现在打开任何招聘App搜“AI”相关岗位你会发现一个特别魔幻的现象一边是铺天盖地的“大模型算法工程师年薪百万”帖子一边是无数零基础的人连“我应该学NLP还是学Agent”都还没搞清楚。说实话这几年被问得最多的就是两个问题一是“我想转行搞AI到底该从哪学”二是“学完之后哪条赛道能拿高薪、能持续吃红利”。放到三年前我大概率也给不出靠谱答案因为那时候AI岗位就一个笼统的“算法工程师”进去之后做什么全看团队安排。但到今天AI行业的岗位版图已经非常清楚了零基础入局者面临的核心选择基本上可以归纳为五条相对成熟的赛道——大模型算法、AI智能体与AI应用开发、AI基础设施与模型部署、AI编程效能工具、AIGC视觉内容生成包括AI绘画、AI视频和AI短剧漫剧。这篇文章我就把这五条赛道从零到一拆开讲清楚包括每个方向到底是做什么的、核心技能长什么样、零基础怎么切入、薪资天花板在哪以及最关键的到底什么样的人适合哪条路。1. 五大AI核心赛道全貌先看清牌桌再落座1.1 五条赛道分别对应什么岗位现在市面上的AI岗位不断细化早在两三年前一个笼统的“算法工程师”岗位就越来越少了。我按当前招聘市场上最活跃的JD职位描述来归一下类基本是下面这五条线。大模型算法工程师核心工作是预训练、后训练、指令微调、对齐、评测。大厂里还会细分出预训练组、SFT组、RLHF/RLVR组、数据组、评测组等。这个方向对理论功底和工程能力要求都最高也是新闻里经常出现“年薪百万”的那个方向。AI智能体应用开发工程师核心工作是搭Agent搞RAG检索增强生成设计提示词和工具调用流程做AI应用产品。这个方向离业务最近会用各种大模型API用LangChain、LangGraph、Spring AI这类框架或者直接调原生接口。AI产品经理往往也在这个圈层里。AI基础设施工程师AI Infra核心工作是模型部署、推理加速、GPU集群管理、算力优化。典型工具是vLLM、TensorRT-LLM、Ray、Kubernetes、CUDA。这个岗位不直接做算法但算法模型能不能跑起来、跑得快不快、成本低不低全看这个岗位的功力。AI编程效能工程师AI Coding核心工作是做AI代码补全助手、代码生成工具、编码Agent也包括给企业落地内部的AI编程工作流。像目前主流的AI IDE插件和各类Code Agent产品背后的研发团队都属于这个方向。AIGC视觉内容生成工程师核心工作是做AI绘画、AI视频生成、AI短剧/漫剧的整套生产流程用Stable Diffusion、ComfyUI、可灵、即梦、Midjourney这类工具训练LoRA搭建生图生视频工作流甚至从脚本到成片全流程自动化。这个方向最适合有设计、编剧、短视频运营基础的人不一定要写繁重的代码。1.2 五条赛道的热度、门槛和薪资对比这部分我直接给一个对比表格是我根据近两年招聘市场、开源社区活跃度以及和同行交流得到的综合感受不代表官方数据但可以参考。赛道市场需求热度技术门槛0基础学习难度薪资区间一线城市学历/背景要求大模型算法高但卷极高极大30k-100k硕博为主本科强背景也可AI应用/Agent开发非常高中等中等20k-50k本科即可重项目经验AI Infra/部署高较高较大25k-60k本科即可重工程能力AI Coding工具中高高较大25k-60k本科即可重编码功底AIGC视觉内容非常高较低低-中等10k-40k含自由职业不限学历重作品集这个表看下来你可能会发现一个有意思的规律技术门槛越高的方向学历要求往往也越高而需求量大、门槛相对友好的方向比如AI应用开发和AIGC内容生成反而是零基础转行性价比最高的两条路。注意我这里是说“门槛相对友好”不代表没有门槛也不代表不需要认真学技术后面会详细说。1.3 为什么现在可以按这五条赛道来规划很多人问我为什么不去学传统的“机器学习”或“深度学习”我的观点是这两个东西当然要学但它们已经变成了“公共基础课”而不是就业赛道本身。你去看招聘JD几乎不会看到“机器学习工程师”这种宽泛岗位了取而代之的是大模型方向、Agent方向、部署方向这类具体描述。背后的逻辑是AI行业已经进入了“大模型底座上层应用”的成熟分工阶段。底座模型由头部公司和开源社区搞定绝大多数从业者不会从零训练一个GPT而是站在已有模型之上做微调、做应用、做部署、做工具、做内容。五条赛道就是在这个分工体系里生长出来的每一层都有自己的知识体系、工具栈和职业发展路径。如果你想入行先想清楚自己想在哪一层干活比盲目刷教程重要一百倍。2. 赛道详细拆解每个方向到底在做什么2.1 大模型算法工程师硬核但别被高薪宣传冲昏头别被“年薪百万”的宣传冲昏头脑。这条赛道真实的情况是岗位数量少、学历门槛高、竞争极其惨烈能拿到百万级别的人确实有但大概率是名校博士顶会论文大厂核心组这条路对零基础来说是最长的我通常不建议一上来就冲这个方向除非你本身数学和编程底子极好且有读研读博的打算。这个方向日常会做什么简单来说大模型算法工程师的工作围绕“让模型更聪明”展开。预训练阶段要研究数据配比、tokenizer设计、loss收敛后训练阶段要做SFT监督微调、偏好对齐、强化学习还要做模型评测、数据清洗、bad case分析。工具栈主要是Python、PyTorch、DeepSpeed、Megatron-LM、HuggingFace生态平台大概率是几卡到几千卡的GPU集群。如果你真要选这条赛道零基础起步的学习顺序大概是Python打底 → 线性代数、概率论两本核心数学 → 机器学习基础李航《统计学习方法》或者吴恩达的课都行 → 深度学习基础反向传播、CNN、RNN、Transformer → 动手把Transformer代码自己写一遍 → 然后去接触大模型开源项目比如LLaMA系列、Qwen系列的训练脚本和微调代码。一步步走下来快则一年半慢则三年能跑到一个比较有竞争力的水平就算非常快了。2.2 AI智能体应用开发零基础转行的性价比之选如果让我给零基础想转AI的人推荐一个最务实的切口大概率是AI Agent应用开发这条线。原因有两点第一市场需求量大不只是大厂很多传统企业、中小创业公司都在做AI应用落地岗位数量远多于纯算法岗第二门槛相对友好不需要啃完大部头数学教材核心考核的是你用大模型解决问题的能力。那到底什么是Agent应用开发我举一个真实例子某电商公司想让客服系统自动处理退货退款这不是让大模型直接答几句话那么简单。你需要做一套流程用户表达退货意愿 → 大模型识别意图 → 判断是否符合退货政策 → 调用订单系统API查询订单状态 → 生成退货单 → 给用户一个明确回复。整个链路里大模型只负责“理解和决策”的部分其他要靠工程手段去对接业务系统。这就是Agent最典型的应用网上说的AI编程提示词、RAG知识库问答、Function Calling工具调用本质都是这套东西。学这条赛道技术栈包括Python或Java、大模型API调用、LangChain/LangGraph/Spring AI这类Agent框架、向量数据库、常见的Prompt工程技巧以及基础的Web服务开发能力。很多成熟的Agent项目使用Spring AIJava生态来搭建企业级应用之所以在企业级场景中这么流行是因为Java团队现有服务可以平滑接入AI能力不用推翻重来。所以如果你本身就是Java后端工程师想转型留意一下Spring AI的生态实际上手会比从零学Python圈子更快。零基础的话建议还是先把Python基础打牢因为绝大多数Agent示例代码和开源项目都基于Python。2.3 AI基础设施与推理部署闷声发大财的技术活儿这条赛道在大众视野里存在感很低所以我管它叫“闷声发大财”。模型训练出来了总得有人把它扔到服务器上给用户用吧总得有人去解决“并发一上来GPU显存就爆了”的问题总得有人去优化推理速度让成本降到原来的十分之一吧这些就是AI Infra工程师干的事。我见过不少做这个方向的朋友日常工作基本围绕这么几个场景把大模型服务化部署到Kubernetes集群用vLLM做推理加速用TensorRT-LLM做GPU算子优化排查显存泄漏和GPU利用率低下的问题优化模型量化策略比如把FP16量化成INT8或INT4来省钱还要做自动扩缩容、监控告警、多模型调度。这个方向要求对Linux系统、网络、存储、GPU架构都比较熟Python和C至少会一个。零基础想走这条赛道路径很清晰先把计算机基础知识打扎实操作系统、计算机网络、数据结构这是硬功夫然后学Docker和Kubernetes这是现代服务器端应用的基本功再掌握Python和常见的深度学习推理框架最后通过“把一个大模型部署成可对外服务的API”这个完整项目来串联所有知识。这条赛道不需要像大模型算法那样拼论文更重要的是动手能力和故障排查经验对转行者来说是一条硬核但务实的好路。2.4 AI编程效能与AI Coding工具程序员效率革命背后的工程师这两年AI编程工具火爆到什么程度写过代码的人应该都有体感。GitHub Copilot、各类AI代码补全插件、能自动修复bug的Code Agent甚至企业内部AI编程助手背后都有一批专门做AI Coding工具研发的工程师。他们的工作包括微调代码模型、设计上下文工程怎么把用户当前项目代码喂给模型让它更懂你的代码风格、做代码评测集用一套标准测试题衡量模型写得好不好等等。这个赛道有个非常重要的特点从业者必须先是非常熟练的传统程序员然后才谈得上做AI编程工具。因为如果你自己代码都没写过多少你是无法判断AI生成的代码是好是坏的更不可能去设计评测指标和研究代码语义理解。所以我的建议是如果你已经是一名程序员想升级自己这个方向很值得关注如果完全零基础建议先学做传统的Web开发或后端开发一年进入工作状态之后再来切AI Coding赛道会比从零直接扎进去更顺。市面上不少人会混淆“用AI写代码”和“做AI编程工具”这两件事。前者是你作为用户使用GitHub Copilot这类产品提升自己的开发效率这是所有程序员都应该掌握的新技能后者是去研发这类产品本身这是AI Coding训练的独立赛道。你要是零基础先把前者用熟就很牛了——把AI编程当辅助工具自己的项目进度会快很多实际上这也是学习和积累作品集的有效方式。2.5 AIGC视觉内容与AI视频短剧门槛最低但最拼创意的赛道最后这条赛道非常有意思它是五条赛道里最不“程序员”的一条。核心是靠Stable Diffusion、ComfyUI、Midjourney、可灵、即梦这些工具做图做视频然后结合设计、剪辑、编剧能力做出成品内容。热门关键词里那个AI短剧、AI漫剧基本都属于这一类。AIGC内容方向的工作方式和前面四条有本质区别。它更像设计师或导演的工作而不是传统意义上的软件工程师。比如AI漫剧制作你可能需要先用GPT类工具写出分集剧本然后拆解出角色设定和场景描述再用AI绘图工具生成角色一致性很强的画面最后用视频生成工具让静态图动起来配合配音、字幕、BGM输出成品。完整的制作流程现在已经非常成熟网上各种AI短剧制作教程满天飞但真正做得好的人拼的不是工具熟练度而是内容叙事能力、审美水平和商业化嗅觉。零基础想入这条赛道可以直接从ComfyUI开始学。我的建议是别一上来就疯狂下载各种大模型和工作流先把一个工作流吃透比如先跑通“文生图”全流程再搞懂LoRA训练再尝试图生视频、文生视频。学习过程中你很快会发现真正让你值钱的不是会点鼠标而是你脑子里有没有画面感、懂不懂用户想看什么。入门时门槛最低但要做到能在市场上持续拿单或者找到对口工作考察的其实是“创意能力执行力”这个综合模型。2.6 五个方向横向对比知识体系差异在哪上面分别说了五条赛道我从学习知识的角度再做一个横向对比方便你理解它们之间的关系。大模型算法拼的是数学和深度学习的底层理解力AI应用开发拼的是业务理解力和系统集成能力AI基础设施拼的是计算机工科功底AI编程工具拼的是传统编程能力和对代码的深度理解AIGC内容生成拼的是创意审美和内容生产流程设计能力。五条赛道共同需要的核心基础只有两个Python编程和AI基础概念知道什么是模型、训练、推理、微调。其余的知识培养路径几乎是分叉的。所以零基础同学完全可以先学两个月的Python和AI基础概念在确定自己更倾向哪条路之后再进入细分领域的深入学习。不要一上来就想“我会不会选错”先学共同的底子你会有更清晰的方向感。3. 零基础到入门一条比较稳的通用学习路线3.1 公共基础阶段Python与AI基础概念不管最终选哪条赛道我强烈建议你先花2到3个月把下面这些公共基础学一遍它们就像盖房子的地基每一层之后都会用到。Python基础语法变量、循环、条件、函数、文件读写、类不求精通但要求能读懂常见项目源码能写小工具脚本。推荐廖雪峰Python教程、菜鸟教程配合刷题网站上手。Python数据处理NumPy、Pandas这两个库做简单的数据操作因为AI领域几乎所有开源代码都用它们。AI核心概念什么是机器学习、什么是深度学习、什么是大模型、什么是微调、什么是RAG、什么是Agent。不用一开始就理解到数学层面但脑子里要建立一个宏观图景。常用工具Git、命令行、Jupyter Notebook、HuggingFace平台的使用方式。打基础的阶段最怕两件事一是学得太深比如死磕数学推导导致心态崩了二是学得太杂今天看机器学习、明天看Agent、后天又去看视频生成最后什么都没学透。正确的心态是快速扫地基然后尽早进入一个细分方向。3.2 五条赛道分别需要重点掌握的学习内容为了更直观地指导零基础的同学我把五条赛道在公共基础之后的学习重点整理成一张表你可以根据自己的兴趣去选择后续深入学习的方向。赛道核心学习主题关键工具/技术建议的里程碑项目大模型算法深度学习、Transformer、预训练/微调、对齐、分布式训练PyTorch、DeepSpeed、HuggingFace微调一个开源大模型完成特定任务AI应用/Agent开发Prompt工程、RAG、Function Calling、Agent框架LangChain、LangGraph、Spring AI、向量数据库做一个完整的企业知识库问答系统AI Infra/部署模型部署、推理加速、容器化、GPU优化Docker、K8s、vLLM、TensorRT-LLM部署一个大模型API并支持并发访问AI Coding工具代码补全模型、上下文工程、代码评测各类CodeLLM、IDE插件开发做一个私有代码知识库问答插件AIGC内容生成提示词技术、ComfyUI工作流、LoRA训练、视频生成Stable Diffusion、ComfyUI、可灵/即梦完成一部AI短剧或一套风格统一的AI插画集表格最后一列是重点因为面试官和雇主最关心的就是你手里有没有项目。尤其对于非科班、零基础起步的人一个能直接演示的项目比简历上罗列一堆教程名称有说服力得多。3.3 一年学习时间规划的参考节奏零基础到入行按照每天投入2到3小时计算比较现实的时间线是这样的。前两个月打Python和AI基础完成“能看懂代码、能改编代码”的目标。第三到六个月选定一个赛道进入专项学习把该赛道的核心工具用熟同时做一个小项目。第七到九个月做一个有完整度的中型项目尽量贴近日后的求职方向比如要做AI应用开发就把一个Agent做成能实际用的产品要做AIGC就产出一套真实风格的作品集。第十到十二个月打磨简历梳理项目细节准备面试同时每天刷一些题目保持手感。这个节奏谈不上轻松但它是可行的。我见过不少零基础转行成功的人共通特点不是天赋异禀而是“选了一个方向死磕了一年作品集拿得出手”。反过来那些一年换四五个方向、每个都浅尝辄止的人最后基本都还在原地踏步。3.4 学习过程中最容易踩的五个坑这里把我在社区里看了无数案例总结出来的坑列出来提前说清楚。第一过度钻研数学导致半途而废零基础真的不需要先学三个月线性代数才碰模型你需要的是先跑通项目再回头补数学。第二只会看视频教程不动手敲代码看十个小时的视频不如自己跑通一个小项目。第三买昂贵的GPU/显卡才肯开始学习阶段用免费云服务或低配置环境完全够用别给自己找理由。第四忽略英语阅读能力最新的AI工具、最好的开源项目说明基本都是英文阅读理解能力跟不上会很被动。第五频繁追问“这个方向会不会过时”然后三天两头换方向行业确实在变但核心原理和工程能力是越沉淀越值钱的东西。4. 怎么判断哪个赛道适合你决策框架4.1 五个常见背景画像与合适的赛道每个零基础的人起点不一样适合的道路也应该不同。我按过去几年遇到的咨询者类型整理了几个典型画像你可以看看自己最像哪一种。画像一数学/物理/计算机专业在读或毕业生。本身逻辑能力比较强学历门槛对你来说不存在问题可以考虑往大模型算法方向或AI基础设施方向走这两条赛道更吃技术深度你的专业背景是加分项。画像二有几年工作经验的程序员后端/前端/全栈。你们的工程经验和业务理解是纯小白短期内补不出来的最适合切AI Agent应用开发或者进一步往AI Coding工具方向走。特别是会Java的Spring AI这套企业级AI框架值得重点研究。画像三完全没有编程经验但自学能力强的行政/销售/文科背景。硬转纯代码路线会比较痛苦AIGC内容方向是更合理的选择AI绘画、AI视频、AI短剧的制作流程对编程要求相对低且非常依赖内容感和执行力。学熟练后既可以去公司做内容生产也可以自己接单创业。画像四理工科背景但不想做太卷的算法岗。AI Infra是个被低估的方向懂技术、不用拼论文市场需求稳定薪资也站得住。开发的经验越深越能扎住脚跟。画像五想做AI产品、但不想做纯开发。走AI应用开发方向的同时认真培养对业务的判断力和产品设计能力往AI产品经理转型的路是通的。4.2 决策时问自己四个问题面对这么多方向迷茫是正常的。我建议你安静下来问自己四个问题。第一我有没有足够的数学耐心如果想到数学公式就很痛苦趁早避开大模型算法选应用开发或AIGC。第二我遇到问题时的第一反应是“想明白原理”还是“先做个东西出来”前者适合走算法和基础设施后者适合做应用和内容。第三我能接受多少学习周期如果你希望三个月内就见到产出AIGC和AI应用开发最合适如果你愿意花两年磨一剑再去考虑大模型算法这条硬核路线。第四我目前的经济压力大吗如果急需转行变现先以就业和项目实战为目标等到进入行业后再逐步拓展其他方向。我给这个决策框架取名“技术深度×变现速度”矩阵。大模型算法和AI Infra在最右上角“技术深、变现慢”AI应用开发和AI Coding在中间“技术中、变现中”AIGC在左下角“技术浅、变现快”。你可以先想清楚自己当下到底更需要“稳扎稳打长期主义”还是“快速吃到行业红利”。4.3 关于学历和背景的核心提醒学历这道坎我不是很避讳大模型算法方向确实存在“学历通胀”好的团队普遍硕士起步。但不代表其他赛道都卡学历AI应用开发、AIGC内容生产、甚至AI Infra都更看重实际技能和项目经验。我看到太多没有硕士学历的开发者凭借一份优秀的项目集拿到不错Offer反而是部分名校背景但项目泛泛的人面试屡屡碰壁。这个行业的评价体系总体上是“能力导向”的你的作品会替你说话。4.4 零基础高频问题集中回答结合过往的经验我把零基础同学问得最多的问题集中回答一下。没有数学基础能不能学能但天花板有区分做AIGC和应用开发影响不大做算法和Infra后期必须补。不会编程能不能做AI能做AIGC内容方向不过要想可持续发展学一些简单的Python很有帮助哪怕是写脚本批量处理图片。要不要买高价显卡学习阶段完全不用云GPU按小时租就行真要深入再考虑。选赛道要不要赶时髦不要只看热搜词要看自己学得开不开心、做不做得出东西兴趣能支撑你度过最难的学习期。5. 过来人的大实话经验、教训与避坑指南5.1 这些“高薪神话”听听就好AI行业的薪资确实比传统IT行业高一些但“年薪百万”绝对是幸存者偏差。打开招聘软件大量AI应用开发岗位的起薪其实就是20k到35k之间工作三五年后能做到50k以上已经是不错的水平。大模型算法岗薪资看起来吓人但那种岗位往往要求你是千里挑一的选手而且高压高强度的工作节奏也不是每个人都能承受。我说这些不是劝退而是希望你带着更合理的预期去规划。高薪不是“选对赛道”自动掉下来的而是在选对赛道之后通过持续学习和项目积累换来的。行业里还有一种值得警惕的风气就是“卖铲子的焦虑放大器”。你会在很多地方看到“再不学AI就被淘汰”“某公司招聘AI岗位月薪10万”这类内容它们大多是培训机构或自媒体在制造焦虑。真正的行业状态是AI从炫技走向落地企业需要的是能解决问题的人而不是“背了一堆概念”的应试者。5.2 零基础入门高薪就业的三条实操建议第一选一个方向拿半年时间死磕到底。心猿意马是零基础转行最大的敌人与其一年里把五条赛道都“了解”一遍不如选定一条打到“能拿得出手”的程度。第二全程公开记录你的学习过程。做项目时把过程写成系列文章或者短视频发到社交平台这样做有几个帮助逼着你把知识系统化、积累作品集、还有机会被潜在雇主或同行看到。我认识有两个靠分享AI学习笔记收获几万关注的网友后来直接被企业找上门邀请加入。第三尽早去蹭开源社区。把GitHub热门AI项目的issues翻出来尝试给开源项目提代码、修文档哪怕只是周末贡献几行代码也是一种比闭门造车更高效的学习方式。5.3 关于AI Agent、AI编程与大模型的一点前景判断选赛道时看未来也很重要。我判断未来两三年大模型会越来越像“水电一样的基础设施”这意味着纯模型能力本身的竞争力会下降真正值钱的是两层能力一层是懂模型怎么被训练、怎么被调优一层是懂模型怎么被嵌入到真实业务里去产生价值。AI Agent和AI编程工具正好踩在这两层的需求交叉点上。为什么热搜词里AI Agent、Spring AI、AI编程、AI短剧会这么密集地出现因为它们都指向同一个事实——AI正在进入“应用大爆发”阶段。对零基础同学来说这个阶段入场是有机会的因为你不需要跟前面五年已经入场的算法专家去卷同一个岗位你可以在应用层、内容层找到自己独特的位置。5.4 别忽略“AI产品思维”的长期价值最后说一个容易被零基础忽略的点如果你做AI应用、AIGC内容产品思维可能会成为你某个阶段继续向上的关键瓶颈。所谓产品思维就是能想明白“我这个功能是给谁解决什么问题别人为什么要用”。技术上你会做知识库问答很容易但能不能设计出让用户觉得“这个AI助手真懂我”的交互细节这是产品思维在起作用。我的个人体会是AI行业最稀缺的不是纯技术大牛而是既懂技术、又能把技术和具体场景结合起来的复合型人。在五条赛道里纯粹的算法岗和Infra岗会越来越中枢化而AI应用开发、AI Coding工具研发、AIGC内容创作这三条路恰恰是最容易沉淀“复合能力”的。你不需要一开始就想清楚十年后的自己但你可以在当下的选择里给自己留一个“既能深入技术又能贴近业务”的位置。不管最后选了哪条赛道有一个做法长期有效就是让自己持续产出可被别人看见的作品。作品永远是简历上最响亮的一段经历AI行业发展再快这个规律不会变。