現在 CS 學位已經不是必備的了。
但技能依然是。
這句話會讓很多人不高興，而其中大多數是那些花了四年時間和一大筆錢，換來一個市場正在悄悄貶值的證書的人。我理解這種憤怒。但這改變不了現實。到了 2026 年，招聘 AI 工程師職位的公司，看的是你能做出什麼，而不是你在哪裡聽過課。
我不是說 CS 學位一文不值。如果你有，它確實有幫助。我的意思是，學位已經不再是那道門檻了。現在的門檻是「證明」。你能不能做出一個能用的東西，解釋它為什麼能運作，然後把它部署到別人真正能看到的地方。這就是全部的考驗。
這是一條完整的路徑，讓你在沒有學位的情況下通過這個考驗。沒有打雞血的廢話，沒有「只要相信自己」這種空話。這是一套真實的技術棧，按順序排列，包含那些能讓你被錄取的具體專案，以及使用你筆電上現有工具來學習每個環節的具體方法。
為什麼舊路徑行不通了
傳統路徑告訴你要先拿到學位，從正門申請，然後等待許可。這條路徑假設學位證書是稀缺資源。但現在已經不是了。
實際發生的情況是這樣的。AI 工具縮短了從理解一個概念到用它來建構東西之間的距離。十年前，把一個想法變成可運作的軟體需要多年的語法知識積累。現在，語法反而是最便宜的部分。稀缺的是知道「該建構什麼」、「如何組織它」，以及「為什麼某種方法比另一種更好」。這些是判斷力技能，而判斷力不是來自文憑。它來自於建構東西、把它們弄壞、然後再重新建構。
所以，現在被錄取的人，不是那些成績單最亮眼的人。而是那些擁有公開建構足跡的人。一個充滿真實專案的 GitHub 帳號。一個別人可以點擊的 Demo。一篇解釋他們如何解決一個難題的文章。這條足跡比學位更有價值，因為它證明了雇主真正需要知道的那件事：你到底能不能勝任這份工作。
大多數人犯的錯誤是，花費數月時間準備，只為了「準備好」，而不是去建構這條足跡。他們再上一門課，再看一個教學影片，等待自己覺得夠資格了。但那種感覺永遠不會到來。你不是靠完成一個課程就變成 AI 工程師的。你是靠建構 AI 系統來成為 AI 工程師的，一開始做得很糟，然後慢慢變得不那麼糟，直到你建構的東西真的能運作。
2026 年的 AI 工程師到底是什麼
在開始技術棧之前，先把定義搞清楚，因為大多數人瞄錯了目標。
AI 工程師不是機器學習研究員。你不是從頭開始訓練基礎模型，也不是發表關於新架構的論文。那是另一份工作，而且它確實需要深厚的數學功底，通常還需要高等學位。
AI 工程師是「利用」已經存在的模型來「建構」東西。你使用 Claude、GPT 或開源模型，並將它們串接成能執行有用工作的系統。你把它們連接到數據。你給它們工具。你建構檢索、記憶、Agent 循環和護欄，把一個原始模型變成一個產品。你是一個系統建構者，而你最強大的元件恰好是一個語言模型。
這個區別很重要，因為它告訴你實際上該學什麼。你不需要理解反向傳播就能勝任這份工作。你需要理解的是：如何給模型餵入正確的上下文，如何組織一個多步驟任務讓它不會崩潰，如何驗證輸出，以及如何部署整個系統讓它可靠地運行。這些都是工程技能，而且每一項都可以在沒有學位的情況下學會。
技術棧，按順序來
按順序學習這些。每一項都建立在前一項的基礎上。跳級學習是人們最常卡住的原因，因為他們在還沒學會處理數據之前就想建構 Agent，然後搞不懂為什麼什麼都跑不起來。
1. Python。 函式、類別、非同步。你不需要成為 Python 大師。你需要足夠熟練，能夠閱讀程式碼、編寫腳本，並理解 AI 程式碼助手為你產生的內容。非同步特別重要，因為大多數 AI 工作都涉及等待 API 呼叫，而阻塞式程式碼會成為你建構的一切的瓶頸。
2. SQL 與數據處理。 幾乎所有真實的 AI 應用都會接觸到數據。你需要提取它、清理它、並塑造它。SQL 是這方面的通用語言，幾十年來幾乎沒有變化，這意味著它是一項安全、永久的技能。
3. Git、命令列與 Linux 基礎。 這是所有嚴肅工具運作的環境。Claude Code 在終端機中運行。部署發生在 Linux 伺服器上。版本控制是你避免丟失工作成果以及與他人協作的方式。沒有人會僱用一個不會使用終端機的 AI 工程師。
4. REST API 與 LLM API 整合。 這是 AI 工程真正開始的地方。你學習如何以程式方式呼叫模型、處理它的回應、管理速率限制以及處理錯誤。每個 AI 產品本質上都是一系列結構良好的 API 呼叫。
5. 嵌入與向量搜尋。 這是機器理解「意義」而非僅僅匹配關鍵字的方式。你將文字轉換為向量，儲存它們，並透過相似性進行搜尋。這是每個檢索系統的基礎，也是大多數初學者跳過、後來又後悔跳過的概念。
6. RAG，從頭到尾建構。 檢索增強生成。你讓模型能夠存取你自己的文件，這樣它就能根據真實資訊回答問題，而不是憑空猜測。這是目前應用 AI 領域最受歡迎的技能，因為幾乎每家公司都想要一個能回答關於其自身數據問題的系統。
7. Agent 框架與工具使用。 你從一個只會回答問題的模型，進化到一個能夠「行動」的模型。它會呼叫工具、執行多步驟任務、並完成實際工作。這是前沿領域，而在這方面有能力，能讓你從那些還在寫單一提示的人群中脫穎而出。
8. 部署與基礎 MLOps。 一個只能在你的筆電上運行的專案只是個興趣。你需要知道如何讓它在真實環境中運行、被監控，並且可靠。這就是「我做了一個 Demo」和「我交付了一個產品」之間的區別。
9. AI 開發工具。 Claude Code、Cursor，以及那些能讓你效率大幅提升的 Agent 工具。精通這些不是作弊。這就是實際的工作內容。一個不會使用 AI 來加速建構的 AI 工程師，就像一個拒絕使用電動工具的木匠。
真正能讓你被錄取的三個專案
沒有人會因為你上完課程就錄取你。他們會因為「證明」而錄取你。建構這三個專案，你就擁有了涵蓋整個技術棧的證明。
專案一：使用你自己數據的 RAG 應用。
拿一份真實的文件集。你的筆記、一堆 PDF、某家公司的公開文件，任何東西都可以。建構一個系統，將它們攝入、嵌入、儲存向量，並僅根據這些數據來回答問題。這一個專案就證明了你對檢索、嵌入、分塊以及防止幻覺的能力。這是你能建構的最直接可被僱用的東西，因為這正是公司想要的。
專案二：一個使用工具的 AI Agent。
建構一個不只會回答，還會「行動」的 Agent。它至少呼叫兩個真實的工具：一個搜尋 API、一個計算機、一個檔案寫入器、一個日曆。它會規劃、執行，並處理工具失敗的情況。這證明了你理解 Agent 設計，而不僅僅是提示工程，這是大多數初學者從未真正展示過的技能。
專案三：一個已部署的、全端 AI 產品。
把上面其中一個專案「交付」出去。一個真實的介面、一個後端，部署到某個有公開 URL 的地方，讓陌生人可以訪問並使用。這證明了雇主最擔心的事：你能夠把東西交付出去，而不只是停留在「在我機器上能跑」。一個已部署的專案，在履歷上抵得過十個本地專案。
三個專案。涵蓋全端。公開的證明。對於這個特定職位來說，這樣的組合勝過大多數學位。
如何實際學習每個環節
這是大多數指南會跳過的部分。你不需要花 500 美元去買課程來學這些。你筆電上就坐著你有史以來最好的導師。用模型來教你那些你將用來建構模型的技能。
使用這個提示，把 Claude 變成技術棧中任何一項技能的結構化導師：
你是我學習 [技能，例如：嵌入與向量搜尋] 的程式碼導師。
我正在學習成為一名 AI 工程師，我沒有 CS 學位。
請以「先建構」而非「先理論」的方式教我。
- 用簡單的語言解釋核心概念，並給出一個具體的比喻。
- 給我一個今天就能執行、最小可行的程式碼範例。
- 給我一個稍微難一點的練習題，讓我自己試試看。
- 在我分享我的嘗試後，請批評它，並指出資深工程師會怎麼做。
假設我是透過建構和破壞東西來學習的，而不是透過閱讀。
等我完成每一步後，再進行下一步。
這一個提示就能取代大多數付費課程。它會根據你的程度調整，回答你確切的問題，並且在你真正理解之前絕不繼續前進。
對於專案，使用 Claude Code 來搭建骨架，然後強迫自己理解每一行程式碼。不要盲目複製。在它產生程式碼後，執行這個：
一行一行地帶我讀你剛才寫的程式碼。
對於每個部分，解釋它的作用，以及為什麼你選擇這種方法
而不是顯而易見的替代方案。然後指出最可能在生產環境中出問題的部分，
以及我該如何修復它。
這就是你建立真正理解的方式，而不是一堆你在面試時無法解釋的程式碼。那些面試失敗的人，正是那些建構了專案卻無法真正解釋它們的人。不要成為那樣的人。
如何在沒有學位的情況下被錄取
作品集是必要條件，但不是充分條件。你還必須「被看見」，因為沒有人會僱用他們找不到的證明。
公開建構。 你建的每個專案，都要寫下來。寫一篇文章，關於你建了什麼、困難的部分是什麼、你是如何解決的。這有兩個作用。它創造了一個公開的足跡，當有人搜尋你的名字時會出現；它也強迫你足夠了解自己的工作，以便能夠解釋它。雇主越來越多地透過工程師的公開建構來尋找他們，而不是透過求職網站。
貢獻開源專案。 找一個你使用的 AI 專案，然後修復一些東西。一個 bug、一個文件改進、一個小功能。一個被合併到真實專案中的 Pull Request，是一個沒有學位能給你的資歷。它證明了你可以在別人的程式碼庫中工作，而這正是實際工作的大部分內容。
直接帶著證明去聯繫，而不是帶著請求。 不要發送「我正在尋找機會」。要發送「我建了這個東西，它解決了你們產品遇到的確切問題，這是 Demo」。附上證明。這種方式之所以有效，是因為它在求職的同時就展示了技能。
這是一個聯繫用的範本：
主旨：建了一個 [東西] 來解決 [你注意到的具體問題]
[姓名] 你好，
我注意到 [關於他們產品或問題的具體、真實的觀察]。
我建了一個可行的原型來解決這個問題：[Demo 連結]。
它使用了 [具體的技術方法]，程式碼在這裡：[Repo 連結]。
我是一名正在尋找下一個機會的 AI 工程師。如果這個有用，
我希望能有 15 分鐘的時間，向你展示我將如何把它完整地建構出來。
[你的名字]
這封郵件之所以有效，是因為它以證明開頭，並且幾乎不要求任何東西。它與那些被忽略的通用申請完全相反。
透過接案切入。 如果直接求職速度太慢，可以接一些小型的付費專案。為本地商家建一個 RAG 機器人。為一家小公司自動化一些流程。付費工作，即使是很小的付費工作，都是最有力的證明，因為有人認為它值得付費。在你的個人資料上有三個小型付費專案，會改變每個未來雇主對你的看法。
基礎打好後，選擇一個專精領域
一旦你掌握了技術棧和三個專案，一個沒有人警告過你的問題就會出現。AI 工程領域很廣，試圖精通所有方面會讓你樣樣通、樣樣鬆。那些最快被錄取的人，會選擇一個賽道。
以下是目前真正在招聘的賽道，以及如何判斷哪個適合你。
RAG 與知識系統。 如果你最喜歡專案一，喜歡檢索工作、分塊、接地，這就是你的賽道。每個擁有內部文件的公司，都想要一個能準確回答關於這些文件問題的人。這是最安全、最受歡迎的專精領域，也是最容易展示證明的，因為它的應用場景是普遍的。
Agent 系統。 如果專案二讓你興奮，喜歡工具使用、多步驟執行、編排，這是前沿賽道。它報酬最高，競爭最少，因為它最難做好。權衡之處在於，證明更難建立，而且這個領域變化很快，所以你必須不斷學習。
AI 產品工程。 如果你最關心專案三，關心介面、部署、讓它成真，你就是一個恰好專精於 AI 的產品工程師。這個賽道重視交付勝過小聰明，而且它擁有最多實際的工作機會，因為大多數公司需要的是能將 AI 能力轉化為用戶可以實際使用的東西的人。
根據你真正享受哪個專案來選擇，而不是哪個聽起來最厲害。享受是唯一能讓你在「變厲害」那段無聊的中間階段堅持下來的燃料。你因為興趣而選擇的專精領域，你會真正堅持下去。你因為地位而選擇的，你會放棄。
然後深入下去。在你選擇的賽道裡再建三個專案。把它們都寫下來。讓自己成為當有人需要那個特定東西時，第一個想到的人。專家會被錄取。通才會被過濾掉。
入職前六個月實際上是什麼樣子
知道你的目標是什麼會很有幫助，因為實際工作並不像教學影片暗示的那樣。
你大部分時間不會花在寫巧妙的提示詞上。而是會花在那些讓 AI 系統真正可靠的、不那麼光鮮的工作上。處理模型行為異常的邊緣情況。建立評估，告訴你一個改動是讓事情變好了還是變糟了。把數據整理成系統可以使用的形狀。除錯為什麼 Agent 在測試時能用，但在生產環境中卻失敗了。
這對沒有學位的人來說是個好消息，因為這些都不是理論性的。它們都是實用的工程，可以透過動手做來學習，正是你的作品集專案已經訓練你去做的那種事情。一個建構了三個真實專案並在它們出錯時進行除錯的人，比一個理論考試滿分但從未交付過任何東西的人，為此做好了更充分的準備。
那些在前六個月表現出色的工程師，是那些習慣於系統不完美，而他們的工作就是讓它逐漸變得不那麼不完美的人。如果你正確地建構了你的專案，弄壞它們再修好它們，你已經擁有了那種能力。這就是為什麼對於這個特定職位來說，「先建構」的路徑勝過「先拿證書」的路徑的全部原因。
要避免的常見陷阱
教學地獄。 看無窮無盡的教學影片感覺像在進步。但其實不是。這是偽裝成生產的消費。規則很簡單：每學習一小時，就要建構兩小時。如果你沒有在建構，你就不是在學習，你只是在被娛樂。
等待感覺準備好了。 你永遠不會感覺準備好了。那些成功的人，在感覺自己夠資格之前就開始建構，並透過建構來讓自己變合格。先交付那個醜陋的第一版。然後公開地改進它。
用錯誤的順序學習。 試圖在還沒學會處理數據和 API 之前就建構 Agent。技術棧的排序是有原因的。尊重這個順序，每個環節就會順利銜接。跳級學習，你就是在沙子上建構。
建構別人看不到的專案。 一個鎖在私人倉庫裡的絕妙專案，對你的職業生涯來說等於不存在。所有東西都公開交付。重點在於證明，而證明需要觀眾。
複製你無法解釋的程式碼。 這是面試失敗最快的方式。如果是 Claude 寫的，在把它當作你的成果之前，先理解它。你解釋自己工作的能力，就是全部的考驗。
你的 90 天計畫
你不需要好幾年。你需要專注的 90 天。
第 1 到 30 天：基礎。Python 熟練度、SQL、git、命令列，以及你對模型的第一次 API 呼叫。到第 30 天，你應該能夠熟練地以程式方式呼叫 LLM 並處理回應。從小處著手。一個能總結文件的腳本。一個能回答關於文字檔案問題的工具。
第 31 到 60 天：專案一和專案二。建構 RAG 應用。然後建構 Agent。不要追求完美。追求「能用」，然後是「可解釋」。完成每個專案時，寫一篇文章。到第 60 天，你會有兩個真實的專案和兩篇公開的文章。
第 61 到 90 天：部署並讓自己被看見。交付專案三，並附上公開 URL。開始聯繫。貢獻一個開源 Pull Request。持續發布你正在建構的內容。到第 90 天，你會有一個作品集、一條公開足跡，以及與可能僱用你的人正在進行的對話。
這不是一個幻想中的時間表。它很激進，但對於一個認真對待它、並且每天都在建構的人來說是真實可行的。那些無法完成這個時間表的人，是那些把時間花在準備而不是建構上的人。
這套方法現在行得通的真正原因
學位一直以來都是一個代理指標。雇主無法直接衡量你是否能勝任工作，所以他們用證書作為替代品。學位代表「這個人可能有能力學習困難的東西，並且能完成他開始的事情」。
AI 工程打破了這個代理指標，因為現在你可以直接展示確切的技能。一個已部署的 RAG 系統不是能力的代理指標。它本身就是能力，只是被可視化了。當你能展示真正的東西時，那個用來替代它的東西就不再重要了。
這就是整個轉變。不是說證書變得一文不值，而是說證明變得可以直接獲得了。而當證明可以直接獲得時，提供證明的人就會打敗那些只有代理指標的人。
所以，停止等待許可。停止準備，準備到「準備好」。從技術棧的第一個技能開始，打開 Claude，今天就建構一個最小可行的東西。然後明天建構一個稍微大一點的東西。持續 90 天，你將擁有沒有學位能給你的東西：證明你確實能勝任這份工作。
現在 CS 學位已經不是必備的了。
但技能依然是。
去建構你的證明吧。
關注 @cyrilXBT 以獲取本文中每個專案的完整建構過程，以及我使用的確切提示詞和技術棧。
