和排查报错的人主线方向Python 基础 - 机器学习 - 深度学习 - 大模型应用 - Agent 开发 - 简历求职学习周期全职约 4 到 6 个月业余时间约 6 到 9 个月前期硬件任意电脑即可CPU 跑通小型模型和数据处理GPU 不是必须后期硬件云 GPU 按需租用或根据项目需要再考虑本地显卡主要技能产出Python 数据处理、机器学习建模、PyTorch 基础、大模型 API、开源模型部署、RAG、Agent 应用简历项目产出数据处理分析项目、机器学习预测项目、大模型知识库问答项目、Agent 自动化项目适合岗位AI 算法实习生、大模型应用开发、Agent 开发、AI 产品助理、AIGC 运营、提示词工程师自学资源优先用官方文档、课程视频搭配动手练习不建议买高价培训班这套路线最大的特点是“轻理论、重项目”。不是数学不用学而是只学后面用得上的部分梯度、损失函数、矩阵、概率学到能看懂代码和论文即可不需要变成数学竞赛选手。2. 2026 年的 AI 岗位到底要求什么要先看目标岗位再定学习方向。2026 年 AI 岗位已经明显分层。算法工程师类岗位依然看重数学、模型原理、论文阅读和比赛经历对零基础跨专业同学来说难度最大但大模型应用开发、Agent 开发、AI 产品、AIGC 运营这类岗位更看重的是“你能不能把现有模型用起来、集成到业务里、解决实际问题”。换句话说行业缺的不再是只会调参的人而是能把 AI 落地成产品的人。从搜索热词也能看出趋势AI Agent、AI 智能体、AI 编程、AI 应用开发、AI 工程实践、AI 模型部署这些关键词被高频搜索说明普通开发者关心的已经不是“要不要学 AI”而是“学 AI 之后干什么、怎么部署、怎么接业务”。这对零基础和跨专业是好事因为这类岗位不要求你发明新算法但要求你能熟练使用现成工具链。那什么叫“能落地”给一个可参照的标准给你一个需求比如“把公司一堆 PDF 文档变成一个能对话的知识库”你能独立完成数据清洗、选模型、写后端接口、做一个简单前端、部署到服务器。这件事不涉及发明模型但需要你懂 Python、懂 API、懂向量数据库、懂部署。整个流程拆解开就是这份学习路线的全部内容。不建议一上来就学 Transformer 源码推导也不需要先花三个月补数学。正确顺序是先用工具跑通再理解原理最后反推数学。当你跑完一个 RAG 项目再回头看 Attention 公式会容易得多。3. 阶段一Python 基础与开发环境第 1 到 2 周这个阶段的目标非常明确能够独立写脚本处理数据文件完成 Excel 合并、批量改名、网页数据抓取这类自动化任务。3.1 学哪些内容Python 语法不用全学优先掌握这些数据类型字符串、列表、字典、元组、集合流程控制if、for、while函数定义与模块导入文件读写txt、csv、json、Excel常用库requests、os、pathlib、pandas虚拟环境venv 或 conda不需要学的东西先放一边装饰器、元类、多线程并发、网络编程、面向对象高级特性这些等面试前再补。3.2 环境搭建推荐直接安装 Anaconda 或 Miniconda然后创建独立环境避免后面积压一堆包冲突。# 创建 Python 3.10 环境名称叫 ai-learning conda create -n ai-learning python3.10 -y # 激活环境 conda activate ai-learning # 安装常用库 pip install pandas numpy requests jupyterlab scikit-learn matplotlib后面跑深度学习时再单独建立 PyTorch 或 TensorFlow 环境不跟基础环境混在一起。这种做法对“本地部署 AI 工具”特别重要因为很多开源项目的依赖互相冲突干净环境能省掉大量排错时间。3.3 一个能写入简历的第一课练习用 Python 写一个脚本批量读取文件夹里的 Excel 文件合并成一个总表并统计每个分类的数量。这个练习单看没有技术含量但它能一次性锻炼文件遍历、数据合并、pandas 操作、结果导出是一个合格的“自动化能力”证明。import pandas as pd from pathlib import Path data_dir Path(./data) result_list [] for file in data_dir.glob(*.xlsx): df pd.read_excel(file) result_list.append(df) merged pd.concat(result_list, ignore_indexTrue) summary merged.groupby(category).size().reset_index(namecount) summary.to_excel(merged_summary.xlsx, indexFalse) print(合并完成总行数, len(merged))判断标准真实环境跑通输出结果文件中途不需要别人指导。如果这一步顺利完成Python 基础这个关卡就算过了。4. 阶段二机器学习与深度学习主干第 3 到 8 周这是整个路线里最容易让人放弃的阶段。很多人学机器学习时被数学劝退所以这里明确一点本科生数学基础完全够用只需要补线性代数、概率论和微积分的最核心部分。4.1 直击重点的数学清单不要买一本《高等数学》从头看。按需学这些向量和矩阵点积、矩阵乘法、转置、Shape 的含义导数梯度是什么、为什么梯度下降要沿负梯度方向概率条件概率、贝叶斯公式、最大值似然估计统计均值、方差、正态分布、相关性能理解到什么程度看到“损失函数对参数求梯度”这句话时脑子里能想象出一个高维曲面和参数在山坡上滚动就够了。4.2 机器学习算法学哪些建议按这个顺序学不追求全部公式推导但必须知道每个算法的适用场景、核心思想和调参方向线性回归连续值预测的入门逻辑回归分类问题入门面试高频决策树和随机森林表格数据的强基线K-Means无监督聚类PCA降维和特征可视化评估指标准确率、精确率、召回率、F1、AUC学的过程不要只记 API。用 sklearn 跑完模型后一定要想三个问题这个模型为什么用在这个数据集上它的损失函数是什么如果效果不好先调什么参数4.3 深度学习入门机器学习跑通后进入深度学习。这个阶段核心是 PyTorch重点是动手而不只看视频张量Tensor操作与自动求导线性层、激活函数、损失函数反向传播的基本直觉CNN 做图像分类RNN/LSTM 和 Transformer 的直觉理解训练流程数据集划分、dataloader、训练循环、验证、可视化给出一个使用 PyTorch 训练 MNIST 手写数字识别的通用代码骨架import torch import torch.nn as nn from torchvision import datasets, transforms from torch.utils.data import DataLoader transform transforms.ToTensor() train_set datasets.MNIST(root./data, trainTrue, downloadTrue, transformtransform) train_loader DataLoader(train_set, batch_size64, shuffleTrue) model nn.Sequential( nn.Flatten(), nn.Linear(28 * 28, 128), nn.ReLU(), nn.Linear(128, 10), ) loss_fn nn.CrossEntropyLoss() optimizer torch.optim.Adam(model.parameters(), lr0.001) for epoch in range(3): for images, labels in train_loader: optimizer.zero_grad() outputs model(images) loss loss_fn(outputs, labels) loss.backward() optimizer.step() print(fEpoch {epoch 1}, loss: {loss.item():.4f})跑通 MNIST 后你的第一步深度学习就完成了。注意这里不需要一次把所有细节吃透重点是建立“训练一个模型”的整体流程感。4.4 阶段达标标准用一句话说明这个阶段要做到什么能自己完成一个房价预测或文本分类项目并对结果做分析和可视化能够解释模型的优缺点。做到这一步你已经超过很多“学完 sklearn 但没跑过完整项目”的人了。5. 阶段三上手大模型与开源生态第 9 到 12 周到了这个阶段你会明显感觉到“AI 真好玩”。但你不需要从零训练大模型这里的目标是成为一名能熟练使用大模型的工程师。5.1 先搞懂大模型的重要概念在这个阶段要搞清楚的几个核心概念Token模型处理文本的基本单位通常一个中文汉字约等于 1 到 2 个 TokenPrompt给模型的输入指令Prompt 的好坏直接影响输出质量上下文窗口模型一次能处理的文本长度微调Fine-tuning用特定数据进一步训练模型让模型学会特定风格或能力向量化嵌入Embedding把文本变成向量用于相似度计算RAG检索增强生成先检索资料再让模型基于资料生成回答Agent智能体让模型具备规划、调用工具和多步推理的能力这一串概念不需要背定义而是要在后面的每一个实践项目中逐个用上。5.2 大模型 API 调用能否跑通大模型 API 是最快、成本最低的入门方式。无论你是调用 OpenAI 兼容接口还是国内大模型平台的 API流程基本一样注册账号 - 获取 API Key - 用 Python 发起请求 - 解析返回结果。一个通用调用示例from openai import OpenAI client OpenAI( api_keyyour-api-key, base_urlyour-endpoint-url, # 按实际服务商地址填写 ) response client.chat.completions.create( modelyour-model-name, messages[ {role: system, content: 你是一个技术助手请用简洁的中文回答。}, {role: user, content: 请解释什么是 RAG并给出一个应用场景。}, ], temperature0.7, ) print(response.choices[0].message.content)这里先不用纠结选哪家模型因为大模型 API 的调用接口已经高度统一。跑通这个示例后你就应该把它扩展成一个“批量处理脚本”比如读取一批文章标题自动生成摘要或读取一批客服对话自动分类。这个能力在简历上可以直接写成“调用大模型 API 实现批量文本处理”。5.3 开源模型本地部署和资源占用观察从 API 调用到本地部署是很多开发者卡住的地方。建议选择一套“本地小模型 测试数据”先把流程跑通不要一开始就用超大模型。重点观察四个指标加载显存占用推理速度每秒生成 Token 数上下文窗口对显存的影响CPU 推理和 GPU 推理的差距比如用 Ollama 这类工具启动本地模型的服务命令大致如下实际模型名和参数以你本地环境为准# 安装并启动本地模型服务模型名需要按实际情况替换 ollama run qwen2.5:7b启动后通常会有如下几类检查点本地 Web 服务能否访问、通过 API 能否完成一次请求、显存占用是否在可接受范围内、连续对话是否稳定。显存的实际占用取决于模型参数量、量化方式和推理引擎要以本机监控工具测出的数据为准。这里必须提醒一件事本地部署不是“能跑就行”就结束。你要把它当成一个完整项目记录环境搭建步骤、记录启动命令、记录不同参数下的显存和速度对比这些内容本身就是非常棒的简历项目描述素材。5.4 RAG 项目从 PDF 到问答机器人RAG 是最值得动手的项目因为它在面试和实际工作中出镜率极高。目标把一批 PDF 或网页内容变成一个能对话的问答机器人。流程拆解读取文档用 Python 解析 PDF 或网页内容文本切分按段落或固定长度切成块向量化调用嵌入模型把文本转成向量存入向量数据库如 Chroma、FAISS、Milvus问答查询用户输入问题 - 检索相关文本块 - 把文本块和问题一起交给大模型 - 生成答案这个项目做完简历上就可以写“搭建基于 RAG 的企业知识库问答系统”这是一个在 2026 年依然非常拿得出手的项目经验。5.5 合规与使用边界在做任何 RAG 或 AIGC 项目时都要先明确数据来源。如果文档来自公司内部数据需要确认是否允许被用于 AI 处理如果文档来自互联网需要确认版权协议不要在公开项目里使用非授权的个人隐私数据。这既是对自己负责也是对所有参与者负责。6. 阶段四Agent 开发与 AIGC 快速试水第 13 到 16 周进入这个阶段你已经具备独立完成“基于大模型的应用开发”的能力。接下来重点做两件事Agent 应用落地和 AIGC 风格内容的动手体验。6.1 Agent 开发让模型会使用工具Agent 和普通聊天机器人最大的区别是Agent 可以规划任务、调用工具、访问数据库、执行代码。不要被概念吓到可以先从最简单的“工具调用”开始。设计一个最简单的 Agent 流程给模型定义两个工具查询当前时间、计算两个日期差用户输入任务“帮我算一下今天到下个月 1 号还有几天”模型判断需要调用工具然后返回计算结果看起来很简单但这是 Agent 能力的核心。在此基础上逐步增加工具数量和复杂度。用 LangChain、LlamaIndex、Spring AI 这些框架都可以“AI Agent”相关框架会持续迭代建议先选定一个主框架跑通端到端流程再横向对比其他框架。6.2 AIGC 方向的快速试水AI 绘画和 AI 视频如果你是往“AI 产品运营”或“AIGC 运营”方向走除了大模型应用还要能快速试水 AI 绘画、AI 视频等生成任务。典型的工具有 Stable Diffusion、ComfyUI、各类在线视频生成工具等。重点学习内容文生图输入提示词控制风格、构图、光线图生图基于参考图二次生成提示词的结构主体 场景 风格 画质词 负面提示词批量生成把提示词列表喂给脚本批量产出图片图片放大和后期处理如果在本地部署 ComfyUI 或 WebUI需要关注显存占用。绘图模型的分辨率、采样步数、批量数量会直接影响显存需求。如果需要跑更高分辨率或批量任务建议先使用云 GPU 与按量付费实例成本远低于直接买显卡。6.3 合规是底线涉及 AI 视频、数字人、声音克隆等内容时合规要求更严格。凡涉及真实人物的肖像、声音必须获得明确授权涉及商业素材和版权内容需要确认是否符合平台协议和著作权法。同时不要把 AI 工具用于制作欺诈、虚假信息、违规内容特别是“DeepFake 换脸”和“声音克隆”边界不能碰。这是技术学习的前提。6.4 阶段项目产出到这个阶段结束时你应该有 3 个核心项目机器学习/深度学习项目比如鸢尾花分类、房价预测、MNIST 手写识别大模型 RAG 知识库问答项目基于本地文档的问答系统Agent 自动化项目比如自动生成周报、自动处理工单、自动整理会议纪要每个项目都应包含如下内容项目背景、用到的技术栈、你的具体工作、数据来源和合规说明、运行效果展示、遇到的坑和解决方案。这些素材直接组成简历上的项目经验。7. 阶段五简历、项目包装与求职流程第 17 到 20 周技术学得差不多最后一步是把能力变现成 offer。很多人在这一步会犯一个错误项目做得很多但不会写简历、不会面试、不会主动找机会。7.1 简历项目写法简历上的项目不要写“实现了知识库问答”而要用“项目背景 技术方案 量化结果”的结构项目背景面对 XX 场景需要解决 XX 问题技术方案基于 Python 大模型 API 向量数据库搭建 RAG 问答系统量化结果处理了 XXX 份文档回答准确率提升到 XX%响应时间降低到 XX 秒“量化结果”很重要哪怕是一个自己设定的相对值比如“用余弦相似度做召回测试Top-5 准确率 78%”也比空泛的描述有说服力。7.2 面试重点准备内容按重要程度排序Python 基础题列表和元组区别、常见数据结构的复杂度、垃圾回收机器学习基础过拟合怎么办、偏差方差权衡、解释常见损失函数深度学习梯度消失、过拟合、CNN 的感受野、Transformer 基础结构大模型应用Token 是什么、怎么控制幻觉、RAG 和微调的区别、如何做评测项目细节每个项目都可能被追问必须准备好技术难点和优化思路手撕代码常见的力扣简单题和中等题至少准备 30 道7.3 求职渠道与策略不要只投一个平台。建议组合使用以下渠道实习优先大模型、AI 应用类实习是入行最快的方式官方招聘网站和公众号很多大模型创业公司会通过自己渠道招人开源社区和 GitHub把项目代码和 README 做好首页展示你的项目AI 比赛Kaggle、天池、DataFountain 的榜单成绩可以作为加分项社交平台技术博客、知乎、公众号输出学习笔记可以积累影响力不要因为“学历不高”或“非科班”就不投。2026 年很多公司更在意候选人的项目能力和工程能力一份带完整项目的简历 一个清晰的面试讲解比一纸证书更有说服力。8. 硬件、云 GPU 与本地部署选型硬件是本地部署 AI 时避不开的话题。给一个更理性的决策框架。学习阶段推荐硬件/环境原因Python 机器学习普通电脑 CPU数据量小CPU 训练没有压力深度学习 MNIST 等普通电脑 CPU小模型 CPU 可以跑只是慢一点RAG 知识库普通电脑 API 调用模型向量化和 API 调用不需要高端显卡Agent 开发普通电脑 API 调用模型框架开发和工具调用以 API 为主本地大模型推理CPU 可跑小模型GPU 能显著提速显存不够时降低量化位数和使用更小模型绘图/视频批量生成推荐云 GPU 按需租用本地显卡成本和维护成本更高显存怎么看在 Linux 下用nvidia-smi命令在 Windows 下打开任务管理器“性能”标签页。跑模型时重点关注三个数据显存占用率、GPU 利用率、显存温度。显存实际占用和模型参数量、量化方式、上下文长度直接相关所以不要看到某个模型推荐显存就觉得自己的显卡一定够要以实际监控为准。云 GPU 的使用流程一般是选一台带 GPU 的实例 - 预装深度学习镜像 - 上传代码和数据 - 运行训练/推理 - 下载结果并释放实例。按量付费几个小时成本通常不高。这种“用完即走”的模式特别适合零基础学习阶段不建议一开始就花几千块买显卡。9. 常见问题与排查方法问题可能原因排查方式建议环境安装失败Python 版本冲突、依赖包互相覆盖打印报错日志确认失败包名称使用 conda 独立环境尽量选择同一大版本的依赖组合模型下载超时网络环境不稳定、模型文件太大检查网络尝试国内镜像使用 ModelScope 等国内平台或根据网络状况选择镜像源显存不足模型尺寸超过显存上限运行nvidia-smi观察占用换小模型、降低量化位数、减少 batch size、缩短上下文API 调用报错API Key 无效、模型名错误、额度不足检查返回错误码仔细核对文档中的 endpoint、model、key 字段训练/推理速度慢CPU 推理或显存不够导致频繁换入换出检查 GPU 利用率和显存占用降低 batch size、减少序列长度、考虑升级设备项目做完写不进简历没有量化结果描述太空泛回头看项目数据补上准确率、召回率、处理文档数量、响应时间等指标面试被问手撕代码不会练习量不够每天刷题并总结题型至少完成 30 道 LeetCode 简单/中等题重点复习数组、哈希、字符串、二叉树跨专业没相关学历简历和项目没有亮点用项目弥补背景差距把 3 个完整项目做成在线 Demo 或 GitHub 仓库面试时直接展示10. 常见的学习误区与最佳实践10.1 五个常见误区误区一先把数学学完再学 AI。数学在遇到问题后再补效率更高先学会跑通项目再回头补原理。误区二用刷视频代替写代码。看 10 个小时的课不如独立写 1 个小时的代码。误区三一上来就学习大模型微调。微调是高级主题要先掌握基础模型调用、RAG 和 Agent否则会陷入调参泥潭。误区四把本地部署当成必须完成的 KPI。本地部署是为了理解模型和工程链路如果只是调用 API 能更快实现业务目标优先用 API。误区五只学单一技能不学工程化。Git、Linux 基础命令、Docker 基础、日志排查、接口联调这些工程能力在求职和实际工作中都非常重要。10.2 最佳实践清单每个项目都要写 README记录启动命令、依赖、使用方式。用 Git 管理项目代码从第一行代码就开始提交。所有实验项目分目录管理data、models、outputs、scripts、notes。定期清理虚拟环境避免环境越来越乱。尝试参与一个开源 AI 项目贡献代码哪怕只是写文档或修一个小 issue 都是加分项。给自己定一个每周更新的技术博客计划输出是检验学习效果的最好方式。在学习过程中找一个小伙伴互相 review 代码用“能否给别人讲清楚”检验掌握程度。避免使用来路不明的“破解”版本软件或违规模型确保学习和项目素材的来源合法合规。11. 阶段性学习计划模板上面这些内容如果一口气执行容易混乱可以套用这个每周节奏周次学习内容交付物第 1 周Python 语法、虚拟环境、Jupyter数据处理脚本第 2 周pandas 数据清洗与可视化Excel 分析报告第 3-4 周sklearn 机器学习算法房价预测项目第 5-7 周PyTorch 深度学习MNIST/图像分类项目第 8-9 周大模型 API 调用与批量任务自动摘要脚本第 10 周RAG 原理与向量数据库知识库问答 Demo第 11-12 周Agent 框架与工具调用Agent 自动化项目第 13-14 周本地部署与性能调优部署文档 测试报告第 15 周简历和项目整理完整简历第 16-18 周面试刷题与模拟面试记录和复盘第 19-20 周投递、面试、开源贡献Offer 或更成熟的项目版可以根据自己的时间灵活调整但必须保持“每两周有一个交付物”的节奏。交付物不是学习笔记而是能运行、能给别人演示的东西。12. 总结与下一步这套路线的核心不是知识本身而是“把每个阶段变成简历素材”的闭环每个章节都有明确的产出物产出的东西能展示、能量化、能写进简历。对于零基础和跨专业来说AI 的门槛从来不是智商或学历而是能不能持续动手、能不能在枯燥的排错过程中坚持下来。现在可以做的第一件事不用想太多装好 Anaconda建一个ai-learning的 conda 环境找一两个 Excel 文件或 CSV 文件用 pandas 完成一次读取、合并、统计。这个动作完成后你的 AI 学习路线就已经正式启动了。后续每完成一个项目就把代码和博客更新到你的 GitHub 和技术博客上积累越多后面找工作时的底气就越足。建议收藏这份路线按“两周一交付”的节奏执行。2026 年留给初级 AI 岗位的机会还在只是要求更具体能跑通项目、能说清原理、能看懂报错、能负责任地使用技术。做到这几点你就不是“零基础菜鸟”而是能独立交付 AI 应用的准工程师。