AI是當下最炙手可熱的職場技能，但該從哪裡開始，才有辦法進入這個多金的領域呢？一位AI工程專家分享了一份AI工程師學習路線圖，告訴希望進軍AI工程領域的工作者，如何跟著步驟加強自身實力，取得AI領域所需技能。
這份AI工程師學習路線圖，是由AI工程專家奧里瑪斯．格里西納斯（Aurimas Griciūnas）所撰寫。他是一位立陶宛的工程師，在資料領域有著10多年經歷，曾是模型訓練分析工具公司Neptune產品長。該公司在今年12月被OpenAI收購。
格里西納斯指出，雖然很多人都對如何進入AI領域感到不知道所措，但一切都還來得及，AI工程師的角色出現不算久，仍在快速發展變化當中，不過要想在這個競爭激烈的領域中脫穎而出，則需要清晰的發展路徑，並專注在需要的技能上。
第一步：建立基礎能力，實戰邊做邊學（Fundamentals - learn as you go）
在成為AI工程師之前，先要是一名工程師。格里西納斯強調，雖然他堅信基礎能力是職涯發展的關鍵，但變化快速的時代裡，打好基礎再學習進階知識的作法已經行不通了，必須邊做邊學建立基礎能力。
他建議讀者需要熟悉程式語言Python和Bash，並提到建議掌握的多項工具，包括：
●FastAPI（後端快速開發）
●Pydantic（型別驗證與結構化輸入/輸出）
●uv（現代 Python 套件管理）
●git（版本控制）
●非同步程式設計（在多個 LLM API 呼叫很重要）
●CLI 工具包裝與執行FastAPI
並且他還建議學習統計學及機器學習知識，AI工程需要涉及數學及統計學知識，這些能力能夠幫助人們理解統計模型的概念，有助於評估大型語言模型系統。
第二步：學會使用大型語言模型API（LLM and GenAI APIs.）
在學會如何呼叫API的同時，也要理解不同模型之間的差異，例如：
●基礎版跟升級版有什麼差別
●各個模型專精的面向
●推理模型、多模態模型等不同類型模型的特色與差異
同時還要理解如何運用各個模型進行結構化輸出，以及提示詞快取（Prompt Caching）。提示詞快取是一種AI技術，透過儲存過去傳送給模型提示詞與模型的回應，加快AI的回應速度並降低成本。
第三步：讓模型按照你想的運作（Model Adaptation）
在這一步，核心目標是讓大型語言模型執行我們期望的行為。這不是訓練一個新模型，而是學會怎麼調整、設計Prompt與工具使用方式，讓模型在實際任務中表現穩定且可控，格里西納斯稱為之模型適配。
提示工程被作者認為是最核心的技能，包括：
●學習正確的 prompt 結構，不同的模型與任務需要不一樣的 prompt 書寫方式，格式、語序、上下文都會影響結果。
●理解上下文大小限制，LLM 的輸入長度是有限的，理解這個限制並調整 prompt 及資料分片是重要技能。
●學習各種提示技巧，例如：
- Chain of Thought：引導模型一步步推理
- Tree of Thought：讓模型探索多條推理路徑
- Few‑shot：給模型範例來定義任務格式
●進階技巧如Self‑consistency、Reflection、ReAct，這些技巧都有助於提升模型在特定任務上的表現。
以及懂得如何使用工具。不過格里西納斯提醒，工具並不是魔法，要學會如何透過調整上下文來實現，並建議新人可以先從較簡單的框架開始，有助於理解工具與模型的互動方式。
而在更進階的層面，還可以透過微調針對性提昇模型表現，不過他強調，不要一開始就衝動投入微調，大多數情況下微調並不值得投入大量時間與資源。如果真要開始微調，可以從Unsloth之類簡便的工具開始練習。
第四步：學會「幫模型記住資料」，而不是每次都重問（Storage and Retrieval）
這一步是從用API走向做系統的分水嶺，AI工程師在能呼叫API之餘，還要能幫模型接上「外部記憶」。
●使用向量資料庫存資料：需要了解向量相似性搜尋的優缺點，認識不同類型的向向資料庫索引方式。
●學習圖形資料庫：建立對圖形資料庫的深入認識，不過格里西納斯指出，目前圖形資料庫的應用仍有限，並且成本較高。
●運用混合檢索（Hybrid retrieval）：學會如何結合關鍵字檢索及語意檢索的優點，獲得更準確的結果。
第五步：學會讓AI查資料與回答（RAG and Agentic RAG）
這一步的核心是讓模型能使用外部資料，而不只是依賴內建知識。文章稱它為 RAG（Retrieval-Augmented Generation）思維，重點在於資料如何被存、如何被檢索，並提供模型生成答案的依據。
●準備資料：需要先將資料分段或切塊（Chunking），並試著給每個段落加上標籤、來源、類別等後設資料。透過這種作法，能讓資料更精準地被檢索。
●用向量檢索：而要讓模型能夠快速找到重要資料，可以將文字轉為向量儲存，並用向量資料庫進行相似性搜尋，
●結合資料生成答案：將檢索到的片段加入提示詞，或者引導模型只根據提供的資料回答，讓模型生成答案時可以結合檢索到的資料，而不是單靠記憶。
第六步：讓AI自動執行任務（AI Agent）
這一步的核心是讓 AI不只是回答問題，而能自主規劃、決策和執行任務，成為AI代理，有多種常見的設計模式：
●ReAct：邊思考邊行動
●Task Decomposition：把大問題拆成小步驟
●Reflexion：讓 Agent 自我反思與修正
●Planner‑Executor / Critic‑Actor：規劃者 vs 評價者角色分工
●Hierarchical / Collaborative：分層或合作式團隊運作模式
接下來則需要學習AI代理的短期記憶及長期記憶，短期記憶一般會暫時保存當前對話或任務的歷史，目的是讓AI代理在當下流程裡不忘記前面說過的內容；而長期記憶則是包括跨越多個對話、任務的資訊，例如用戶的偏好等。
並且要確保AI代理做出的決策安全可靠，並在無法解決時將任務交給人類，可以透過在關鍵步驟加入人類確認或步驟等方式來實現。
第七步：懂得基礎設施與部署（Infrastructure）
這一步重點是把前面所有模型、資料、代理等能力整合起來，構建可運行、可維護的 AI 系統。文章中提到，這部分主要是學習部署、維護、監控AI系統的基礎設施，並需要具備對Docker和Kubernetes的知識。
●選擇計算資源：了解雲端服務（AWS、GCP、Azure）提供的 GPU / CPU 方案，並根據模型大小和請求量選擇適合資源，讓你的 AI 系統有足夠運算力，支援大型語言模型推理和代理運作。
●持續整合與持續部署：重點在於怎麼被持續更新、不靠人工操作，進行自動化測試及自動化部署，且更新後能夠快速，安全上線。
●制定模型路由策略：模型路由能將任務分配給最合適的特定模型，以及在模型無法順利運作時，切換到備用模型，作者推薦可以從liteLLM、Orq或Martian等工具進行嘗試。
第八步：觀察與評估AI系統的表現（Observability and Evaluation）
這一步指的是系統內部是否足夠透明，讓你能理解它的行為，不只是有沒有報錯，並且要能夠衡量AI的表現。倘若沒有評估，便沒辦法優化，也無法知道是否該部署新版本。
作者提到，市面上有許多現成的可觀測平台，重點是學習大型語言模型可觀測性的基礎知識，以及在成本限制下，知道如何評估、在哪個步驟進行評估才能獲得最大效益，並了解各種評估方法。
第九步：確保AI系統不會被濫用或攻擊（Security）
在完成AI系統搭建，並能評估表現持續優化後，接著要關心的是這個系統會不會被惡意利用，或在現實世界造成風險。
在這個階段需要學習如何對大型語言模型的輸出與輸入進行防護，並測試大型語言模型模型驅動的應用程式，嘗試越獄或突破防護。
第十步：未來發展（Looking Forward）
這一步不是具體的教學步驟，而是點出在快速發展的AI領域中，值得關注的方向或技術。
●語音、視覺與機器人：代理式AI能將多種功能融合，讓機器與現實世界互動，格里西納看好設備端代理技術發展，能幫助壓縮模型的極端量化技術，以及專為機器人應用而優化的基礎模型出現。
●自動提示工程：未來提示詞可能不再是工程師寫死的，系統可以自動生成或調整提示詞，只需要準備好測試資料集來評估效果。
完整教學請見：SwirlAI
本文初稿為AI編撰，整理．編輯/陳建鈞
