学AI,先把自己的目标定下来。

最近有几个同学问我,AI信息太多了,新模型、新工具、新框架,根本跟不上。刚看懂一个,另一个又出来了。

我觉得这里得先问一句:你学AI,准备拿它做什么?

如果你想做模型研究,学习路线当然不一样。但如果你是程序员,想找AI相关的工作,做应用项目,或者往FDE转,我的建议很明确:从企业要解决的问题,倒推自己该学的能力。

FDE,也就是Forward Deployed Engineer,我在这里说的是进入实际业务、把方案做出来并对结果负责的工程师。

站在这个位置上,收藏了多少工具并不重要。遇到一个具体问题,你能不能判断怎么做,做完以后能不能让别人用起来,才有讨论的基础。

我目前重点关注三类能力:模型接入与治理、智能体工程、AI编程与研发流程集成。

这三个方向不是所有企业都要自建的三套平台。对个人学习来说,我看重的是它们对应的问题。产品名字会换,问题得有人解决。

第一类:模型越来越多,怎么用才合适?

先举个贯穿全文的教学例子。

假设一个团队想用AI辅助检查报销材料:读出单据内容,对照报销规则,把缺失的信息列出来,交给财务复核。

一开始,你接上一个模型,能处理几份样本,感觉不错。

等更多人来用,就要考虑别的事了。哪些材料可以发给哪个模型?不同部门的费用怎么记录?接口超时怎么办?换一个模型,原来的检查质量会不会下降?

能调通模型,是起点;知道该怎么使用它,是后面的工作。

模型网关可以集中处理一部分事情,例如统一接入、调用权限、预算、限流和费用记录。LiteLLM的官方文档就列出了这些能力。但装一个网关,并不等于业务里的模型选择已经替你做好了。LiteLLM官方文档

还是报销材料这个例子:格式清楚、字段固定的单据,和一张模糊照片,处理难度可能不同。你可以先按材料类型分配模型,也可以统一用一个模型跑出基准,再判断有没有分开处理的必要。

别一开始就把“智能路由”想得很复杂。任务分得清楚,一条明确的规则也能做选择。

成本也不能只看模型报价。

便宜的模型如果经常漏字段,需要反复重试,最后还得人工重新检查,这笔账未必划算。你要比较的是:得到一份合格结果,总共花了多少调用费用、等待时间和人工复核成本。

个人练习时,可以拿同一批材料,对比两个模型。先写清楚什么叫合格,再记录费用、耗时和错误。不要只留下“我觉得这个模型更聪明”。

这样练出来的成果,是一份有依据的选择:哪些任务适合哪个模型,什么情况需要换,换了以后怎么检查。

如果只有一个模型、少量调用,先把基本的费用记录和错误处理做好就够了。等多模型、多团队的需要真的出现,再判断要不要引入网关。

第二类:Agent能演示以后,怎么反复用?

接着看报销检查。

模型读完单据,还可能需要查询公司的规则,判断缺哪些材料,生成一份检查结果。这时候,我们很容易想到Agent:让它自己找资料、调用工具,再决定下一步。

但先别急着让它自由发挥。

如果步骤本来就确定,按顺序读取材料、查询规则、生成待复核清单,一个固定流程就能完成。只有任务确实需要根据中间结果决定后续动作,才值得考虑让模型来选择。Anthropic在工程文章里也区分了预先规定步骤的Workflow和模型动态决定过程的Agent。Building effective agents

我觉得学智能体工程,最容易忽略的恰恰是这些判断。

大家喜欢看模型连续调用工具,一口气完成很多操作。可放到实际使用里,财务更关心的是:它查的是哪一版规则?没找到依据时会不会乱写?某一步失败以后,还能不能知道前面做过什么?

工具权限也要明确。辅助检查材料,需要读单据、查规则,不代表它应该有修改账目或者批准报销的权限。

你会遇到Harness这个词,可以把它理解成模型执行任务时所处的运行框架:工具怎么调用,上下文怎么管理,执行什么时候停止,权限和环境怎么限制。它不是把几个Skill和记忆文件放在一起就结束了。

对刚开始练习的人,我建议把问题缩小。

只做“检查材料是否齐全”,结果交给人确认。先别加自动审批,更不用一开始就安排几个Agent互相讨论。

找一些正常材料,再放入缺字段、规则不明确、工具调用失败的例子,看看它分别怎么处理。该给出结果的时候能给出结果,缺依据的时候能说明缺什么,失败时能留下可查询的记录。

这比一段顺利完成的演示更能说明你做了什么。

第三类:AI能写代码以后,怎么进入团队的研发流程?

前面两类问题,最后还是需要程序来实现。

现在用AI编程,提出需求、生成代码,已经很容易。但假设报销工具要交给团队长期使用,就不能只停在“我这里运行成功了”。

代码得符合项目原有的规范。读取材料的接口要接对,权限要按要求执行。修改以后,相关测试得跑,其他人要能审查,也要知道出了问题怎么恢复。

所以我关注的第三类能力,是AI编程和研发流程的集成。

企业可以使用Claude Code、Codex或者开源编程工具。成熟工具也能连接外部系统,例如Claude Code支持通过MCP接入工具和数据源。能否集成,要看具体接口、权限和部署条件,不能一口断言现成工具都做不到。Claude Code MCP文档

但工具支持连接,不代表公司的研发流程已经自动完成。

项目里的约定在哪里?AI能读哪些资料?修改了接口以后,要跑哪些检查?谁来审查?哪些操作需要人确认?这些事情还是得结合项目做。

拿前面的练习来说,你可以让AI帮忙实现材料检查功能,然后把它放进一个完整的小仓库。

仓库里有使用说明、依赖配置、样本和测试。你能指出AI改了什么,也能解释为什么这么改。找一个没参与开发的人,按说明运行,看看他能不能拿到预期结果。

如果他运行不起来,或者不知道结果是什么意思,就继续改。不要把自己电脑上的一次成功当成交付完成。

这类练习能帮你发现自己的薄弱处:是接口设计、测试、部署,还是根本没把需求说清楚。AI写代码很快,也就更需要你知道该检查哪里。

先做哪个?拿一个任务开始

讲到这里,可能有人已经准备去搜三套课程了。

我的建议是先挑一个小任务,把它做完。

不一定是报销检查。你可以选自己熟悉的工作:从文档里找规则,整理一批表格,核对一份材料。范围小一点,输入和结果要具体,最好能找到愿意帮你看结果的人。

开发前,先写清楚四件事:谁会用,拿什么作为输入,最后需要什么结果,怎样判断结果正确。

然后做最简单的版本,用正常和异常样本检查,再交给别人试。

项目会很快告诉你该补什么。

如果模型费用高、结果不稳定,就去研究模型选择和调用治理。如果工具调用经常失败,或者运行到一半就不知道做过什么,就补执行状态和失败处理。如果AI改完代码,测试、评审和部署跟不上,就补研发流程。

这样学,每一个新知识都能回答手里的问题。学完也有东西留下:代码、检查记录、错误样本,还有别人试用后的反馈。

想找工作的人,还应该看自己目标岗位的实际要求。这三个方向能帮助你组织学习,不等于学完就一定有岗位。面试时,至少可以拿出一个项目,讲清楚你为什么这样设计,碰到过什么问题,用什么证据判断结果。

我自己做的工具,目前就只做自动上下架。范围先定清楚,再判断还缺什么能力。学习也可以用同样的办法,不用先把能想到的技术全部装进去。

我不要求自己跟上所有更新。

看到一个新工具,我会先判断:它能解决哪个已经遇到的问题?如果暂时没有对应的任务,就先了解,不急着深入。

对想往FDE走的程序员,我更建议从今天就能拿到材料、检查结果的小任务开始。把它完成,交给一个人试用。下一步该学什么,往往会比刷信息流时清楚得多。

我会在公众号「维天说」继续分享自己的AI开发实践,以及程序员转型FDE时遇到的具体问题。想按真实项目来学AI,可以关注。

准备开始第一个练习,可以在公众号对话框发送【资料】,免费领取《AI-FDE入门实践册》,里面有任务卡、验收记录和交接模板。先把任务写清楚,再动手做。

想交流AI学习、项目实践或FDE转型,发送【微信】获取联系方式,或添加 weitian_shuo,备注“公众号+你的行业或岗位+最想解决的一个问题”。

AI说做完了,FDE为什么还要自己看一遍

AI越会写代码,FDE越要做减法

FDE凭什么贵:卖的不是代码,是责任边界