现在 CS 学位已经不是必需的了。
但技能依然是。
这句话会让很多人感到愤怒，而其中大多数人，是那些花了四年时间和大量金钱，换来了一个市场正在悄然贬值的文凭的人。我理解这种愤怒。但这改变不了现实。到 2026 年，招聘 AI 工程岗位的公司，看的是你能构建什么，而不是你在哪里上过课。
我不是说 CS 学位毫无价值。如果你有，它确实有帮助。我的意思是，学位已经不再是那道门槛了。现在的门槛是证明。你能构建出能用的东西，能解释它为什么能用，并且能把它部署到别人能实际看到的地方。这就是全部的考验。
下面就是一条无需学位也能通过这项考验的完整路径。没有励志废话，没有“只要相信自己”。这是一个真实的、按顺序排列的技术栈，包含能让你获得录用的具体项目，以及利用你笔记本电脑上已有的工具来学习每个部分的确切方法。
为什么老路走不通了
传统的路径告诉你，先拿到学位，然后通过正门申请，等待许可。这条路径假设学位是稀缺资源。但现在已经不是了。
实际情况是这样的。AI 工具极大地缩短了从理解一个概念到用它构建东西之间的距离。十年前，把一个想法变成可用的软件需要多年的语法知识积累。现在，语法是最廉价的部分。稀缺的是知道要构建什么、如何构建它、以及为什么一种方法优于另一种。这些都是判断力，而判断力不是来自文凭。它来自于构建东西、搞坏它们、然后再重新构建。
所以，现在被录用的人，并不是那些成绩单最令人印象深刻的人。而是那些拥有公开构建记录的人。一个装满真实项目的 GitHub 仓库。一个可以点击的演示。一篇解释他们如何解决一个难题的帖子。这条记录比学位更有价值，因为它证明了雇主真正需要知道的那件事：你能否胜任这份工作。
大多数人犯的错误是，花几个月时间准备，试图让自己“准备好”，而不是去构建那条记录。他们再上一门课，再看一个教程，一直等到自己觉得够格了。这种感觉永远不会来。你不是通过完成一门课程而成为 AI 工程师的。你是通过构建 AI 系统成为的，一开始很糟糕，然后不那么糟糕，直到你构建的东西真正能用了。
2026 年的 AI 工程师到底是什么
在介绍技术栈之前，先正确定义，因为大多数人都瞄准了错误的目标。
AI 工程师不是机器学习研究员。你不是从头开始训练基础模型，也不是发表关于新架构的论文。那是另一份工作，它确实需要深厚的数学功底，通常还需要高等学位。
AI 工程师是利用现有模型进行构建。你使用 Claude、GPT 或开源模型，将它们连接成能完成实际工作的系统。你将它们连接到数据。你给它们工具。你构建检索、记忆、Agent 循环和护栏，将原始模型转化为产品。你是一个系统构建者，而你最强大的组件恰好是一个语言模型。
这个区别很重要，因为它告诉你实际需要学什么。你不需要理解反向传播就能出色地完成这份工作。你需要理解的是：如何为模型提供正确的上下文，如何构建一个多步骤任务使其不会崩溃，如何验证输出，以及如何部署整个系统使其稳定运行。这些都是工程技能，而且每一项都可以在没有学位的情况下学会。
技术栈，按顺序学习
按顺序学习这些内容。每一项都建立在前一项的基础上。跳过步骤是人们停滞不前的最常见原因，因为他们试图在能处理数据之前就构建 Agent，然后奇怪为什么什么都不起作用。
1. Python。 函数、类、异步。你不需要成为 Python 高手。你需要足够流利，能够阅读代码、编写脚本，并理解 AI 编程助手为你生成的内容。异步特别重要，因为大多数 AI 工作都涉及等待 API 调用，而阻塞代码会成为你构建一切的瓶颈。
2. SQL 和数据处理。 几乎每个真实的 AI 应用都会接触数据。你需要提取、清理和塑造数据。SQL 是实现这一点的通用语言，几十年来几乎没有变化，这意味着它是一项安全、永久的技能。
3. Git、命令行和 Linux 基础。 这是所有严肃工具的运行环境。Claude Code 在终端中运行。部署在 Linux 服务器上。版本控制是你避免丢失工作以及进行协作的方式。没有人会雇用一个不会使用终端的 AI 工程师。
4. REST API 和 LLM API 集成。 这是 AI 工程真正开始的地方。你学习如何以编程方式调用模型、处理其响应、管理速率限制和处理错误。每个 AI 产品本质上都是一系列结构良好的 API 调用。
5. 嵌入和向量搜索。 这是机器理解含义而不仅仅是匹配关键词的方式。你将文本转换为向量，存储它们，并通过相似性进行搜索。这是每个检索系统的基础，也是大多数初学者跳过并后来后悔跳过的概念。
6. RAG，端到端构建。 检索增强生成。你让模型访问你自己的文档，这样它就能根据真实信息而不是猜测来回答。这是当前应用 AI 中最受欢迎的技能，因为几乎每家公司都想要一个能回答关于其自身数据问题的系统。
7. Agent 框架和工具使用。 你从一个回答问题的模型，转变为一个采取行动的模型。它调用工具，执行多步骤任务，并完成实际工作。这是前沿领域，在这方面胜任将使你从那些仍在编写单次提示的人群中脱颖而出。
8. 部署和基础 MLOps。 一个只在你的笔记本电脑上运行的项目只是一个爱好。你需要知道如何让它在一个真实的环境中运行，并进行监控和确保可靠性。这就是“我构建了一个演示”和“我交付了一个产品”之间的区别。
9. AI 开发工具。 Claude Code、Cursor 以及能让你效率倍增的 Agent 工具。掌握这些不是作弊。这就是实际的工作。一个不能使用 AI 来更快构建的 AI 工程师，就像一个拒绝使用电动工具的木匠。
真正能让你获得录用的 3 个项目
没有人会因为你完成了课程而录用你。他们录用你是因为你有证明。构建这三个项目，你就拥有了覆盖整个技术栈的证明。
项目 1. 一个使用你个人数据的 RAG 应用。
拿一个真实的文档集合。你的笔记、一组 PDF、一家公司的公开文档，任何东西都可以。构建一个系统，它能够摄取这些文档、进行嵌入、存储向量，并仅基于这些数据回答问题。这一个项目就证明了检索、嵌入、分块以及防止幻觉的能力。这是你能构建的最直接有助于求职的东西，因为它正是公司想要的。
项目 2. 一个使用工具的 AI Agent。
构建一个不仅能回答而且能行动的 Agent。它至少调用两个真实的工具：一个搜索 API、一个计算器、一个文件写入器、一个日历。它进行规划、执行，并处理工具失败的情况。这证明你理解 Agent 设计，而不仅仅是提示工程，这是大多数初学者从未真正展示过的技能。
项目 3. 一个已部署的全栈 AI 产品。
从上面两个项目中选一个，然后把它交付出去。一个真实的界面、一个后端，部署到一个有公开 URL 的地方，让陌生人可以访问和使用。这证明了雇主最担心的事情：你能够交付“在我机器上能跑”之外的东西。一个已部署的项目在简历上抵得上十个本地项目。
三个项目。覆盖全栈。公开的证明。对于这份特定的工作，这样的作品集胜过大多数学位。
如何实际学习每个部分
这是大多数指南跳过的地方。你不需要花 500 美元买课程来学习这些。你笔记本电脑上就坐着有史以来最好的导师。用模型来教你那些你将用来构建模型的技能。
使用这个提示词，将 Claude 变成你技术栈中任何技能的结构化导师：
你是我的 [技能，例如：嵌入和向量搜索] 编程导师。
我正在学习成为一名 AI 工程师，我没有 CS 学位。
请以“先构建”的方式教我，而不是“先理论”。
- 用通俗的语言和具体的类比解释核心概念。
- 给我一个今天就能运行的最小可行代码示例。
- 给我一个稍微难一点的练习，让我自己完成。
- 在我分享我的尝试后，批评它，并指出资深工程师会怎么做。
假设我是通过构建和搞坏东西来学习的，而不是通过阅读。
在我完成每一步之前，请等待我，然后再进入下一步。
这一个提示词就能取代大多数付费课程。它会根据你的水平进行调整，回答你的确切问题，并且在你真正理解之前绝不继续。
对于项目，使用 Claude Code 来搭建框架，然后强迫自己理解每一行代码。不要盲目复制。在它生成代码后，运行这个：
请逐行解释你刚刚写的代码。
对于每个部分，解释它的作用，以及你为什么选择这种方法
而不是显而易见的替代方案。然后指出最可能在生产环境中出问题的一个部分，
以及我将如何修复它。
这就是你建立真正理解的方式，而不是一堆在面试中无法解释的代码。面试失败的人，是那些构建了项目却无法真正解释它们的人。不要成为那样的人。
如何在没有学位的情况下获得录用
作品集是必要的，但还不够。你还必须让自己可见，因为没有人会录用他们找不到的证明。
公开构建。 你构建的每个项目，都要写下来。写一篇帖子，关于你构建了什么、难点在哪里、以及你是如何解决的。这做两件事。它创建了一条公开记录，当有人搜索你的名字时会出现；它迫使你足够理解自己的工作，以便能够解释它。雇主越来越多地通过工程师的公开构建来发现他们，而不是通过招聘网站。
贡献开源。 找一个你使用的 AI 项目，并修复一些问题。一个 bug、文档改进、一个小功能。一个被合并到真实项目的拉取请求，是一个学位无法给你的资历。它证明你可以在别人的代码库中工作，而这正是实际工作的大部分内容。
直接联系，附上证明，而不是请求。 不要发“我正在寻找机会”。要发“我构建了这个东西，它解决了你产品的确切问题，这是演示链接。”附上证明。这样做之所以有效，是因为它在申请工作的行为中展示了技能。
这是一个用于这种联系的模板：
主题：构建了一个 [东西] 来解决 [你注意到的具体问题]
你好 [姓名]，
我注意到 [关于他们产品或问题的具体、真实的观察]。
我构建了一个解决这个问题的原型：[演示链接]。
它使用了 [具体的技术方法]，代码在这里：[仓库链接]。
我是一名 AI 工程师，正在寻找我的下一个职位。如果这个有用，
我希望有 15 分钟时间，向您展示我将如何正确地构建它。
[你的名字]
这封邮件之所以有效，是因为它以证明开头，并且几乎不索取任何东西。它与那些被忽略的通用申请截然相反。
通过自由职业入门。 如果直接求职进展缓慢，可以接一些小型的付费项目。为本地企业构建一个 RAG 机器人。为小公司自动化一些东西。付费工作，即使是很小的付费工作，也是最有力的证明，因为有人觉得它有价值并为此付费。你的个人资料上有三个小型付费项目，会改变每个未来雇主对你的看法。
基础掌握后，选择一个专精方向
一旦你掌握了技术栈和三个项目，一个没人提醒过你的问题就会出现。AI 工程领域很广，试图在所有方面都出色会让你在每个方面都平庸。那些最快被录用的人会选择一条赛道。
以下是目前正在招聘的赛道，以及如何判断哪条适合你。
RAG 和知识系统。 如果你最喜欢项目一，即检索工作、分块、接地，这就是你的赛道。每个有内部文档的公司都想要一个能准确回答关于这些文档问题的人。这是最安全、最受欢迎的专业化方向，也最容易展示证明，因为用例是通用的。
Agent 系统。 如果项目二让你兴奋，即工具使用、多步骤执行、编排，这是前沿赛道。它报酬最高，竞争最少，因为要做好它最难。代价是证明更难构建，而且这个领域发展迅速，所以你必须不断学习。
AI 产品工程。 如果你最关心项目三，即界面、部署、让它成为现实，你就是一个恰好专精于 AI 的产品工程师。这条赛道看重交付能力而非小聪明，而且大多数实际工作都在这里，因为大多数公司需要有人能将 AI 能力转化为用户可以实际使用的东西。
根据你真正喜欢哪个项目来选择，而不是哪个听起来最令人印象深刻。兴趣是唯一能让你度过“变得擅长某事”这个枯燥中间阶段的燃料。你出于兴趣选择的专精方向，你会坚持下去。你出于地位选择的，你会放弃。
然后深入下去。在你选择的赛道上再构建三个项目。把它们都写下来。成为那个当别人需要特定东西时，会想到你的人。专精者被录用。通才被过滤。
入职前 6 个月的实际工作是什么样的
了解你的目标是什么会有所帮助，因为实际工作并非教程所暗示的那样。
你的大部分时间不会花在编写巧妙的提示词上。而是会花在那些让 AI 系统真正可靠的、不那么光鲜的工作上。处理模型行为异常的边缘情况。构建评估，告诉你一个改动是让事情变好还是变坏。将数据整理成系统可以使用的形状。调试为什么 Agent 在测试中有效，但在生产环境中却失败了。
这对没有学位的人来说是个好消息，因为所有这些都不是理论性的。它们都是实践工程，可以通过动手来学习，正是你的作品集项目已经训练你去做的事情。构建了三个真实项目并在它们出问题时进行调试的人，比那个理论考试得高分但从未交付过任何东西的人，为这份工作做好了更充分的准备。
在头六个月里表现出色的工程师，是那些能坦然接受系统不完美，并且他们的工作就是让它逐渐变得更完美的人。如果你正确地构建了你的项目，搞坏它们并修复它们，你已经拥有了那种能力。这就是为什么对于这份特定的工作，“先构建”的路径优于“先证书”的路径的全部原因。
教程地狱。 观看无尽的教程感觉像是进步。其实不是。这是伪装成生产的消费。规则很简单。每学习一小时，就构建两小时。如果你没有在构建，你就没有在学习，你只是在娱乐。
等待感觉准备好了。 你永远不会感觉准备好了。成功的人在他们觉得自己够格之前就开始构建，并通过构建变得够格。交付丑陋的第一个版本。在公开场合改进它。
以错误的顺序学习。 试图在能处理数据和 API 之前就构建 Agent。技术栈的排序是有原因的。尊重这个顺序，每个部分就会衔接起来。跳过步骤，你就是在沙子上建造。
构建没人能看到的项目。 一个锁在私有仓库里的出色项目，就你的职业生涯而言，是不存在的。所有东西都公开交付。关键在于证明，而证明需要观众。
复制你无法解释的代码。 面试失败的最快方式。如果 Claude 写了它，在你声称它之前要理解它。你解释自己工作的能力就是全部的考验。
你的 90 天计划
你不需要几年。你需要一个专注的 90 天。
第 1 到 30 天。基础。Python 流利度、SQL、git、命令行，以及你第一次对模型的 API 调用。到第 30 天，你应该能够熟练地以编程方式调用 LLM 并处理响应。从小处着手。一个总结文档的脚本。一个回答关于文本文件问题的工具。
第 31 到 60 天。项目一和项目二。构建 RAG 应用。然后构建 Agent。不要追求完美。追求能用，然后可解释。完成每个项目后写一篇帖子。到第 60 天，你有了两个真实项目和两篇公开帖子。
第 61 到 90 天。部署并让自己可见。交付项目三，并附带一个公开 URL。开始联系。贡献一个开源拉取请求。持续发布关于你正在构建的内容。到第 90 天，你有了一个作品集、一条公开记录，以及与可能录用你的人进行的活跃对话。
这不是一个幻想的时间表。它很激进，但对于一个认真对待它并且每天都构建的人来说是真实的。在这个时间表上失败的人，是那些把时间花在准备而不是构建上的人。
为什么现在这条路行得通的真正原因
学位一直是一个代理指标。雇主无法直接衡量你是否能胜任工作，所以他们用证书作为替代。学位表明“这个人可能能够学习困难的东西并完成他们开始的事情。”
AI 工程打破了这种代理指标，因为现在你可以直接展示确切的技能。一个已部署的 RAG 系统不是能力的代理指标。它本身就是能力，变得可见。当你能展示实际的东西时，那个东西的替代品就不再重要了。
这就是整个转变。不是说证书变得毫无价值，而是证明变得可以直接获得。而当证明可以获得时，提供证明的人就会击败那些只有代理指标的人。
所以，停止等待许可。停止准备，试图变得“准备好”。选择技术栈中的第一个技能，打开 Claude，今天就去构建一个最小可行的东西。然后明天构建一个稍微大一点的东西。经过 90 天的这种努力，你将拥有任何学位都无法给予你的东西，那就是证明你确实能胜任这份工作的证据。
现在 CS 学位已经不是必需的了。
但技能依然是。
去构建你的证明吧。
关注 @cyrilXBT 获取本文中每个项目的完整构建过程，以及我使用的确切提示词和技术栈。
