FAQ
完全新手应该先学 Python 还是直接学 AI？
如果你还不会编程，先学 Python 基础。如果你已经能写简单脚本，可以一边学 Python 一边做 AI 小项目。不要等到“完全准备好”才开始。
建议的最低门槛是：能写函数、调用 HTTP API、读写 JSON、使用环境变量、看懂报错。达到这个程度后，就可以开始做最小 AI 项目。
需要学机器学习和深度学习吗？
需要了解基本概念，但不需要一开始就深入训练模型。AI 应用工程更关注如何调用模型、连接数据、设计工作流、评测效果和上线系统。
你可以先理解 token、上下文、embedding、相似度、评测指标这些和应用直接相关的概念。Transformer、训练细节和优化算法可以后面再补。
Prompt Engineering 会不会过时？
简单的“咒语式 Prompt”会过时，但任务拆解、上下文组织、输出约束、评测和失败处理不会过时。这些本质上是和模型协作的工程能力。
RAG 和微调应该怎么选？
如果问题是“模型不知道我的私有资料”，优先用 RAG。如果问题是“模型风格、格式或特定任务表现不稳定”，可以考虑微调。大多数业务知识库场景先做 RAG。
一个简单判断：知识经常变、需要引用来源，用 RAG；任务模式固定、输出风格要统一，可以考虑微调。很多项目会先用 Prompt + RAG，等评测证明瓶颈后再微调。
Agent 是不是一定要用框架？
不一定。简单 Agent 可以直接用模型工具调用能力实现。框架适合复杂状态、分支流程、多 Agent 协作和长期维护。
如果只是“根据问题调用一个搜索工具”，不用急着上框架。如果需要状态管理、复杂图流程、人工确认、失败恢复和多工具编排，再考虑框架。
MCP 必须学吗？
如果你只是做一个简单聊天应用，可以暂时不学。如果你想做 AI 编程工具、企业内部 Agent、工具集成平台，MCP 很值得学。
学 AI 应用开发需要数学好吗？
普通应用开发不需要很强数学。你需要理解相似度、概率、评测指标和成本计算。做模型训练和算法研究才需要更深数学。
怎么判断一个 AI 项目有没有价值？
看它是否解决真实问题，是否比传统方式更高效，是否有数据闭环，是否能稳定运行，是否能控制错误和成本。
一个好问题通常有这些特征：用户频繁遇到、需要处理大量文本或知识、传统规则难覆盖、错误成本可控、可以通过反馈持续改进。
做作品集最推荐哪个项目？
优先做个人知识库问答助手。它容易开始，但可以不断加深：文档解析、检索、rerank、引用、权限、评测、部署都能讲。
AI 应用工程师和算法工程师有什么区别？
AI 应用工程师更关注把模型能力接入产品和业务系统；算法工程师更关注模型训练、优化和算法效果。两者有交集，但日常工作重点不同。
学习时应该先看论文还是先做项目？
先做项目。对 AI 应用工程师来说，项目会迫使你理解 API、上下文、检索、评测、成本和上线问题。等你遇到具体瓶颈，再回头看相关论文或技术文章，吸收会更快。
只会调用 API 算不算 AI 应用工程师？
只会调用 API 还不够。你还需要会组织上下文、连接数据源、设计工具调用、处理失败、评测质量、控制成本和部署上线。调用 API 是入口，不是终点。
RAG 一定要用向量数据库吗？
不一定。小项目可以先用关键词检索或内存向量搜索。数据量变大、需要过滤、权限、性能和持久化时，再引入 pgvector、Qdrant、Milvus 等向量数据库。
为什么我的 Prompt 在一个例子上很好，换个例子就不行？
通常是因为任务描述不够明确、示例覆盖不足、输出格式没有约束，或者没有处理边界情况。用 20 到 50 条测试问题评测，比只看一个例子可靠得多。
AI 应用上线最容易忽略什么？
最容易忽略日志、评测、权限和成本。demo 阶段只要能回答就行，生产阶段必须知道它为什么这样回答、用了哪些数据、花了多少钱、出了错怎么复现。
应该优先学哪个：RAG、Agent 还是 MCP？
建议顺序是 RAG -> Agent -> MCP。RAG 是最常见的知识增强架构；Agent 建立在工具调用和任务执行上；MCP 更像工具连接协议，适合在你需要复用工具和连接多个客户端时学习。
怎么积累作品集？
不要堆很多浅 demo。优先做 2 到 3 个能讲清楚的项目，每个项目都包含 README、架构图、核心代码、评测结果、失败案例和优化记录。面试时，深度比数量更重要。