@uping123zzz X analytics

Ethan 恩宇@uping123zzz·7,042 followers·18d ago中文

现在想成为一名软件工程师，尤其是 AI Engineer，需要学习的东西已经多到有点离谱了。 2016 年，学 Java、Spring、SQL，做几个项目，就可以开始尝试找工作。 到了 2026 年呢？Python、JavaScript、TypeScript、React、Node.js、AWS、Docker、Kubernetes、Kafka、Redis、System Design、LLMs、RAG、Agents…… 学完这些，别人可能还会告诉你，你得继续学习最新的技术。 我操，这哪是在培养一个初级工程师，感觉恨不得让一个刚毕业的学生，把整个技术团队的活都干了。 当然，不同岗位也不需要掌握所有技术。但确实反映了一个很现实的问题：技术更新的速度，已经远远超过普通人能够系统学习的速度。 我自己就是一个从广播电视编导往 AI 工程方向转型的学生，这几个月一直在做 RAG、Agent、企业工作流相关的项目，对这种感觉特别深。 今天刚研究明白 RAG 的检索流程，明天发现还需要补数据库、HTTP、权限控制；好不容易把 Agent 跑起来，又发现自己不懂并发、消息队列、部署和系统监控。 如果一直按照学完所有技术再做项目的思路，可能永远都学不完。 2026 年想进入 AI 工程行业，最重要的不是掌握所有框架，而是先建立一套能够持续学习和解决问题的能力体系。 如果让我重新规划学习路线，我可能会这样安排。 先把 Python、Git、SQL、HTTP、API 这些基础真正搞懂，至少能看懂代码、理解数据怎么流转，知道一个请求从前端到后端到底发生了什么。 然后学习 FastAPI、数据库、Docker、测试和部署，尝试独立完成一个能够在公网运行的项目。 再往 AI 应用方向深入，研究 LLM API、Structured Output、Tool Calling、RAG、Evals 和 Agent，把模型真正接入业务系统。 至于 Kubernetes、Kafka、分布式架构这些东西，当然重要，但没有必要一开始全部学完。等项目真的遇到对应的问题，再有针对性地深入。 而且我觉得现在有 Codex、Claude Code 这些 AI Coding 工具，学习方式也应该发生变化。 以前可能是先学几个月技术，再尝试做项目。现在完全可以先选择一个真实需求，让 AI 辅助开

Ethan 恩宇@uping123zzz·7,042 followers·27d ago中文

我最近发现一件挺可怕的事就是每天接触大量高质量的信息，真的很容易让人产生一种自己正在飞速成长的错觉。 尤其是最近这段时间，我每天都在刷 X、听 Space、研究 AI 项目。 今天看到一个新的 Agent 框架，明天又有人讲 FDE，后天又发现一个特别牛逼的 GitHub 仓库。 每次看到这些东西，都感觉自己又打开了一个新世界。 听创业者讲商业模式，感觉自己对赚钱的理解更深了。听技术大佬讲 Agent 架构，感觉自己对 AI 的认知又提高了。再听别人分享人生经历、自由和成长，又觉得自己在思想上有所突破。 这些内容有没有价值？肯定有。但问题是，你听懂了别人的经验，不代表你真的拥有了相应的能力。 听别人讲创业，分析起来头头是道，真让自己去面对一个陌生客户，可能连对方的真实需求都问不明白。 看别人讲 FDE，RAG、Agent、MCP、Evals、Observability 这些词都能说出来，但真让自己负责一个企业项目，从需求沟通到开发测试，再到部署交付，很多问题可能根本不知道怎么解决。 我自己现在就有这种感觉，有时候看到一个新的技术方向，特别兴奋，恨不得马上打开 Codex，让它给我做出来。 但回头看看，之前做的一些项目，部署还没彻底解决，测试还没跑完，交付也没有真正完成。 新项目一个接一个，新的知识每天都在学，但真正做完、跑通、交付的事情，未必有多少。 这就很值得反思了，我到底是在提升自己的能力，还是在通过不断获取新信息，缓解自己害怕落后的焦虑？ 昨天听旗哥的 Space，他提到自己以前特别喜欢向别人证明自己。上学想争第一，工作想争第一，后来创业也想证明自己比别人强。 这件事对我触动挺大的，因为我发现，自己有时候也会陷入这种状态。 看到别人融资千万，就开始着急创业。看到别人做出爆款 AI 产品，就想着自己是不是也应该赶紧做一个。看到同龄人进了大厂、拿到很好的 Offer，又忍不住怀疑自己现在走的路到底对不对。 可问题是，每个人的家庭、资源、经历、能力和机会都不一样。 你拿别人的结果，天天跟自己现在的状态比较，除了让自己越来越焦虑，还能得到什么？ 而且这种比较根本没有尽头。你今天超过了一个人，明天又会发现一个比你厉害十倍的人。 我当然还是想赚钱，想做更好的 AI 项目，想进入更大的平台，以后也想有自己的事业，过更自由的生活。 这些目

Ethan 恩宇@uping123zzz·7,042 followers·15d ago中文

大家真的应该好好研究一下字节跳动这家公司。 前几天出去吃饭，一桌十几二十个人，几乎都在低头刷红果短剧。 当时我就在想，卧槽，字节跳动这家公司是真的牛逼。 从今日头条到抖音，从番茄小说到红果短剧，再到现在的豆包、剪映、火山引擎，字节最恐怖的地方，不是它开发出了多少款 App，而是它似乎特别擅长一件事情：发现需求、理解人性、设计产品，然后通过技术和商业化能力，把产品做到极致。 我自己现在也在做 AI 开发，平时研究 Agent、RAG、Skill、MCP、各种自动化工作流，越研究这些东西，越觉得很多程序员，包括我自己在内，其实特别容易陷入一种技术自嗨。 今天研究新的 Agent 框架，明天研究最新的大模型，后天又去 GitHub 上找一个牛逼的开源项目。每天感觉学到了很多东西，技术能力也确实在提升。 但有时候仔细想想，我们是不是搞反了顺序？ 我们总是在研究技术能做什么，却很少认真研究用户究竟需要什么。 而字节恰恰给我上了一课。普通用户打开抖音，不是为了体验什么推荐算法。他只是想看到感兴趣的内容。 用户打开红果，也不是为了研究短剧的技术架构。他可能只是想在疲惫的一天结束之后，找点简单的娱乐。 这些用户甚至根本不关心产品背后用了多复杂的技术。 他们只关心这个东西能不能满足自己的需求。 这让我意识到，技术只是实现价值的手段，而不是价值本身。 你用最先进的模型，搭建最复杂的 Agent，设计几十个工作流节点，最后做出来的东西没人用、没人愿意付费，那从商业角度看，其实没有多大意义。 反过来，一个技术上没有那么复杂的产品，如果真正解决了某一类人的高频需求，反而可能有很大的商业价值。 程序员最容易高估技术实现的难度，却低估发现真实需求的难度。 而且我发现，字节还有一个特别值得学习的地方，就是它不是简单地把产品做出来就完事了。 它会通过用户行为、数据反馈、实验和持续迭代，不断优化产品。 你喜欢看什么，在哪里停留，什么时候滑走，什么内容让你产生互动，这些行为都可以成为推荐系统改进的信号。 从技术上看，这是一套很强的工程能力。 但从产品上看，它背后其实是一种思维方式：不要总觉得自己比用户更懂用户，要让真实反馈不断修正自己的判断。 这点放到 AI 开发里同样重要。比如我做一个 RAG 系统，到底应该关注用了什么向量数据库、什么 Embedding 模

Ethan 恩宇@uping123zzz·7,042 followers·26d ago中文

现在很多人说自己会做 AI Agent，其实就是接了个大模型 API，调用几个工具，再套上一层 LangGraph。 跑通一个 Demo，就觉得自己已经掌握 Agent 开发了，但真把这套东西放到企业里，让它每天处理真实业务，你才会发现，原来还有一大堆问题根本没解决。 最近看到这张 AI Agent 工程师 12 步学习路线图，我觉得挺值得推荐的，尤其是想往 AI Engineer、FDE、企业 AI 落地方向发展的朋友。 因为它讲的不是怎么快速搭一个 Agent，而是一个 Agent 真正进入生产环境，需要补齐哪些工程能力。 我自己这段时间也在做企业 AI 项目，接触过 GEO、自动剪辑、Agent 工作流，最近还在研究企业 RAG。 感受越来越明显：现在用 AI 把功能做出来，真的不算特别难。真正难的是让它稳定运行、安全执行、出现问题还能恢复，最后能够交付给客户。 如果按照这张图的学习路线，我觉得可以分成四个阶段来理解。 第一个阶段，先搞明白 Agent 到底是怎么工作的。 这里需要掌握 Python、HTTP、JSON、API、Structured Output、Tool Calling，然后再去理解工作流、状态机、LangGraph、MCP。 很多人一上来就研究多 Agent，研究各种复杂框架，我觉得其实没必要。 先做一个最简单的单 Agent，让它能够理解用户需求，正确调用工具，根据工具返回的结果继续执行，最后给出答案。重点不是让它跑起来一次，而是每一步都能看清楚。 比如为什么选择这个工具，传入了什么参数，工具调用失败后怎么办，什么时候应该结束任务。 这些基础没掌握，后面接再多框架也只是把复杂度往上堆。 第二个阶段，让 Agent 真正拥有执行能力。 Agent 不应该只是回答问题，它得能操作软件、访问数据库、调用接口、处理文件，甚至通过浏览器完成任务。 这里就涉及 MCP、Playwright、浏览器自动化、上下文管理、记忆系统和沙箱执行。尤其是记忆和上下文，我觉得很容易被低估。 一个 Agent 聊几轮没问题，但如果让它连续执行几十个步骤，前面发生了什么、现在进行到哪里、哪些任务已经完成、哪些事情还没做，它必须能够正确管理。 而且不能让大模型随便在你的电脑或者服务器上执行命令。 权限怎么控制，代码怎么隔离，工具能访问