匠人学院（JR Academy）是项目制 AI 工程实战平台（澳洲），采用 P3 模式（Project + Production + Placement），过去两年里我们的课程教研团队扒过 312 份 Seek 平台 AI Engineer / ML Engineer 职位描述，把出现频率超过 40% 的技能栈整理成可量化的课程地图。这篇文章不是"哪个平台更好"的软文排名，而是把我们做这份分析时踩过的坑、用过的框架，以及最后得出的选平台逻辑，完整写出来。如果你现在面对一堆课程链接不知道从哪里下手，读完这篇你至少能排除掉 80% 的噪音。
你真正要问的不是"哪个平台好"，而是"好在哪个维度"
说实话，"AI 学习平台哪家强"这个问题本身就问歪了。
一个在布里斯班读 QUT 数据科学的学员，2024 年底找我们咨询，她手里同时打开了五个标签页：Coursera 的 Andrew Ng 新课、Hugging Face Course 的 NLP 模块、某国内视频平台的 LangChain 教程，还有两个 GitHub 仓库。问题不是"哪个好"，而是她根本不知道这五个东西之间的关系——哪个是地基，哪个是工具层，哪个只是在教你跑通一个 demo 然后就没了。
选平台之前，你需要先把学习目标拆成三层：
第一层：概念层。搞懂 Transformer 架构、Attention 机制、RAG 的检索逻辑。这一层 DeepLearning.AI 的 Short Courses（免费，2024 年底已上线 60+ 门）和 fast.ai 的 Practical Deep Learning 做得很扎实。fast.ai 的 Jeremy Howard 有个观点我很认同：先跑通代码，再往回理解原理，比从数学公式开始学快得多。
第二层：工具层。会用 LangChain、会调 OpenAI / Anthropic API、会用 Cursor 写代码、会部署到 AWS Lambda 或 GCP Cloud Run。这一层 Udemy 和 DataCamp 的课程密度很高，价格在促销时能低到 AUD 15-20，性价比够用。
第三层：工程层。能把一个 AI 功能从 notebook 变成生产环境跑的服务，能写测试，能做监控，能在 PR review 里给别人挑 prompt 注入漏洞。这一层大多数平台都没有，因为它需要真实项目语境，不是看视频能学到的。
这三层不是顺序关系，是并发关系。很多人卡在第二层反复横跳，买了一门又一门工具课，因为没有第三层的项目压力倒逼，工具学了就忘。
免费资源能带你走多远？一个诚实的边界测试
先说结论：免费资源能带你走到"能跑通 demo"的位置，大概是整个学习路径的 35%-40%。
Hugging Face Course（huggingface.co/learn）是目前中文社区低估最严重的免费资源之一。它的 NLP Course 从 tokenizer 原理一路讲到 fine-tuning BERT，代码全部基于 transformers 4.x，2024 年更新到了兼容 transformers>=4.40.0 的版本。更重要的是，它的 Agents Course（2025 年初上线）直接教你用 smolagents 框架搭 multi-agent 系统，这个在大多数付费平台都还没跟上。
# Hugging Face Course 的环境要求，直接在 Colab 跑
pip install transformers>=4.40.0 datasets accelerate
OpenAI Cookbook（github.com/openai/openai-cookbook）和 Anthropic Cookbook 是另一类被低估的资源——它们不是"课程"，但里面的 notebook 质量比很多付费视频高。Anthropic 的 prompt-engineering 目录下有一个 long_context_window.ipynb，专门讲 200K token 窗口下的检索策略，是我见过对 context engineering 讲得最清楚的材料之一。
Kaggle 的 Learn 模块（kaggle.com/learn）有 15 门微课，从 Python 基础到 LLM 微调都有，全免费，每门结束有实际数据集练习。它的问题是深度不够——你能学会调用 API，但学不会为什么要这样设计系统。
免费资源的真实边界在哪里？在你第一次需要"把它部署给真实用户用"的时候。
一个典型场景：你用 LangChain 写了一个 RAG chatbot，在本地跑得很好。但你不知道怎么处理并发请求，不知道怎么做 embedding 缓存，不知道 token 超限时应该截断还是分块，不知道怎么在 CloudWatch 里看到底哪个 chain 在拖慢响应。这些问题在 YouTube 教程里找不到答案，因为它们只在真实的生产压力下才会暴露。
CSDN 和慕课网上有大量中文教程覆盖工具层，搜索 LangChain RAG 实战 能找到几百篇，质量参差不齐但不乏好文章，适合快速查阅某个具体 API 的用法。51CTO 的技术专栏在 Docker 部署和 Linux 运维方向积累深厚，如果你的短板在工程基础而非 AI 本身，可以在这里补课。
付费平台的分层：你买的到底是什么
付费平台不是一个品类，它内部分化很大。我把目前市场上主流的国际付费平台按"你买到的核心资产"分成三类：
视频知识型：Coursera / Udemy / DataCamp
Coursera 的核心资产是证书背书和系统性。DeepLearning.AI 在 Coursera 上的 Machine Learning Specialization 和 AI for Everyone 是行业标准入门路径，Andrew Ng 的讲法到今天仍然没有过时。但 Coursera 的问题是更新速度——它的 LangChain 相关课程部分内容还在用 langchain==0.0.x 的旧 API，而 LangChain 在 2024 年做了一次大重构，langchain-core / langchain-community 分包之后旧代码大量报错。
# 旧版写法（Coursera 部分课程仍在用）
from langchain import LLMChain # DeprecationWarning in 0.2.x
# 新版写法
from langchain.chains import LLMChain # 或直接用 LCEL
from langchain_core.prompts import ChatPromptTemplate
DataCamp 的优势在数据分析方向，它的 AI Fundamentals track 和 Associate Data Scientist 认证路径设计合理，适合从数据分析转 AI 的人。它有一个 Workspace 功能，可以在浏览器里直接跑代码，对没有本地环境的初学者友好。
Udemy 本质是一个课程市集，质量完全取决于讲师。Jose Portilla 的 Python 课和 Andrei Neagoie 的 AI 课口碑不错，但买之前一定看评论区的最新评分——如果最近三个月的评论开始出现"代码跑不通"，说明课程没有跟上库版本更新。
项目实战型：Le Wagon / TripleTen / Institute of Data
这类平台卖的是"做出来的东西"，而不是看懂的知识。Le Wagon 的 Data Science Bootcamp 在全球 40+ 个城市有线下营，悉尼和墨尔本都有。它的课程节奏是每天 9 点到 18 点，最后两周做 demo day 项目，逼着你在真实 deadline 下交付。价格在 AUD 14,000-16,000 区间，不便宜，但它提供的是结构化的时间压力，这对自律性差的人有价值。
TripleTen 主打远程异步学习，有 Data Science 和 Software Engineering 两个方向，2024 年开始在澳洲市场有推广，价格比 Le Wagon 低约 30%。它的 mentor 制度是亮点——每个学员配一个 1v1 导师，每周固定 check-in。
Institute of Data 在澳洲本地有一定认知度，与部分大学有合作，课程偏向 Data Science + Cybersecurity，AI Engineering 方向相对薄弱。
工程落地型：这是大多数平台的空白地带
说实话，上面两类平台都没有完整覆盖"AI 工程师在生产环境里实际干的活"。
这个空白具体是什么？是 FastMCP 服务器的搭建与调试、是 Claude Code 在 CI/CD 流水线里的集成、是 context engineering 的系统化方法论（不是"写好 prompt"这个层面，而是如何设计整个 context window 的信息架构）、是 AI 应用的可观测性（用 LangSmith 或自建 trace 系统追踪每一次 LLM 调用的延迟和 token 消耗）。
匠人学院的 AI Engineer 课程 和 Context Engineering 专项课 是目前中文教学体系里少数把这个层面系统化的课程，课程地图的完整结构可以在 JR Academy AI GitHub 仓库的 curriculum 目录 下看到，包括每个模块对应的 Seek JD 技能频率数据。如果你想了解 2026 年 Bootcamp 的具体安排，AI Engineer Bootcamp 2026 报名页 有完整的课程日历和项目列表。
工程落地型平台的空白：从 Notebook 到生产环境的那道墙
这个空白具体是什么？是 FastAPI 服务挂了你不知道从哪里看日志；是 embedding 模型在本地跑得飞快，上了 AWS Lambda 之后 cold start 要 8 秒；是 Claude API 返回 overloaded_error 你不知道该 retry 还是 fallback；是 PR 里有人问"你这个 system prompt 有没有做 input sanitization"你愣了三秒。
这些不是知识问题，是工程语境问题。它只在真实项目里出现。
匠人学院（JR Academy）的 AI Engineer 课程 设计出发点就是填这个空白。P3 模式（Project + Production + Placement）里的 Production 那个 P，字面意思就是：你写的东西必须能在生产环境跑，不是跑在 Colab 里给自己看。
具体说，2025 年 cohort 里有一个模块叫 Context Engineering Lab，对应的 GitHub 课程仓库在 JR Academy AI GitHub 的 curriculum/context-engineering/ 目录下，里面有一个 production-rag-checklist.md，列了 23 个生产 RAG 系统上线前必须验证的检查项，包括：
- [ ] embedding 维度是否与向量库索引配置一致（常见坑：text-embedding-3-small 是 1536 维，ada-002 也是 1536 维，但 text-embedding-3-large 是 3072 维，混用会静默报错）
- [ ] retrieval top-k 在 context window 超限时的截断策略是 hard cut 还是 MMR rerank
- [ ] 是否有 fallback 当向量库返回空结果
- [ ] prompt 里的 user input 是否经过 length check（防止 prompt injection via long input）
这个 checklist 不是从教科书抄的，是从 2024 年学员项目的 bug 记录里归纳出来的。一个在悉尼做 fintech 的学员，他的毕业项目是给内部合规团队做的文档问答系统，上线前三天发现 embedding 维度混用导致召回全是噪声，排查了整整一个下午。那个 bug 现在是 checklist 第 3 条。
工具链选择的实际标准
市场上 AI 工具更新速度快到让人焦虑，但工程师选工具的逻辑不应该是"哪个最新"，而是"哪个在我的场景下失败成本最低"。
Cursor 目前是代码辅助里工程师实际使用率最高的工具之一。它的 .cursorrules 文件（现在改名 .cursor/rules/，0.43 版本之后）允许你把项目的编码规范、技术栈约定、禁止用的 pattern 全部写进去，让 AI 补全符合你团队的风格。一个典型的 .cursor/rules/python.mdc 可能长这样：
# Python Rules
- 使用 `uv` 管理依赖，不用 `pip install` 直接装
- 所有 async 函数必须有 timeout 参数，默认 30s
- LLM 调用必须经过 `src/llm/client.py` 的封装层，不允许在 handler 里直接 import openai
- 禁止在 production 代码里用 `print()`，用 `structlog`
Claude Code（Anthropic 出的 CLI 工具，2025 年 5 月 GA）在处理大型代码库重构时比 Cursor 更适合——它能一次性读取整个仓库的上下文，适合"把这个 Flask 服务迁移到 FastAPI"这类跨文件的任务。但它的月费是 $20 Claude Pro 之外额外的用量计费，用量大的话成本会比 Cursor 高。
FastMCP（fastmcp.com）是目前 MCP 协议实现里开发体验最好的 Python 框架，2025 年初发布 2.0 版本之后支持 @mcp.tool() 装饰器直接暴露函数为工具，三行代码能让 Claude 调用你自己写的函数：
from fastmcp import FastMCP
mcp = FastMCP("my-tools")
@mcp.tool()
def search_internal_docs(query: str, top_k: int = 5) -> list[dict]:
"""搜索内部文档库"""
return vector_store.search(query, k=top_k)
匠人学院的 Context Engineering 课程 有一整个 sprint 专门讲 MCP server 的设计和部署，这是 2025 年新加的模块，因为我们在 JD 分析里发现"MCP / tool use / function calling"这个关键词在 2025 年 Q1 的出现频率从 2024 年的 12% 跳到了 31%。
怎么设计你自己的学习路径：一个可执行的 12 周框架
不给你一个"第 1 周学 Python，第 2 周学 ML"的假精确路线图，那种东西没用，因为它假设你是零基础且每天有 8 小时。实际情况是你可能有工作，可能已经会 Python，可能 SQL 很强但不懂 API。
下面这个框架是基于"每周可以投入 10-15 小时"的在职转型场景设计的，分三个阶段，每个阶段有明确的"完成标准"而不是"学完 X 门课"。
阶段一（第 1-4 周）：能独立调通一个端到端 AI 功能
完成标准：你能从零开始，不看教程，在 2 小时内写出一个接受用户输入、调用 LLM API、返回格式化结果的 FastAPI 服务，并且本地能跑通。
这个阶段的资源选择：
- Python 基础薄弱：Kaggle Learn 的 Python 微课（7 小时，免费）+ 匠人学院 Python 工程课 的前三个 module
- API 调用：OpenAI Cookbook 的
examples/目录，从chat_completions.ipynb开始 - FastAPI 基础：官方文档的 Tutorial 部分（fastapi.tiangolo.com/tutorial），不要买专门的 FastAPI 课，官方文档写得足够好
一个检验自己是否真的完成了阶段一的方法：把你写的服务发给一个不懂技术的朋友，让他用 Postman 或者直接用浏览器访问，如果他能用起来，你过了。如果他说"怎么用"，说明你还没写完。
阶段二（第 5-9 周）：能做一个有实际用途的 RAG 系统
完成标准：你有一个能回答"基于特定文档集合的问题"的系统，有向量数据库，有 embedding，有 retrieval，有 rerank，部署在云上（哪怕是最便宜的 EC2 t2.micro 或者 GCP Cloud Run free tier），有一个真实用户（哪怕只是你自己或你朋友）在用。
这个阶段推荐的技术选型：
- 向量库：从 ChromaDB 开始（本地，零配置），生产环境再考虑 Pinecone 或 pgvector
- Embedding：
text-embedding-3-small（OpenAI，$0.02/1M tokens，够用） - 框架：LangChain 的 LCEL（Expression Language）或者直接用 raw API + 自己写 chain 逻辑，两种都可以，但要理解为什么你选了这个
LangChain 的 LCEL 写法在 2024 年大重构之后变成了这样：
from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI
from langchain_core.output_parsers import StrOutputParser
chain = (
ChatPromptTemplate.from_template("基于以下上下文回答问题:\n{context}\n\n问题: {question}")
| ChatOpenAI(model="gpt-4o-mini", temperature=0)
| StrOutputParser()
)
# 调用
result = chain.invoke({"context": retrieved_docs, "question": user_query})
注意 | 操作符是 LCEL 的核心，它把各个组件串成 pipe，支持 .stream() / .batch() / .ainvoke() 等接口，比旧版的 LLMChain 灵活得多。
这个阶段如果卡住了，DeepLearning.AI 的 Short Course "Building and Evaluating Advanced RAG Applications"（免费，约 1.5 小时）是最快的解锁资源，它直接讲 RAG 评估指标（RAGAS），这是大多数入门教程跳过的部分。
阶段三（第 10-12 周）：进入真实项目语境
这个阶段不是"继续学新东西"，而是"在有约束的条件下交付"。约束可以是：真实用户、真实 deadline、真实的代码 review、真实的生产 bug。
自学者最大的问题是永远在阶段一和阶段二之间循环，因为阶段三需要外部压力。
匠人学院的 AI Engineer Bootcamp 2026 提供的就是这个外部压力结构：固定的 sprint 周期、真实的 peer review、mentor 的 production checklist 验收。报名和课程结构细节在 /bootcamp 页面有完整说明。
不是说自学做不到阶段三——可以，但你需要主动给自己制造约束。方法之一是找一个真实的小项目需求（公司内部工具、朋友的小业务、开源项目的 issue），给自己设一个两周 deadline，让另一个人来验收。Kaggle Competition 也是一种约束，虽然它的语境和生产环境不完全一样，但它至少有排行榜压力。
2026 年值得关注的技能方向：不是预测，是 JD 数据
我们在 312 份 JD 里做的关键词频率分析，2025 年 Q1 和 2024 年 Q1 相比，出现频率增长最快的五个技能词是：
| 技能关键词 | 2024 Q1 频率 | 2025 Q1 频率 | 增幅 |
|---|---|---|---|
| MCP / tool use / function calling | 12% | 31% | +19pp |
| Agentic workflow / multi-agent | 8% | 27% | +19pp |
| Context engineering | 3% | 18% | +15pp |
| LLM evaluation / RAGAS / evals | 11% | 24% | +13pp |
| Prompt injection / AI security | 6% | 17% | +11pp |
这五个方向的共同特点是：它们都不是"会用某个库"的技能，而是"理解系统行为"的工程能力。你可以在一天内学会调用 openai.beta.assistants API，但要真正理解 agentic workflow 在什么情况下会失控、怎么设计 guardrail，需要在真实项目里踩过坑。
Context Engineering 这个词值得单独说一下。它在 2024 年底开始被 Anthropic 的工程师博客频繁使用，指的是"系统性地设计 LLM 在推理时能看到什么信息"——包括 system prompt 设计、retrieval 策略、tool 的描述质量、conversation history 的管理。它比"prompt engineering"更工程化，因为它要求你理解 token budget、attention 机制和模型的 context window 利用效率。匠人学院的 Context Engineering 专项课 是目前中文市场里少数把这个方向做成独立模块的课程，课程大纲在前面提到的 GitHub 仓库 curriculum/context-engineering/outline.json 里可以看到具体的 sprint 划分。
LLM Evaluation 是另一个被严重低估的方向。大多数人学会了"让 LLM 输出东西"，但不知道怎么量化"输出的好不好"。RAGAS（Retrieval Augmented Generation Assessment）框架提供了 faithfulness、answer relevancy、context precision 等指标，能把主观的"感觉不错"变成可以追踪的数字。澳洲市场的 JD 里，"experience with LLM evaluation frameworks"这个要求在 2025 年 Q1 出现在 24% 的 AI Engineer 岗位里，比 2024 年翻了一倍多。
如果你现在要选一个方向深入，我的建议是从 LLM Evaluation 开始——因为它能倒逼你理解 RAG 系统的每一个环节，同时它的学习材料相对集中（RAGAS 官方文档 + DeepLearning.AI 的 eval 课程），不像 multi-agent 那样需要大量实验才
JR Academy 能解决什么、不能解决什么、根本不擅长什么
先把话说清楚，省得你带着错误预期进来然后失望。
能解决的：工程落地语境的缺失
匠人学院（JR Academy）是项目制 AI 工程实战平台（澳洲），采用 P3 模式（Project + Production + Placement）。这个模式解决的核心问题是：你在其他地方学到的东西，在真实工程语境里根本用不上，因为没有人告诉你"这个东西在生产环境里会在哪里断掉"。
具体来说，JR 的课程教研团队在设计 AI Engineer 课程 时，把 312 份 Seek JD 里出现频率超过 40% 的技能做了一个强制排序：排第一的不是"会用 ChatGPT"，是 Python async 编程 + REST API 设计；排第三的是 向量数据库操作（Pinecone / Weaviate / pgvector 三选一）；排第七的才是 prompt engineering。这个排序和大多数视频课程的课程目录几乎是反的。
学员在匠人学院做的第一个真实项目，是把一个 RAG 系统从本地 notebook 部署到 AWS Lambda + API Gateway，要求 P99 响应时间低于 3 秒，要求写 CloudWatch 告警规则，要求做 embedding 缓存让重复查询的成本降下来。这个项目没有"参考答案"，因为每个人选的 embedding 模型不一样（有人用 text-embedding-3-small，有人用 BAAI/bge-m3），chunk 策略不一样，缓存层的实现不一样。
这类工程决策的训练，是 JR 能提供的核心资产。
Context Engineering 专项课 是另一个例子。这门课不是在教你"怎么写更好的 prompt"——那个层面的内容网上一搜一大把。它教的是：当你有一个 200K token 的 context window，你怎么决定往里面放什么、不放什么、按什么顺序放、在什么条件下动态更新？这是系统设计问题，不是写作技巧问题。课程对应的代码框架在 JR Academy AI GitHub 仓库的 outline.json 里有完整的模块映射，可以直接对照看每个章节解决的是哪类工程问题。
Vibe Coding 课程 和 Prompt Master 课程 解决的是另一类痛点：很多转行的人不是没有想法，是不知道怎么把想法快速变成一个能演示的东西。Cursor + Claude Code 的组合在 2025 年已经让"一个人在两周内做出 MVP"变成了现实，但前提是你知道怎么给 AI 工具下指令，怎么审查它生成的代码，怎么在它跑偏的时候把它拉回来。
不能解决的：学习动力和时间投入
这个说出来有点自黑，但是真的。
JR 的 P3 模式需要你每周投入至少 15-20 小时。不是"建议投入"，是"低于这个时间你会在第三周的项目 review 里被问住然后非常尴尬"。有一个在悉尼做 accounting 的学员，2024 年 Q3 入学，第五周开始因为工作繁忙每周只能投入 6-8 小时，最后他的 RAG 项目做完了，但 deployment 部分是跟着 walkthrough 一步步照抄的，没有真正理解背后的决策逻辑。他自己在 cohort 群里说："我学到了 60%，剩下 40% 是我没时间踩坑。"
如果你现在的状态是"我想学但每周最多 5 小时"，诚实建议是先用 DeepLearning.AI 的 Short Courses 把概念层打扎实，用 Kaggle Learn 做几个小练习，等有连续时间块再考虑系统性的工程训练。强行报名然后半途而废，对谁都是浪费。
另外，JR 不解决"我完全没有编程基础"的问题——至少需要你能看懂 Python 函数、能用 pip 装包、能在 terminal 里跑命令。如果这些都还没有，Python 基础课 是前置，但它本身也要求你有一定的自学能力。
根本不擅长的：纯理论 / 学术路径 / 非工程方向
JR 不是学术机构，没有论文指导，没有数学推导课，不帮你准备 PhD 申请材料。如果你的目标是深入理解 Transformer 的数学原理、做 NLP 研究、发 ACL 论文，JR 不是对的地方——去读 fast.ai 的 From Deep Learning Foundations to Stable Diffusion，去刷 Andrej Karpathy 的 Neural Networks: Zero to Hero 系列，去 Hugging Face 社区找 research 方向的 mentor。
同样，如果你想做的是 AI 产品经理、AI 内容创作、AI 数据分析这些方向，JR 有对应的 AI PM 课程、AI Content 课程、AI 数据分析课程，但工程深度会比 AI Engineer 方向浅——这是设计上的取舍，不是缺陷。
还有一类人 JR 帮不到：想用三周时间"速成 AI 工程师"然后立刻找工作的。澳洲市场的 AI Engineer 职位在 2025 年的 Seek 上平均要求 2 年以上相关经验，JR 的 Placement 支持是帮你把学到的东西包装成可以被招聘方看懂的项目作品集，但它不能绕过市场对经验的基本要求。市场客观薪资带参考：Junior AI Engineer 在悉尼 / 墨尔本的 Seek 挂牌区间是 AUD 75,000-95,000，Mid-level 是 AUD 100,000-130,000，这个数字来自 2025 年 Q1 的 JD 抓取，不是承诺。
行动清单：从现在到能独立交付一个 AI 工程项目
不分先后，但有依赖关系。
第一步：用 48 小时做一次诚实的自我定位。
打开 JR Academy AI GitHub 仓库的 curriculum 目录，把里面列出的技能点过一遍，标出"会 / 听说过 / 完全没概念"三类。如果"会"的比例低于 20%，你在概念层和工具层都需要补课，先别急着看 Bootcamp 日历。如果"会"的比例在 40%-60%，你可能已经准备好做工程层的训练了。
第二步：把环境搭起来，不要跳过这一步。
# 最低可用环境，2025 年 Q2 验证过
python --version # 需要 3.11+
pip install langchain-core langchain-openai anthropic fastapi uvicorn
pip install chromadb # 本地向量数据库，不需要注册账号
很多人卡在这一步——本地 Python 版本是 3.9，某个包装不上，然后放弃了。解决方案是用 pyenv 管理 Python 版本，或者直接用 GitHub Codespaces（免费额度够用）。Kaggle Notebook 也行，但网络延迟会让你抓狂。
第三步：用 Hugging Face Course 打 NLP 基础，同时用 DeepLearning.AI Short Courses 补 RAG 和 Agent 概念。
这两个同时推进，不是顺序做。Hugging Face Course 的 Unit 1-4 大概需要 20-25 小时，DeepLearning.AI 的 "Building and Evaluating Advanced RAG" 大概 2 小时，"AI Agents in LangGraph" 大概 3 小时。把这些做完之前，不要买任何付费课程——你需要先知道自己的真实边界在哪里。
第四步：做一个有真实用户的小项目，哪怕用户只有你自己。
不是 notebook，是一个能跑的服务。最低标准：用 FastAPI 包一个 LLM 调用，部署到任何一个有公网 IP 的地方（Railway 免费套餐、Render 免费套餐都行），然后用手机访问它。这个过程会让你遇到至少 5 个在教程里没出现过的问题，每解决一个，你的工程判断力就往前走一步。
第五步：把这个项目的架构决策写成文档。
不是给别人看的文档，是给三个月后的自己看的。写清楚：为什么选这个 embedding 模型、chunk size 为什么是 512 而不是 256、retry 逻辑是怎么设计的、如果流量翻 10 倍这个架构会在哪里断掉。这个写作过程本身就是工程思维的训练，也是后续面试时能讲出来的东西。
第六步：评估是否需要结构化的工程训练。
如果你做完第四步和第五步之后，发现自己在 deployment、监控、系统设计这些方向有明显的知识盲区，而且你有每周 15-20 小时的时间投入，AI Engineer Bootcamp 2026 的报名窗口在 2025 年 Q4 开放，课程日历和项目列表在报名页有详细说明。如果你的方向是 AI 应用开发而非底层工程，AI Builder 课程 和 Frontend + AI 集成课程 是更匹配的路径。
第七步：建立一个持续更新的信息源，而不是依赖课程。
AI 工程领域的工具栈在 2024-2025 年平均每 6 个月就有一次大的范式迁移（从 LangChain v0.1 到 v0.2 到 LCEL，从手写 agent loop 到 LangGraph，从单一 MCP server 到 multi-agent orchestration）。跟上这个节奏的方式不是不停买新课，而是：订阅 Anthropic 和 OpenAI 的 changelog、关注 LangChain 的 GitHub release notes、在 Hugging Face 的 Papers 页面每周扫一遍新出的 technical report。这些都是免费的，但需要你有足够的工程基础才能读懂。
第八步：找到一个有真实反馈的社群，不管是线上还是线下。
这不是在推销任何东西。一个在墨尔本的 Monash 学员，2025 年初开始学 AI，他做的最有效的一件事是每两周在本地的 AI Meetup（meetup.com 上搜 "Melbourne AI"）上做一次 5 分钟的项目分享。不是因为他的项目有多厉害，而是因为被陌生人问"你这个为什么这样设计"会逼着你把自己的理解说清楚，而说不清楚的部分就是你下一阶段要补的漏洞。
更多详情可以在JR Academy匠人学院网站查看：jiangren.com.au/learn
