ปริญญาวิทยาการคอมพิวเตอร์เป็นทางเลือกแล้ว
แต่ทักษะไม่ใช่ทางเลือก
ประโยคนั้นจะทำให้หลายคนโกรธ และส่วนใหญ่จะเป็นคนที่ใช้เวลาสี่ปีกับเงินจำนวนมากไปกับวุฒิการศึกษาที่ตลาดกำลังลดมูลค่าลงอย่างเงียบๆ ฉันเข้าใจความโกรธนั้น แต่มันไม่ได้เปลี่ยนความจริง ในปี 2026 บริษัทต่างๆ ที่จ้างงานสำหรับตำแหน่งวิศวกร AI จะดูที่สิ่งที่คุณสร้างได้ ไม่ใช่ที่ที่คุณนั่งฟังบรรยาย
ฉันไม่ได้บอกว่าปริญญาวิทยาการคอมพิวเตอร์ไร้ค่า ถ้าคุณมี มันก็ช่วยได้ สิ่งที่ฉันกำลังบอกคือปริญญาหยุดเป็นประตูแล้ว ประตูตอนนี้คือหลักฐาน คุณสร้างอะไรบางอย่างที่ใช้งานได้ อธิบายว่าทำไมมันถึงใช้งานได้ และส่งมันไปให้คนอื่นเห็นได้จริงๆ นั่นคือบททดสอบทั้งหมด
นี่คือเส้นทางที่สมบูรณ์ในการผ่านบททดสอบนั้นโดยไม่มีปริญญา ไม่มีคำพูดปลุกใจ ไม่มี "แค่เชื่อมั่นในตัวเอง" สแต็คจริง ตามลำดับ พร้อมโปรเจกต์ที่ทำให้คุณได้งานจริง และวิธีการเรียนรู้แต่ละส่วนอย่างถูกต้องโดยใช้เครื่องมือที่มีอยู่แล้วบนแล็ปท็อปของคุณ
ทำไมเส้นทางเก่าถึงใช้ไม่ได้แล้ว
เส้นทางดั้งเดิมบอกให้คุณเรียนปริญญา สมัครผ่านประตูหน้า และรอการอนุญาต เส้นทางนั้นสันนิษฐานว่าวุฒิการศึกษาเป็นสิ่งที่หายาก แต่มันไม่ใช่แล้ว
นี่คือสิ่งที่เกิดขึ้นจริง เครื่องมือ AI ทำให้ระยะห่างระหว่างการรู้แนวคิดและการสร้างมันลดลงอย่างมาก เมื่อสิบปีก่อน การเปลี่ยนความคิดให้เป็นซอฟต์แวร์ที่ใช้งานได้ต้องใช้ความรู้ด้านไวยากรณ์ที่สะสมมาหลายปี ตอนนี้ไวยากรณ์เป็นส่วนที่ถูกแล้ว ส่วนที่หายากคือการรู้ว่าจะสร้างอะไร จะจัดโครงสร้างมันอย่างไร และทำไมวิธีหนึ่งถึงดีกว่าอีกวิธี สิ่งเหล่านั้นคือทักษะการตัดสินใจ และการตัดสินใจไม่ได้มาจากประกาศนียบัตร มันมาจากการสร้างสิ่งต่างๆ ทำลายมัน และสร้างมันขึ้นมาใหม่
ดังนั้นคนที่ถูกจ้างงานตอนนี้ไม่ใช่คนที่มีประวัติการเรียนที่น่าประทับใจที่สุด พวกเขาคือคนที่มีร่องรอยสาธารณะของสิ่งที่พวกเขาสร้าง GitHub ที่เต็มไปด้วยโปรเจกต์จริง เดโมที่ใครสักคนสามารถคลิกดูได้ กระทู้ที่อธิบายว่าพวกเขาแก้ปัญหายากๆ ได้อย่างไร ร่องรอยนั้นมีค่ามากกว่าปริญญา เพราะมันพิสูจน์สิ่งที่ผู้จ้างงานจำเป็นต้องรู้จริงๆ นั่นคือคุณสามารถทำงานได้หรือไม่
ความผิดพลาดที่คนส่วนใหญ่ทำคือใช้เวลาหลายเดือนในการเตรียมตัวให้พร้อม แทนที่จะสร้างร่องรอย พวกเขาเรียนคอร์สเพิ่มอีกหนึ่งคอร์ส ดูวิดีโอสอนเพิ่มอีกหนึ่งคลิป รอจนกว่าจะรู้สึกว่าตัวเองมีคุณสมบัติ ความรู้สึกนั้นไม่เคยมาถึง คุณไม่ได้เป็นวิศวกร AI ด้วยการเรียนจบหลักสูตร คุณเป็นหนึ่งเดียวด้วยการสร้างระบบ AI เริ่มจากแย่ๆ แล้วค่อยดีขึ้น จนกระทั่งสิ่งที่คุณสร้างใช้งานได้จริง
วิศวกร AI จริงๆ คืออะไรในปี 2026
ก่อนจะถึงสแต็ค ให้เข้าใจคำจำกัดความให้ถูกต้อง เพราะคนส่วนใหญ่กำลังเล็งไปที่เป้าหมายผิด
วิศวกร AI ไม่ใช่นักวิจัย机器学习 คุณไม่ได้ฝึกโมเดลพื้นฐานจากศูนย์หรือตีพิมพ์บทความเกี่ยวกับสถาปัตยกรรมใหม่ นั่นคืองานที่แตกต่าง และมันต้องใช้คณิตศาสตร์เชิงลึกและมักจะต้องมีวุฒิการศึกษาขั้นสูง
วิศวกร AI สร้างด้วยโมเดลที่มีอยู่แล้ว คุณใช้ Claude, GPT หรือโมเดลโอเพนซอร์ส และเชื่อมต่อมันเข้ากับระบบที่ทำงานที่เป็นประโยชน์ คุณเชื่อมต่อมันกับข้อมูล คุณให้เครื่องมือกับมัน คุณสร้างระบบ retrieval, ระบบความจำ, วงจร agent และ guardrails ที่เปลี่ยนโมเดลดิบให้เป็นผลิตภัณฑ์ คุณคือผู้สร้างระบบที่ส่วนประกอบที่ทรงพลังที่สุดของมันคือโมเดลภาษา
ความแตกต่างนั้นสำคัญเพราะมันบอกคุณว่าควรเรียนอะไรจริงๆ คุณไม่จำเป็นต้องเข้าใจ backpropagation เพื่อที่จะเก่งในงานนี้ คุณต้องเข้าใจวิธีป้อน context ที่ถูกต้องให้โมเดล วิธีจัดโครงสร้างงานหลายขั้นตอนเพื่อไม่ให้พัง วิธีตรวจสอบผลลัพธ์ และวิธีปรับใช้ทุกอย่างให้ทำงานได้อย่างน่าเชื่อถือ สิ่งเหล่านั้นคือทักษะทางวิศวกรรม และทุกอย่างสามารถเรียนรู้ได้โดยไม่ต้องมีปริญญา
สแต็ค ตามลำดับ
เรียนรู้สิ่งเหล่านี้ตามลำดับ แต่ละอย่างต่อยอดจากอันก่อน การข้ามขั้นเป็นวิธีที่พบบ่อยที่สุดที่ทำให้คนติดขัด เพราะพวกเขาพยายามสร้าง agent ก่อนที่จะจัดการข้อมูลได้ แล้วก็สงสัยว่าทำไมไม่มีอะไรทำงาน
1. Python. ฟังก์ชัน, คลาส, async คุณไม่จำเป็นต้องเป็นเซียน Python คุณต้องคล่องพอที่จะอ่านโค้ด เขียนสคริปต์ และเข้าใจสิ่งที่ผู้ช่วยเขียนโค้ด AI สร้างให้คุณ Async สำคัญเป็นพิเศษเพราะงาน AI ส่วนใหญ่เกี่ยวข้องกับการรอการเรียก API และโค้ดที่ blocking จะเป็นคอขวดของทุกสิ่งที่คุณสร้าง
2. SQL และการจัดการข้อมูล. แอปพลิเคชัน AI จริงเกือบทุกตัวเกี่ยวข้องกับข้อมูล คุณต้องดึงมัน ทำความสะอาดมัน และจัดรูปแบบมัน SQL เป็นภาษาสากลสำหรับสิ่งนี้ และมันแทบไม่เปลี่ยนแปลงมาหลายทศวรรษ ซึ่งหมายความว่ามันเป็นทักษะที่ปลอดภัยและถาวร
3. Git, command line และพื้นฐาน Linux. นี่คือสภาพแวดล้อมที่เครื่องมือจริงทุกตัวทำงาน Claude Code ทำงานใน terminal การปรับใช้เกิดขึ้นบนเซิร์ฟเวอร์ Linux การควบคุมเวอร์ชันคือวิธีที่คุณหลีกเลี่ยงการสูญเสียงานและวิธีที่คุณทำงานร่วมกัน ไม่มีใครจ้างวิศวกร AI ที่ใช้ terminal ไม่เป็น
4. REST APIs และการรวม LLM API. นี่คือจุดที่วิศวกรรม AI เริ่มต้นจริงๆ คุณเรียนรู้วิธีเรียกโมเดลด้วยโปรแกรม จัดการการตอบสนอง จัดการ rate limit และจัดการข้อผิดพลาด ผลิตภัณฑ์ AI ทุกตัวโดยพื้นฐานแล้วคือชุดของการเรียก API ที่มีโครงสร้างดี
5. Embeddings และ vector search. นี่คือวิธีที่เครื่องจักรเข้าใจความหมายแทนที่จะจับคู่คำสำคัญ คุณแปลงข้อความเป็นเวกเตอร์ จัดเก็บมัน และค้นหาด้วยความคล้ายคลึง นี่คือรากฐานของทุกระบบ retrieval และเป็นแนวคิดที่ผู้เริ่มต้นส่วนใหญ่ข้ามไปและเสียใจทีหลัง
6. RAG, สร้างแบบ end to end. Retrieval Augmented Generation คุณให้โมเดลเข้าถึงเอกสารของคุณเอง เพื่อให้มันตอบจากข้อมูลจริงแทนการเดา นี่คือทักษะที่เป็นที่ต้องการมากที่สุดใน AI ประยุกต์ตอนนี้ เพราะเกือบทุกบริษัทต้องการระบบที่สามารถตอบคำถามเกี่ยวกับข้อมูลของตัวเองได้
7. Agent frameworks และการใช้เครื่องมือ. คุณเปลี่ยนจากโมเดลที่ตอบเป็นโมเดลที่ลงมือทำ มันเรียกเครื่องมือ ดำเนินงานหลายขั้นตอน และทำงานจริง นี่คือพรมแดน และการมีความสามารถที่นี่จะแยกคุณออกจากฝูงชนที่ยังคงเขียน prompt เดียวๆ
8. Deployment และ MLOps พื้นฐาน. โปรเจกต์ที่รันบนแล็ปท็อปของคุณเท่านั้นคืองานอดิเรก คุณต้องรู้วิธีทำให้มันรันบนที่ไหนสักแห่งจริงๆ มีการตรวจสอบ และเชื่อถือได้ นี่คือความแตกต่างระหว่าง "ฉันสร้างเดโม" กับ "ฉันส่งมอบผลิตภัณฑ์"
9. เครื่องมือพัฒนา AI. Claude Code, Cursor และเครื่องมือ agentic ที่ทำให้คุณเร็วขึ้นอย่างมาก การเชี่ยวชาญสิ่งเหล่านี้ไม่ใช่การโกง มันคืองานจริง วิศวกร AI ที่ใช้ AI เพื่อสร้างเร็วขึ้นไม่ได้ก็เหมือนช่างไม้ที่ปฏิเสธเครื่องมือไฟฟ้า
3 โปรเจกต์ที่ทำให้คุณได้งานจริง
ไม่มีใครจ้างคุณเพราะเรียนคอร์สจบ พวกเขาจ้างคุณเพราะหลักฐาน สร้างสามสิ่งนี้แล้วคุณจะมีหลักฐานที่ครอบคลุมทั้งสแต็ค
โปรเจกต์ 1. แอปพลิเคชัน RAG โดยใช้ข้อมูลของคุณเอง
นำเอกสารจริงชุดหนึ่ง บันทึกของคุณ, ชุด PDF, เอกสารสาธารณะของบริษัท, อะไรก็ได้ สร้างระบบที่นำเข้าพวกมัน, สร้าง embedding, จัดเก็บเวกเตอร์ และตอบคำถามโดยอิงจากข้อมูลนั้นเท่านั้น โปรเจกต์เดียวนี้พิสูจน์ทักษะ retrieval, embeddings, chunking และความสามารถในการป้องกันภาพหลอน มันเป็นสิ่งที่สร้างได้และทำให้คุณมีโอกาสได้งานมากที่สุดเพราะมันคือสิ่งที่บริษัทต้องการ
โปรเจกต์ 2. AI agent ที่ใช้เครื่องมือ
สร้าง agent ที่ไม่เพียงแค่ตอบแต่ลงมือทำ มันเรียกเครื่องมือจริงอย่างน้อยสองอย่าง, search API, เครื่องคิดเลข, ตัวเขียนไฟล์, ปฏิทิน มันวางแผน ดำเนินการ และจัดการกรณีที่เครื่องมือล้มเหลว สิ่งนี้พิสูจน์ว่าคุณเข้าใจการออกแบบ agent ไม่ใช่แค่การเขียน prompt ซึ่งเป็นทักษะที่ผู้เริ่มต้นส่วนใหญ่ไม่เคยแสดงให้เห็นจริงๆ
โปรเจกต์ 3. ผลิตภัณฑ์ AI แบบ full stack ที่ปรับใช้แล้ว
นำหนึ่งในโปรเจกต์ข้างต้นมาส่งมอบ อินเทอร์เฟซจริง, แบ็คเอนด์, ปรับใช้ที่ไหนสักแห่งที่มี URL สาธารณะที่คนแปลกหน้าสามารถเข้าไปใช้ได้ สิ่งนี้พิสูจน์สิ่งที่ผู้จ้างงานกังวลมากที่สุด นั่นคือคุณสามารถส่งมอบสิ่งที่เกินกว่า "มันทำงานบนเครื่องของฉัน" โปรเจกต์ที่ปรับใช้แล้วมีค่าเท่ากับสิบโปรเจกต์ในเครื่องบนเรซูเม่
สามโปรเจกต์ ครอบคลุม full stack หลักฐานสาธารณะ พอร์ตโฟลิโอนั้นดีกว่าปริญญาส่วนใหญ่สำหรับงานเฉพาะนี้
วิธีเรียนรู้แต่ละส่วนจริงๆ
นี่คือส่วนที่คู่มือส่วนใหญ่ข้ามไป คุณไม่จำเป็นต้องซื้อคอร์สราคา $500 เพื่อเรียนรู้สิ่งเหล่านี้ คุณมีครูสอนพิเศษที่ดีที่สุดเท่าที่เคยสร้างมาอยู่บนแล็ปท็อปของคุณ ใช้โมเดลเพื่อสอนทักษะที่คุณจะใช้สร้างด้วยโมเดล
ใช้ prompt นี้เพื่อเปลี่ยน Claude ให้เป็นครูสอนพิเศษที่มีโครงสร้างสำหรับทักษะใดๆ ในสแต็ค:
คุณคือครูสอนเขียนโค้ดของฉันสำหรับ [SKILL, เช่น embeddings and vector search]
ฉันกำลังเรียนรู้ที่จะเป็นวิศวกร AI และฉันไม่มีปริญญาวิทยาการคอมพิวเตอร์
สอนฉันด้วยวิธีที่เน้นการสร้างก่อน ไม่ใช่ทฤษฎีก่อน
- อธิบายแนวคิดหลักด้วยภาษาที่เข้าใจง่าย พร้อมอุปมาอุปไมยที่เป็นรูปธรรมหนึ่งอย่าง
- ยกตัวอย่างโค้ดที่เล็กที่สุดที่ใช้งานได้จริงที่ฉันสามารถรันได้วันนี้
- ให้แบบฝึกหัดที่ยากขึ้นเล็กน้อยหนึ่งข้อให้ฉันทำเอง
- หลังจากที่ฉันแชร์ความพยายามของฉัน ให้วิจารณ์และชี้ให้เห็นว่าวิศวกรอาวุโสจะทำอะไรแตกต่างออกไป
สมมติว่าฉันเรียนรู้โดยการสร้างและทำลายสิ่งต่างๆ ไม่ใช่โดยการอ่าน
รอให้ฉันทำแต่ละขั้นตอนเสร็จก่อนที่จะไปยังขั้นตอนถัดไป
prompt เดียวนี้แทนที่คอร์สที่ต้องเสียเงินส่วนใหญ่ มันปรับให้เข้ากับระดับของคุณ ตอบคำถามที่คุณถามจริงๆ และไม่เคยไปต่อจนกว่าคุณจะเข้าใจจริงๆ
สำหรับโปรเจกต์ ให้ใช้ Claude Code เพื่อสร้างโครงร่าง แล้วบังคับตัวเองให้เข้าใจทุกบรรทัด อย่าคัดลอกอย่างมืดบอด หลังจากที่มันสร้างโค้ด ให้รันสิ่งนี้:
พาฉันดูโค้ดที่คุณเพิ่งเขียนทีละบรรทัด
สำหรับแต่ละส่วน อธิบายว่ามันทำอะไรและทำไมคุณถึงเลือกวิธีนี้
แทนที่จะเป็นทางเลือกอื่นที่ชัดเจน จากนั้นชี้ให้เห็นส่วนหนึ่งที่มีแนวโน้มจะพัง
มากที่สุดใน production และฉันจะแก้ไขมันอย่างไร
นี่คือวิธีที่คุณสร้างความเข้าใจที่แท้จริง แทนที่จะเป็นกองโค้ดที่คุณไม่สามารถอธิบายในการสัมภาษณ์ คนที่ล้มเหลวในการสัมภาษณ์คือคนที่สร้างโปรเจกต์ที่พวกเขาอธิบายไม่ได้จริงๆ อย่าเป็นคนนั้น
วิธีได้งานโดยไม่มีปริญญา
พอร์ตโฟลิโอเป็นสิ่งจำเป็นแต่ไม่เพียงพอ คุณต้องมองเห็นได้ด้วย เพราะไม่มีใครจ้างหลักฐานที่พวกเขาหาไม่เจอ
สร้างในที่สาธารณะ. ทุกโปรเจกต์ที่คุณสร้าง เขียนเกี่ยวกับมัน กระทู้เกี่ยวกับสิ่งที่คุณสร้าง ส่วนที่ยาก วิธีที่คุณแก้ไขมัน สิ่งนี้ทำสองอย่าง มันสร้างร่องรอยสาธารณะที่ปรากฏขึ้นเมื่อมีคนค้นหาชื่อคุณ และมันบังคับให้คุณเข้าใจงานของคุณเองดีพอที่จะอธิบายมัน ผู้จ้างงานค้นหาวิศวกรผ่านการสร้างสาธารณะมากขึ้น ไม่ใช่ผ่านบอร์ดงาน
มีส่วนร่วมในโอเพนซอร์ส. ค้นหาโปรเจกต์ AI ที่คุณใช้และแก้ไขบางอย่าง บั๊ก, การปรับปรุงเอกสาร, ฟีเจอร์เล็กๆ การ pull request ที่ถูกผสานเข้ากับโปรเจกต์จริงคือวุฒิการศึกษาที่ไม่มีปริญญาใดให้คุณได้ มันพิสูจน์ว่าคุณสามารถทำงานใน codebase ของคนอื่น ซึ่งเป็นส่วนใหญ่ของงานจริง
ติดต่อโดยตรงด้วยหลักฐาน ไม่ใช่คำขอ. อย่าส่ง "ฉันกำลังมองหาโอกาส" ส่ง "ฉันสร้างสิ่งนี้ที่แก้ปัญหาที่ผลิตภัณฑ์ของคุณมี นี่คือเดโม" แนบหลักฐาน สิ่งนี้ได้ผลเพราะมันแสดงทักษะในการกระทำของการขอ工作
นี่คือเทมเพลตสำหรับการติดต่อนั้น:
หัวเรื่อง: สร้าง [สิ่ง] ที่แก้ [ปัญหาเฉพาะที่คุณสังเกตเห็น]
สวัสดี [ชื่อ],
ฉันสังเกตเห็น [ข้อสังเกตจริง เฉพาะเจาะจงเกี่ยวกับผลิตภัณฑ์หรือปัญหาของพวกเขา]
ฉันสร้างต้นแบบที่ใช้งานได้ซึ่งจัดการกับมัน: [ลิงก์ไปยังเดโมสด]
มันใช้ [แนวทางทางเทคนิคเฉพาะ] และนี่คือโค้ด: [ลิงก์ repo]
ฉันเป็นวิศวกร AI ที่กำลังมองหาบทบาทต่อไปของฉัน ถ้าสิ่งนี้มีประโยชน์
ฉันอยากได้ 15 นาทีเพื่อพาคุณดูว่าฉันจะสร้างมันอย่างถูกต้องได้อย่างไร
[ชื่อของคุณ]
อีเมลนั้นได้ผลเพราะมันนำด้วยหลักฐานและขอแทบจะไม่มีอะไรเลย มันตรงกันข้ามกับใบสมัครทั่วไปที่ถูกมองข้าม
รับงานฟรีแลนซ์เพื่อเริ่มต้น. ถ้าการจ้างงานโดยตรงช้า ให้รับโปรเจกต์เล็กๆ ที่ได้รับค่าจ้าง สร้างบอท RAG สำหรับธุรกิจในท้องถิ่น ทำให้บางอย่างเป็นอัตโนมัติสำหรับบริษัทเล็กๆ งานที่ได้รับค่าจ้าง แม้แต่งานเล็กๆ ก็เป็นหลักฐานที่แข็งแกร่งที่สุดเท่าที่จะเป็นไปได้ เพราะมีคนให้คุณค่ากับมันมากพอที่จะจ่าย โปรเจกต์ที่ได้รับค่าจ้างเล็กๆ สามโปรเจกต์ในโปรไฟล์ของคุณเปลี่ยนวิธีที่ผู้จ้างงานในอนาคตทุกคนอ่านคุณ
การเลือกความเชี่ยวชาญเมื่อพื้นฐานคลิกแล้ว
เมื่อคุณมีสแต็คและสามโปรเจกต์แล้ว คำถามหนึ่งก็ปรากฏขึ้นที่ไม่มีใครเตือนคุณ วิศวกรรม AI กว้าง และการพยายามเก่งทุกอย่างทำให้คุณปานกลางในทุกสิ่ง คนที่ได้งานเร็วที่สุดเลือกเลน
นี่คือเลนที่กำลังจ้างงานจริงตอนนี้ และวิธีบอกว่าเลนไหนเหมาะกับคุณ
RAG และระบบความรู้. ถ้าคุณชอบโปรเจกต์หนึ่งมากที่สุด งาน retrieval, การ chunking, การ grounding นี่คือเลนของคุณ ทุกบริษัทที่มีเอกสารภายในต้องการคนที่สามารถสร้างระบบที่ตอบคำถามเกี่ยวกับพวกมันได้อย่างถูกต้อง นี่คือความเชี่ยวชาญที่ปลอดภัยที่สุด เป็นที่ต้องการมากที่สุด และง่ายที่สุดในการแสดงหลักฐาน เพราะกรณีการใช้งานเป็นสากล
ระบบ Agentic. ถ้าโปรเจกต์สองทำให้คุณตื่นเต้น การใช้เครื่องมือ, การดำเนินการหลายขั้นตอน, การ orchestration นี่คือเลน前沿 มันจ่ายมากที่สุดและมีการแข่งขันน้อยที่สุดเพราะมันยากที่สุดที่จะทำได้ดี ข้อแลกเปลี่ยนคือหลักฐานสร้างยากกว่าและสาขาเคลื่อนที่เร็ว ดังนั้นคุณต้องเรียนรู้อย่างต่อเนื่อง
วิศวกรรมผลิตภัณฑ์ AI. ถ้าคุณใส่ใจโปรเจกต์สามมากที่สุด อินเทอร์เฟซ, การปรับใช้, การทำให้มันเป็นจริง คุณคือวิศวกรผลิตภัณฑ์ที่เชี่ยวชาญด้าน AI โดยบังเอิญ เลนนี้ให้คุณค่ากับการส่งมอบมากกว่าความฉลาด และมันคือที่ที่งานส่วนใหญ่อยู่ เพราะบริษัทส่วนใหญ่ต้องการคนที่สามารถเปลี่ยนความสามารถ AI ให้เป็นสิ่งที่ผู้ใช้สามารถใช้ได้จริง
เลือกหนึ่งเลนตามโปรเจกต์ที่คุณสนุกจริงๆ ไม่ใช่เลนที่ฟังดูน่าประทับใจที่สุด ความสนุกคือเชื้อเพลิงเดียวที่รอดจากช่วงกลางที่น่าเบื่อของการเก่งในบางสิ่ง ความเชี่ยวชาญที่คุณเลือกจากความสนใจ คุณจะทำมันต่อไปจริงๆ เลนที่คุณเลือกจากสถานะ คุณจะเลิก
จากนั้นลงลึก สร้างอีกสามโปรเจกต์ในเลนที่คุณเลือก เขียนเกี่ยวกับพวกเขาทั้งหมด กลายเป็นคนที่มีชื่อถูกพูดถึงเมื่อมีคนต้องการสิ่งนั้นโดยเฉพาะ ผู้เชี่ยวชาญถูกจ้าง คนทั่วไปถูกกรองออก
6 เดือนแรกในงานจริงๆ เป็นอย่างไร
มันช่วยให้รู้ว่าคุณกำลังเล็งไปที่อะไร เพราะงานไม่ใช่สิ่งที่วิดีโอสอนบอกเป็นนัย
เวลาส่วนใหญ่ของคุณจะไม่ถูกใช้ไปกับการเขียน prompt ที่ชาญฉลาด มันจะถูกใช้ไปกับงานที่ไม่สวยงามที่ทำให้ระบบ AI เชื่อถือได้จริงๆ การจัดการกับกรณีขอบที่โมเดลทำอะไรแปลกๆ การสร้าง eval ที่บอกคุณว่าการเปลี่ยนแปลงทำให้ดีขึ้นหรือแย่ลง การจัดการข้อมูลให้เป็นรูปร่างที่ระบบสามารถใช้ได้ การดีบักว่าเหตุใด agent ถึงทำงานในการทดสอบแต่ล้มเหลวใน production
นี่เป็นข่าวดีสำหรับคนที่ไม่มีปริญญา เพราะไม่มีอะไรที่เป็นทฤษฎีเลย มันเป็นวิศวกรรมเชิงปฏิบัติทั้งหมด เรียนรู้ได้โดยการทำ ตรงกับสิ่งที่โปรเจกต์พอร์ตโฟลิโอของคุณฝึกคุณมาแล้ว คนที่สร้างโปรเจกต์จริงสามโปรเจกต์และดีบักมันเมื่อมันพัง เตรียมพร้อมสำหรับสิ่งนี้มากกว่าคนที่สอบทฤษฎีได้คะแนนดีและไม่เคยส่งมอบอะไรเลย
วิศวกรที่เติบโตในหกเดือนแรกคือคนที่สบายใจกับระบบที่ไม่สมบูรณ์แบบ และงานของพวกเขาคือทำให้มันไม่สมบูรณ์แบบน้อยลงอย่างต่อเนื่อง ถ้าคุณสร้างโปรเจกต์ของคุณอย่างถูกต้อง ทำลายมันและซ่อมมัน คุณมีกล้ามเนื้อนั้นแล้ว นั่นคือเหตุผลทั้งหมดที่เส้นทางที่เน้นการสร้างก่อนเอาชนะเส้นทางที่เน้นวุฒิการศึกษาสำหรับงานเฉพาะนี้
นรกแห่งการสอน. การดูวิดีโอสอนไม่รู้จบให้ความรู้สึกเหมือนความคืบหน้า มันไม่ใช่ มันคือการบริโภคที่ปลอมตัวเป็นการผลิต กฎง่ายๆ สำหรับทุกชั่วโมงของการเรียนรู้ ให้สร้างเป็นเวลาสองชั่วโมง ถ้าคุณไม่ได้สร้าง คุณไม่ได้เรียนรู้ คุณแค่ถูกความบันเทิง
การรอให้รู้สึกพร้อม. คุณจะไม่มีวันรู้สึกพร้อม คนที่ทำสำเร็จเริ่มสร้างก่อนที่พวกเขาจะรู้สึกว่ามีคุณสมบัติ และมีคุณสมบัติโดยการสร้าง ส่งมอบเวอร์ชันแรกที่น่าเกลียด ปรับปรุงมันในที่สาธารณะ
การเรียนรู้ในลำดับที่ผิด. การพยายามสร้าง agent ก่อนที่คุณจะจัดการข้อมูลและ API ได้ สแต็คถูกจัดลำดับด้วยเหตุผล เคารพลำดับและแต่ละชิ้นจะคลิก ข้ามไปข้างหน้าแล้วคุณสร้างบนทราย
การสร้างโปรเจกต์ที่ไม่มีใครเห็น. โปรเจกต์ที่ยอดเยี่ยมที่ล็อกอยู่ใน repo ส่วนตัวไม่มีอยู่จริงเท่าที่อาชีพของคุณเกี่ยวข้อง ทุกอย่างส่งมอบสาธารณะ ประเด็นคือหลักฐาน และหลักฐานต้องการผู้ชม
การคัดลอกโค้ดที่คุณอธิบายไม่ได้. วิธีที่เร็วที่สุดในการล้มเหลวในการสัมภาษณ์ ถ้า Claude เขียนมัน เข้าใจมันก่อนที่คุณจะอ้างว่ามันเป็นของคุณ ความสามารถของคุณในการอธิบายงานของคุณเองคือบททดสอบทั้งหมด
แผน 90 วันของคุณ
คุณไม่ต้องการปี คุณต้องการ 90 วันที่โฟกัส
วันที่ 1 ถึง 30 พื้นฐาน ความคล่องแคล่วใน Python, SQL, git, command line และการเรียก API ครั้งแรกของคุณไปยังโมเดล ภายในวันที่ 30 คุณควรสบายใจที่จะเรียก LLM ด้วยโปรแกรมและจัดการการตอบสนอง สร้างเล็กๆ สคริปต์ที่สรุปเอกสาร เครื่องมือที่ตอบคำถามเกี่ยวกับไฟล์ข้อความ
วันที่ 31 ถึง 60 โปรเจกต์หนึ่งและสอง สร้างแอปพลิเคชัน RAG จากนั้นสร้าง agent อย่ามุ่งเป้าไปที่สมบูรณ์แบบ มุ่งเป้าไปที่การทำงาน จากนั้นอธิบายได้ เขียนกระทู้เกี่ยวกับแต่ละอันเมื่อคุณเสร็จ ภายในวันที่ 60 คุณมีโปรเจกต์จริงสองอันและโพสต์สาธารณะสองอัน
วันที่ 61 ถึง 90 ปรับใช้และทำให้มองเห็นได้ ส่งมอบโปรเจกต์สามด้วย URL สาธารณะ เริ่มการติดต่อ มีส่วนร่วมในการ pull request โอเพนซอร์สหนึ่งครั้ง โพสต์อย่างสม่ำเสมอเกี่ยวกับสิ่งที่คุณกำลังสร้าง ภายในวันที่ 90 คุณมีพอร์ตโฟลิโอ ร่องรอยสาธารณะ และการสนทนาที่กระตือรือร้นกับคนที่อาจจ้างคุณ
นั่นไม่ใช่เส้นเวลาที่เพ้อฝัน มันก้าวร้าวแต่เป็นจริงสำหรับคนที่จริงจังและสร้างทุกวัน คนที่ล้มเหลวในเส้นเวลานี้คือคนที่ใช้มันเพื่อเตรียมตัวแทนที่จะสร้าง
เหตุผลที่แท้จริงที่สิ่งนี้ใช้ได้ตอนนี้
ปริญญาเป็นตัวแทนมาโดยตลอด ผู้จ้างงานไม่สามารถวัดได้โดยตรงว่าคุณสามารถทำงานได้หรือไม่所以他们ใช้วุฒิการศึกษาเป็นตัวแทน ปริญญาบอกว่า "คนนี้อาจเรียนรู้สิ่งยากๆ และทำสิ่งที่เริ่มต้นให้เสร็จ"
วิศวกรรม AI ทำลายตัวแทนนั้น เพราะตอนนี้คุณสามารถแสดงทักษะที่แน่นอนได้โดยตรง ระบบ RAG ที่ปรับใช้แล้วไม่ใช่ตัวแทนของความสามารถ มันคือความสามารถที่ทำให้มองเห็นได้ เมื่อคุณสามารถแสดงสิ่งจริงได้ ตัวแทนของสิ่งนั้นก็หยุดมีความสำคัญ
นั่นคือการเปลี่ยนแปลงทั้งหมด ไม่ใช่ว่าวุฒิการศึกษากลายเป็นไร้ค่า แต่หลักฐานกลายเป็นสิ่งที่หาได้โดยตรง และเมื่อมีหลักฐาน คนที่ให้มันก็เอาชนะคนที่มีแค่ตัวแทน
ดังนั้นหยุดรอการอนุญาต หยุดเตรียมตัวให้พร้อม เลือกทักษะแรกในสแต็ค เปิด Claude และสร้างสิ่งที่เล็กที่สุดที่ใช้งานได้ในวันนี้ จากนั้นสร้างสิ่งที่ใหญ่กว่าเล็กน้อยในวันพรุ่งนี้ ใน 90 วันของสิ่งนั้น คุณจะมีสิ่งที่ไม่มีปริญญาใดให้คุณได้ นั่นคือหลักฐานว่าคุณสามารถทำงานได้จริง
ปริญญาวิทยาการคอมพิวเตอร์เป็นทางเลือกแล้ว
แต่ทักษะไม่ใช่ทางเลือก
ไปสร้างหลักฐาน
ติดตาม @cyrilXBT สำหรับการสร้างเต็มรูปแบบเบื้องหลังทุกโปรเจกต์ในบทความนี้ พร้อม prompt และสแต็คที่แน่นอนที่ฉันใช้
