如果你正在考虑进入 AI 领域，可能已经被两股相反的信息夹在中间了。一边是报告里的增长率、薪资溢价、新岗位名，让人觉得再不进场就晚了。另一边是朋友圈里刷到的“Prompt Engineer 已死”“AI 干掉了入门程序员的岗位”。两边都有数据，两边都让决策更难做。
这篇文章不重复那些你已经看过的数字清单。它只回答一件事：你现在站在哪，下一步应该往哪走。 调研数据放在附录里，需要核验时可以参考。
很多人把 AI 当成一个“新行业”，觉得进去就要从零学起。这个框架本身是错的。
AI 行业里增长最快的不是“AI 工程师”这个新 title，而是现有岗位被 AI 重新定价。数据科学家如果不会用 LLM 做分析和评估，薪资差一档。软件工程师如果不会把模型接进生产系统，机会少一半。产品经理如果能判断“这个问题适不适合用模型解决”，比只会写 PRD 的同行值钱得多。
反过来看，那些没有已有能力底座、只学了 AI 工具的人，正在被市场排挤掉。Prompt Engineer 作为独立岗位在 2025 年基本消失。Prompting 本身有用，但它变成了每个岗位里的一项子能力，不能单独撑起一个人的雇佣价值。斯坦福数字经济实验室用 ADP 薪资数据做的研究发现，22-25 岁工人在 AI 暴露度最高的职业里经历了 16% 的就业下降，而年长工人在同一职业里就业保持稳定。下降的方式不是裁员，是公司不再开新的入门岗位，让一个 AI 工具加一个资深同事消化掉了原来的工作。
这件事翻译成对个人的影响有两层。第一，入门岗从执行任务变成了交付判断。你不能再靠会写 Python 语法、会调 API、会搭 Demo 拿到第一份工作，你需要证明自己能从问题定义做到评估结果。第二，你学这些东西的方式也在变。两年前的路径是先学 Python、再学 SQL、再学 pandas，现在 AI 写代码比你更快更准。更高效的策略是建立一个最薄的能力层：能读懂代码在干什么、能认出数据操作、能判断逻辑是否通顺。然后立刻把执行交给 AI，你的时间花在定义问题和判断结果上。这个转向不需要等到你学会了才做：在你还在学的过程中，AI 已经可以帮你写出比你自己手写更好的代码。
但反过来，如果你已经有了一个能力底座，不管是写代码、做分析、做设计、做运营还是懂某个行业，AI 确实在把这个底座的价值放大。Lightcast 的报告显示 51% 的 AI 相关岗位已经在 IT 和计算机科学之外，非技术行业对生成式 AI 技能的需求是 2022 年的 8 倍。也就是说，AI 在给你已有的技能加杠杆，而不是要求你从头换一个赛道。
四类起点，往下找到你的位置。
你已经有软件工程底子，会写后端、做过上线项目。 你不需要从头学编程。你需要补的是：怎么把模型接进生产系统，怎么评估模型输出，怎么做 RAG 和 agent 的工程化。你现在最该做的项目是一个有评估集、有日志、成本和延迟都算清楚的端到端 LLM 应用。这条路线往下走是 LLM 应用工程师，再往上可以进到 AI/ML Engineer 或 MLOps。
你做数据分析、BI、或者有统计底子。 你的护城河是业务判断：知道该问什么、指标怎么定义、数据异常在业务上意味着什么。SQL 和 Python 是把判断力作用到数据上的工具，但这两个东西让 AI 写比你自己写更快、更不容易出错。你需要补的是一种新的肌肉记忆：把分析意图说清楚、让 AI 生成代码、看懂它在做什么、判断结果是否合理，而不是自己动手写查询和脚本。你现在最该做的项目是一个端到端业务分析：定义清楚问题、让 AI 生成分析和模型代码、检查输出有没有被聚合方式或数据口径带偏、最后把结论写成业务建议。这条路往下走是 Data Scientist 或 AI-skilled 业务分析师。
你有某个行业的深度经验：医疗、法律、金融、教育、制造。 这是最被低估的起点。你不该去跟程序员抢 LLM Engineer 的岗位。你的路径是把这个行业的流程、合规、判断标准跟 AI 工具接起来。你现在最该做的事是找到一个行业里“有了 AI 以后可以从 3 天变成 3 小时”的工作流，把验收标准讲清楚，把误差和风险边界画出来。这条路往下走是 Domain AI Specialist 或 AI Product Manager。
你没有明确的技术或行业底子，但现在就想开始。 你需要先拿一个底座，再叠加 AI。但这个底座跟两年前不一样了。过去的标准答案是“学会 Python”和“学会 SQL”，现在更有用的是建立起最基础的代码阅读能力：能看懂控制流、认出数据操作、知道一段代码大概在干什么。然后立刻转到让 AI 写代码、你来判断的模式。两个最现实的入口：用 AI 辅助做数据分析（定义业务问题、让 AI 写 SQL 和 Python、你判断结果合理性），或是用 AI 辅助做软件工程（描述需求、让 AI 生成代码、你测试和评估）。不要从“学深度学习”开始。不要从“上 LangChain 教程”开始。你第一年唯一的目标是做出一个能证明“我可以独立交付”的项目：带问题定义、带数据、带评估、带局限说明。
适合你如果：已有编程基础，想做看得见的产品，不想等一年才看到成果。
学习顺序：如果你编程基础已经够用，跳过语言学习，直接进入 LLM API → prompt engineering → embedding → RAG → 向量数据库 → tool calling → evaluation → 部署和日志。如果基础还不扎实，集中建立最薄的能力层：能读懂 Python 代码的控制流、数据操作和 API 调用。不需要学会自己从零写，能看懂 AI 写的代码在干什么就够了。然后立刻转回来。
第一周做什么：申请一个 LLM API key（OpenAI、Claude 或 DeepSeek），写一个 50 行的脚本，把一段长文本切成小块，用 API 回答关于这段文本的问题，输出答案和引用来源。这个小脚本已经包含了 RAG 的核心循环。接下来两周给它加上评估集：写 20 个你事先知道答案的问题，跑完看检索命中率和答案准确率，把失败的例子记下来分析原因。
第一个月结束时你应该有的作品：一个可以公开访问的网页服务，用户输入问题后能从你的知识库中检索并回答，每个回答带来源引用，有一份评估报告说明它在哪些问题上做得好、哪些不好、为什么。
常见陷阱：只做聊天界面没有评估。找一篇 LangChain 教程搭了 UI 就发 GitHub。招聘方看一眼就知道这是 Demo，不是交付能力。你必须在项目里证明你处理了检索质量、幻觉、权限、成本、日志。
适合你如果：不排斥数学和统计，愿意从数据里找业务答案，沟通不差。
学习顺序：核心不再是亲手写 SQL 和 Python，关键在于建立数据判断力。具体来说：学会把业务问题翻译成分析任务 → 让 AI 写 SQL 和 Python → 看懂代码在做什么（不需要自己能写，但要知道哪段是过滤、哪段是聚合、哪段在算指标）→ 判断输出是否合理、口径有没有问题 → 把结论写成业务建议。统计推断、实验设计、模型评估这些概念仍然要学，但学的目的是让你有能力判断 AI 的分析输出，不是让你从零手动建模。
第一周做什么：找一个有业务含义的公开数据集（Kaggle 上有的是），用 SQL 做几组过滤和聚合查询，用 pandas 做 EDA，回答三个简单的业务问题：“数据里最大的变化发生在哪个月”“哪类用户的流失率异常高”“价格和销量之间有没有明显关系”。每个问题写一句话的业务解释，而不是只贴 p 值。
第一个月结束时你应该有的作品：一份完整的分析报告，有数据来源说明、清洗过程、假设检验、可视化、业务建议、局限声明。不要做成 Jupyter notebook 导出的 HTML。用文字写成一封给业务负责人的分析邮件：这个问题是什么、我做了什么、数据告诉我什么、我建议怎么做、哪些地方还不确定。
常见陷阱：只做 Kaggle 排名不看业务问题；把模型精度当成唯一目标；不敢说“数据不支持这个结论”。你的核心竞争力不在于模型复杂度，在于你能从一个模糊的业务问题走到一个可以执行的数据判断。
适合你如果：已经有后端经验和生产部署能力，想做更底层的 AI 系统工作。
学习顺序：让 AI 辅助你走完 ML 系统搭建的全流程。用 scikit-learn 或 PyTorch 做模型训练（代码让 AI 写，你理解训练/验证/测试分拆和评估指标的含义），用 FastAPI 把模型包成服务，用 Docker 做容器化，用 CI/CD 做自动部署，最后加上模型监控。每个环节的关键不在于你亲自写了多少行代码，在于你能否判断 AI 生成的代码是否正确、评估指标是否合理、线上行为是否正常。MLOps 和 LLM/RAG 放在最后补，因为这两层的前提是你已经有了把模型送上生产的基本体感。
第一周做什么：用 scikit-learn
训练一个简单的分类模型（不需要深度学习），把它包进一个 FastAPI
服务，加一个 /predict 接口，用 Docker
跑起来，写一个测试脚本验证输出。重点是让模型变成服务，不是模型有多强。
第一个月结束时你应该有的作品：一个可上线的 ML 微服务，有训练脚本、模型评估指标、API 接口、Dockerfile、CI 配置、监控指标（至少包含请求数、延迟、预测分布偏移）。如果你在现有后端项目中已经接入了某个预测模型，把这个过程写清楚，比从头造一个新系统更有说服力。
常见陷阱：软件工程师最大的盲区不是代码，是评估。模型效果不能用单元测试衡量。数据切分、分布漂移、误差分析的思维方式需要主动训练。另一个陷阱是过早进入深度学习。你第一年最该掌握的是把简单模型稳定地送上生产，不是调 Transformer。
如果你的优势是行业经验，不是编程或数据分析，直接走 Domain AI Specialist。你不需要变成工程师。你需要学会：用 AI 工具加速你的行业工作流、给 AI 输出设定验收标准、向工程师描述你的行业需求和风险边界。
一个在医疗机构做了三年运营的人，如果能给出一份“AI 辅助病历摘要的准确率评估和漏诊风险分析”，比一个只会调 API 的初级工程师有价值得多。
第一，别把 Prompt Engineer 当成长期职业定位。 它作为一个技能可以加分，作为唯一卖点撑不过半年。2025 年 Fortune 报道了这个岗位正在从独立 title 变成岗位内的子能力。把你的 prompt 能力嵌进一个更大的交付物：系统、流程、评估、产品。
第二，别让“先学模型原理还是先做 LLM 应用”卡住你。 目标是 3 到 6 个月出就业作品，先做 LLM 应用。目标是 1 到 2 年进 MLE 和研究工程，模型原理绕不开。关键是不要同时走两条路，也不要一直在两条路之间来回切换。
第三，别用证书代替项目。 招聘方不看“完成了某平台的 AI 专项课程”。他们看你的 GitHub：有没有一个项目是你从头想的、有真实数据、有评估、知道哪里不行。一个这样的项目抵得过五个证书。
第四，别把薪资溢价的报告数字当成对你的承诺。 PwC 说 AI 技能溢价 56%，Lightcast 说是 28%。这两个数字都来自招聘广告分析，混合了高薪行业、高资历岗位、地域集中效应。它们代表市场信号，不代表你学完 AI 就能涨薪 56%。真正决定你薪资的是你能不能解决一个公司愿意付钱的问题。
回到开头那个问题：你现在站哪，下一步往哪走。如果你的答案还不清楚，先做两件事。第一，确定你的底座是什么：写代码、做分析、懂行业。没有底座就先用三个月拿一个。第二，用一个月做一个能从头到尾展示判断力的项目。做完这两件事，会比看完 20 篇 AI 职业介绍文章更清楚自己该往哪走。
以下数据在正文中被使用，这里提供完整引用和背景说明，供核验和深入研究。
AI 技能岗位占比：2024 年约 1.8% 的美国岗位提到 AI 相关技能，比十年前增长约三倍。来源：Lightcast / Stanford AI Index 2025，基于超过 13 亿条招聘广告分析（Lightcast / Stanford）。
数据科学家增长预测：BLS 预计 2024-2034 年间增长 34%，每年约 23,400 个 openings。数据科学家的职业描述包括“收集、分类和分析数据”“创建、验证、测试和更新算法和模型”“向利益相关者提出基于数据分析的业务建议”。来源：BLS Occupational Outlook Handbook（BLS Data Scientists）。
计算和数学职业组增长：BLS 预计增长 10.1%，明确把驱动力归因于“对 AI 解决方案的持续开发需求”。来源：BLS Employment Projections（BLS）。
招聘广告增长：2024 到 2025 年 AI-skill 岗位广告增长 109%。来源：Lightcast Global AI Skills Outlook，转引自 Digital Applied（Digital Applied）。
AI Engineer 增长速度：LinkedIn 将 AI Engineer 列为 2025 和 2026 年美国增长最快的岗位标题，中位工作经验 3.6 年，岗位主要集中在旧金山、纽约、波士顿。来源：Business Insider 报道（Business Insider）。
Lightcast 28% 溢价：包含 AI 技能的岗位广告中位薪资比不含的高出约 28%，平均每年多 $18,000。来源：Lightcast “Beyond the Buzz” 报告，基于 13 亿条招聘广告（Lightcast）。
PwC 56% 溢价：2025 年 PwC AI Jobs Barometer 报告溢价为 56%，前一年为 25%。来源：PwC 新闻稿，基于半十亿招聘广告（PwC）。
数据局限：IMF 在分析 Lightcast 数据时指出在线招聘广告过度代表专业技术和高技能岗位，低估非正式或农业就业。因此这些溢价数字不能直接推广到所有行业和所有学历层次。来源：IMF Working Paper（IMF）。
斯坦福/ADP 研究：22-25 岁工人在 AI 暴露度最高的职业中经历了 16% 的相对就业下降，年长工人在同一职业中就业保持稳定。调整机制主要通过减少入门岗位雇佣而非裁员或降薪。来源：Brynjolfsson 等人 2025 年 11 月工作论文（Stanford Digital Economy Lab）。
程序员就业下滑：美国程序员就业在 2023-2025 年间下降 27.5%，软件开发者中 22-25 岁群体就业从 2022 年底峰值下降近 20%。来源：BLS 数据，IEEE Spectrum 报道（IEEE Spectrum）。
Indeed 招聘广告趋势：技术岗位招聘广告相比 2020 年初下降 36%，软件工程师下降 49%。来源：Indeed Hiring Lab（Indeed）。
SignalFire 新毕业生数据：大科技公司新毕业生仅占 7% 的录用，初创公司不到 6%。来源：SignalFire State of Talent Report 2025（SignalFire）。
Prompt Engineer 作为独立岗位的衰退：Fortune 报道 Nationwide CTO 称“这正在变成一个岗位里的能力，而不是一个岗位本身”。学术预印本发现 prompt engineer 作为独立岗位占比小于 0.5%。来源：Fortune（Fortune）和 arxiv 2506.00058（arxiv）。
AI Engineer 入门岗位稀缺：仅 2.5% 的 AI Engineer 岗位面向 0-2 年经验的求职者；4-6 年经验是最常见的需求。来源：365 Data Science 基于岗位广告的分析（365 Data Science）。
非 IT 行业 AI 需求增长：51% 的 AI 技能岗位在 IT 和计算机科学之外，生成式 AI 在非技术行业岗位增长是 2022 年的 8 倍。来源：Lightcast “Beyond the Buzz”（Lightcast）。
LLM 应用工程师技能要求：Coursera 列出的 IBM AI Engineering 技能清单包括 LLM Application、Prompt Engineering、RAG、Vector Databases、Model Evaluation。来源：Coursera AI jobs 页面（Coursera）。
RAG 评估的重要性：OpenAI Cookbook 的 RAG evaluation 指南强调评估集、retrieval recall、faithfulness 等指标是核心交付物。来源：LlamaIndex blog（LlamaIndex）。
MLOps 生产级要求：Google Cloud 的 Wayfair 案例展示了生产级 ML 需要“自动化数据处理、模型训练、评估、验证、部署和持续监控”。来源：Google Cloud Blog（Wayfair MLOps）。
AI 治理与安全：NIST AI Risk Management Framework 要求把可信性纳入 AI 产品全流程。OpenAI Safety Systems 岗位将核心工作描述为“理解、评估和监控生产系统的安全性”。来源：NIST（NIST AI RMF）和 OpenAI Careers（OpenAI）。
招聘方对评估能力的偏好：Digital Applied 的 2026 年 AI 开发者招聘指南指出“能构建、评估和约束 AI 系统的人，比只会调 API 的人价值大得多”。来源：Digital Applied。
WEF Future of Jobs 2025：预测到 2030 年约 39% 的现有技能将过时，63% 的雇主把技能缺口视为业务转型的主要障碍，AI 和数据分析是最快增长的技能需求。来源：WEF（WEF）。
WEF 新增岗位预测：预测 AI 到 2030 年将净创造约 7,800 万个新岗位（1.7 亿新增减去 9,200 万消失）。来源：WEF Future of Jobs Report 2025。
Microsoft 2025 Work Trend Index：82% 的领导者预计将在 18 个月内使用数字劳动力，但仅 40% 的员工表示他们熟悉 AI agent，存在 adoption chasm。来源：Microsoft Work Trend Index。
Stanford/ADP 研究的观察性限制：作者明确注明“我们的论文是观察性的。我们没有随机实验来变化 AI 采用程度”。因此研究结论应理解为关联信号，不能视为严格因果。来源：Stanford Digital Economy Lab FAQ（Stanford）。
AI 岗位地域集中：加州占全美 AI 岗位广告约五分之一，前十州占 67%，后十州仅占 1.24%。来源：UMD-LinkUp AI Maps（AI Maps）。
AI 对自由职业者的影响：Brookings 研究发现 AI-exposed 自由职业者在生成式 AI 发布后经历了 2% 的合同数量下降和 5% 的收入下降。写作类受影响最大，其次是软件开发。来源：Brookings Institution（Brookings）。