AI 全栈知识体系

AI 全栈转型路线 ​

这条路线面向已经具备前端工程经验，希望转向 AI 应用全栈、架构或技术负责人角色的工程师。它不是按技术名词排列的课程表，而是按责任边界逐步扩展：从能交付页面，到能对服务、数据、AI 结果和生产系统负责。

先确定边界 ​

  • 主实现语言是 TypeScript 与 Node.js，复用前端工程师已有优势。
  • Python 用于阅读 AI 生态示例、数据处理与必要脚本，不作为第一主线。
  • Java 学到能够理解企业服务、评审接口与完成跨团队协作，不与 Java 后端专项路线竞争深度。
  • AI 范围聚焦应用工程，不覆盖模型预训练、CUDA 和深度推理优化。

五阶段路线 ​

阶段要解决的问题核心内容完成证据
1. 起点校准我当前能对哪一层结果负责系统边界、端到端责任、工程证据起点判断、取舍清单、目标岗位差距
2. 后端与数据如何独立交付可信的业务服务Node.js、API、鉴权、异步任务、数据库、缓存可运行服务、数据模型、接口契约、故障记录
3. AI 应用工程如何把不确定模型接入确定性系统模型接口、Agent、Tool、RAG、Memory、生成式 UITrace、评测集、失败样本、端到端任务
4. 生产化如何让系统可观测、可恢复、可治理SLO、发布门禁、安全、成本、容量和运营仪表盘、告警、演练记录、上线复盘
5. 架构负责如何做跨域决策并放大团队效率RFC、ADR、平台边界、Golden Path、路线图架构方案、决策记录、推广机制、收益证据

阶段不是固定日历。已具备后端经验的人可以从 AI 工程开始，但不能跳过对应的完成证据。

如何选择起点 ​

当前表现建议起点
只能描述接口调用，不能解释鉴权、事务和失败恢复后端与数据
能完成传统全栈应用，但 AI 功能主要依赖 Prompt 调参AI 应用工程
能实现 Agent 或 RAG Demo，但无法解释线上质量生产化
能负责单系统，但缺少跨团队标准、平台和路线图经验架构负责

选择起点时，不按“看过多少”判断，而按能够提供的责任证据判断：

  • 理解机制： 能解释输入、状态、输出、边界和主要失败方式。
  • 独立负责： 能完成设计、上线、观测与故障恢复，并说明关键取舍。
  • 放大影响： 能沉淀标准、平台或方法，让多个项目或团队稳定复用。

没有代码、数据、Trace、设计记录或复盘支撑时，不把“做过”视为已经能够独立负责。用上表找到最早缺少证据的阶段，从那里开始即可；这用于缩短路线，不用于给自己制造虚假的职级结论。

学习执行原则 ​

  1. 每个阶段都要形成可运行或可审查的证据，阅读笔记不能替代实现与验证。
  2. 先建立一条完整链路，再逐步增加规模、可靠性和治理约束。
  3. 主动记录 Failure、Why Not 和 Trade-off，不只保存成功截图。
  4. 用同一个贯穿项目承载能力增长，减少互不关联的练习项目。

推荐入口 ​