别从学 Python 开始——一个 36 岁非科班的 AI 转行路线图

去年我定了个规矩：每天下班学两小时 AI，周末做项目。不报班，不脱产，硬挤时间。

半年下来，跑通了投标助手——标书评估从 4 小时压到 15 秒；搭了一套多智能体编排引擎，已经开源；写了 50 多篇技术笔记，封装了 3 个 Skill 给团队复用。

有人问我有没有捷径。没有。但我确实总结出了一套对非科班特别管用的方法。今天把完整路径摊开。

一、我的学习地图：21 天，三周，三个项目

我没有从「学 Python」开始。

很多转行的人第一步就是报个 Python 班，学变量、循环、函数，两个月还在打印 Hello World。我的做法相反——第一天就写代码，目标是做出一个能跑的东西。

我画了一张 21 天的路线图，分三周：

第 1 周：RAG 基础——从零搭一个客服问答系统。核心是搞清楚「AI 怎么用自己的知识库回答问题」。亲手把文档切分、向量化、建索引、检索、生成这条完整链路跑通。

第 2 周：Agent 系统——让 AI 能思考、会行动。RAG 只能回答问题，Agent 能「做事情」。学怎么让 AI 自主调用工具、记住对话历史、按步骤完成复杂任务。

第 3 周：进阶实战——能上生产。把前两周的东西串起来，加上成本优化、安全护栏、评估监控，产出端到端智能助手。

核心逻辑只有一个：每天一个可运行的产出。不是「看懂了」，是「跑通了」。看懂和跑通之间，隔着一百个报错。

二、错题驱动：同一个知识点，前后判若两人

学习过程中，我做了一件事——把所有理解偏差、事后才纠正的知识点记下来。

举个真实的例子。学到 chunk_size（文档切分大小），第一天的回答是：

chunk_size 变大，块就变少；变小，块就变多。

听起来没毛病，但面试官追问「那到底设大还是设小？」就答不上来了。

四天后，重新回答同一道题：

chunk_size 是召回率和精确率之间的权衡。设大了语义完整但噪声多，设小了内容聚焦但可能把关键信息切成两半。我们选了 512，因为实验下来召回率 88%，精确率没有明显下降。

同一个知识点，四天后判若两人。中间发生了三件事：

第一，动手做了 A/B 实验，用不同 chunk_size 跑同一批数据，看数字说话。

第二，有人批改，指出我的老毛病——只描述现象，没解释「不这样做会导致什么后果」。

第三，回去做巩固题，逼自己把「是什么」升级成「为什么」。

这套错题机制是进步最快的引擎。很多人只收藏教程，不记录错误。但教程是别人的路，错题才是你自己的路。

三、学了就用：48 小时落地法则

我有一个硬规矩：学到的每个概念，48 小时内必须找到落地的项目场景。找不到，说明暂时没用，先放着。

学了文档切分策略，当天就拿公司产品手册试——几百份 PDF，怎么切检索最准？

学了 MCP 协议（让 AI 工具标准化的接口），立刻把投标助手的参数对比功能封装成标准接口，让其他系统也能调用。

学了 Skill 设计（把 AI 能力打包成可复用模块），给团队封装了标书评估 Skill，新人拿来就能用。

「边做边学」比「学完再做」效率高得多。做项目时遇到的问题，才是你真正需要学的。教程里 80% 的内容，实际用不上。

四、三件反直觉的事

回头看这半年，有三个认知我一开始完全想反了。

第一，先粗糙后精致。 很多人卡在「我还没准备好」。我的经验是第一天就跑代码，先让它跑起来再调。精致是调出来的，不是想出来的。

第二，错题比教程值钱。 每隔几周翻一遍旧错题，同一个知识点三个月后的理解完全不同。那些错误的理解，标记了你真正跨越过的认知鸿沟。

第三，从「解决一个实际问题」开始，不是从「学 Python」开始。 我的起点不是教程，而是一个具体痛点：标书评估 4 小时看一份，能不能让 AI 先帮我看一遍？带着问题去学，每个知识点都有落脚点。没有问题的学习，就像没有目标的旅行。

五、下一步

这半年只是开始。我现在在三条线上推进：

投标助手持续迭代，下一步做多模型交叉验证——让不同 AI 模型互相检查输出，降低出错率。

多智能体编排系统已经开源，核心思路是：不做万能的单体 AI，让多个专业 AI 分工协作，就像团队各司其职。

同时内部做培训，帮同事一起从传统云售前转向 AI 产品方向。

AI 不会替代售前。但会用 AI 的售前，会替代不会用的。

会用 AI 的第一步，是承认自己会犯错，然后从错误中学得比谁都快。

如果你也在从传统行业转 AI，或者已经在学了但不知道怎么用到实际工作中——加我微信聊聊。我把从 0 到 1 的完整学习路线和踩坑记录分享给你。

微信号：whisky_jack

不卖课，不割韭菜。我自己也是刚走通这条路，相信可以帮到你。