夜雨聆风最近在跟几个业内做 AI 教育的大佬交流了下心得，他们认为：
在学员有有明确诉求的情况下，学习的效果会好很多，其中尤以要找工作为佳
对此我深以为然，而为什么会造成这种情况，大家可以看看这张图：
其总结起来就一句话：危机即压力，压力即动力，对应着我的学员里面大概有 1/5 的同学是有找 AI 相关岗位工作需求的，这批同学也确实是学得尤其努力的，并且都取得了不错的成绩。
所以，我认为我们做的训练营其实更多的是提供了一个正确的方向（包括学习地图和要点、节奏）、学习浓烈的氛围，以及在学员碰到问题时候能有个靠谱的回答，不要让他们一直卡在那里。
这里大家可能就会很疑惑了：
AI 行业如此不值钱、没有门槛？靠努力就能达成？
真实情况恰恰相反：AI 行业进入门槛很高，但 Demo 门槛却很低，这很有些割裂，翻译翻译就是：
现阶段 AI 行业的信息差极大、鱼目混珠，企业其实也不太懂，所以在招聘侧会有很大的走展空间，也就是说现阶段进入 AI 行业这件事有红利
但要特别说明的是：并不是说“包装欺骗”的空间变大了，而是大家都不懂，多数人对 AI 的认知其实差距不大，所以稍微努力一点就会拉开距离；
其次，真正做过生产级 AI 项目和没有做过生产级 AI 项目的人，认知差距极大，但真正做过的人且拿到成绩的人就很少，于是真正的行业格局是：少数几个大佬、一群因为努力杀出来的伪专家、最后就是超级一大群 AI 认知小白了：
所以，对于普通人来说，想吃红利初期需要去扮演的角色肯定不是什么大佬+实践高手，而是我是一个可以给大佬帮到忙的、努力的人，进一步说：
你只需要比 80% AI 求职者厉害一点就行了，而在这两年，其空间巨大
那么这个空间有多么的夸张呢？这里就要回归真实的学员案例了：
上述只是我学员这边的少数案例，如果从更多的 AI 岗位出发的话，大家就会感受到红火了：
可以看到，AI 这块是在整体行业不太景气情况下的一条逆流而上的赛道，是非常值得投入的，于是问题也就来了：那么应该如何进入 AI 赛道呢？该学什么、为什么、如何学？
要理解这个问题，需要从企业视角出发：
企业用 AI 在做什么？
当前行业里流传着一句话：AI时代，只要你学的慢，那就什么都不用学了！
为什么会如此，因为 AI 世界的三年，变化太快，大有人间一年，AI 十年之感：
今天发布了一个Manus，明天就要来一个Lovart； Cursor还没被捂热，Claude Code 就变成了AI编程事实上的王者了； 前脚还在聊提示词怎么写，后脚大佬就说RAG已经过时，并丢出了上下文工程； 而正当我们感叹Coze居然开源了，Google Nano Banana又刷爆了朋友圈； 然后飞书发布会才浓墨重彩的介绍了多维表格，钉钉马上就跟进，强势推出AI表格 医疗 AI 明星 OpenEvidence 120亿 美金估值、法律 AI Harvey 据说快 110 亿估值了 OpenClaw 爆火，掀起百虾大战 ......
于是乎，想要进入这个行业的同学就很慌了：这么多的模型、这么多的应用、这么多东西，怎么去学习，怎么学得动，怎么跟得上？
比如我去稍微收集下当前在做 AI 的公司，这张图就已经很复杂了：
这里我们就要往回拉一拉了，如何跟上 AI 时代，我们是有方法论的，大家不要看前面那么多模型、那么多产品，其实站在使用角度，也就三类：
工具增强型
首先是工具增强型 AI，他的出现就是为了提升工作效率，典型的代表就是 AI Coding。
但是这类 Agent 也有重要的缺陷，因为这个品类的 AI 以协同为主，他出现的逻辑是放大个人的能力，你越是能力强，那么越是会得心应手，那么这种问题也就来了：门槛高。
工具增强型 AI 会要求使用者对AI输出的内容具有判断力，必须知道好坏以及如何优化，不然很容易抓瞎。
业务流程型
其次是业务流程型 AI，他们出现的目标就不是增强个人了，他们出现的目标是替换个人/流程，也就是大家最长听见的蒸馏员工，比如最近火爆的：同事.skill、张雪峰.skill...
这个品类的典型代表是 AI 客服、AI 医生、AI 律师，这种类型的 AI 要求的是足够的准确性，不能出问题，也就是说用户可以是个小白，完全信任 AI 的内容，不需要使用者有判断力。
因为这类产品对准确性要求很高，所以在实现上，这类项目实现成本极高、做出来后需要的各种保障、兜底机制也特别严苛，这里举个例子：
我曾经做的一个这类项目，2 年帮公司节约了 1 千万，但他们有天出了个事故，直接蒸发了 200 万，这东西很夸张的......
最后就是内容生产型 Agent了，这种反而就去用就好，门槛很低的：
综上，虽然上面 AI 全景图很复杂，但其归根到底也就是要去做这三个类型的项目：或者工具增强、或者业务/流程替代、或者 AIGC，这里又会被分散为不同的深度，而不同的深度就可以分拆出不同的项目类型了。
而最终，不同的项目类型又会对应不同的技术路径，这些技术路径最终会决定员工的任务，要做的任务出来后，那么我们需要需要掌握的技能也就清晰了：
普通人的机会
现在回到最现实的问题：普通人如何进入 AI 行业？我的回答非常明确：
算法岗位门槛较高、岗位较少，普通人就不要去看热闹了
AI 的机会，更多在业务落地和 AI 应用工程
为什么这么说呢？
因为一般公司根本不会涉及底层模型训练，那你真的想进入 AI 行业，那么需要关注的是：
AI 应用到底有哪些类型； 不同类型 AI 项目，各自的难点是什么； Agent、Workflow、知识库、AI Coding 分别在解决什么问题； 企业真正会为哪些 AI 能力买单； 你进入团队后，最可能接触到的工作到底是什么； ...
这个事情非常重要，因为很多人一上来就学偏了，在一些不重要的地方瞎折腾，在企业里真正关注的是：一个真实 AI 项目，到底是怎么从 0 到 1 跑起来的，他有什么难点卡点，谁能做，要多少钱，能不能快点...
这是为什么，很多人难以入行的关键：
碎片化学习，是很多人进不去 AI 行业的真正原因
很多人学 AI 往往是碎片化的，比如：会写几句提示词、会做个简单知识库、看过几个 Agent 视频......
然后就觉得自己已经在 AI 圈边缘了，甚至他们连为什么数据在 AI 应用场景这么重要，什么是数据工程都不了解...
更进一步，他们当然也不知道为什么会出现 Agent，他适合什么场景，或者说有几个类型的 Agent 了
只不过，这也不能怪他们，很多人不是不努力，而是没有站在生产级项目的视角去学，毕竟他们也没这个机会去看...
所以，如果大家要学习，一定要尽量往生产视角靠，去找做过生产级项目的人多取取经：
生产级项目视角
在去年 5 月的时候，身边有两个朋友想转型 AI，于是我带着他们学了一段时间，最后他们找到了不错的工作，我也逐渐形成了 AI 训练营的雏形。
原本只是想把自己的项目经验系统化输出，但做着做着，我反而越来越确定一件事：
很多想转型 AI 的人，最缺的不是学习热情，而是看见生产级 AI 项目全貌的机会
这就要回归前面我们所说的努力了，努力当然很重要，但你总得确保努力的方向是对的吧？
而为什么要跟着具备生产项目的人学习？
因为真实公司里的 AI 项目，并不是你网上刷几个 demo、看几个教程就能看明白的：
一个稍微大一点的 AI 项目，里面至少会同时涉及这些东西：
但很多转型者在公司里，最开始能接触到的往往只是边角料，比如：协助整理数据、做点竞品调研、做一点实施或支持......
至于更核心的：项目为什么这么设计、架构为什么长这样、历史上踩过什么坑？这些东西，绝不会有人愿意完整的告诉你，所以很多人就会陷入一种非常尴尬的状态：
学了一堆工具，但看不见项目全貌，难以通过面试进入公司体系； 好不容易，进了 AI 团队，总是在打杂，摸不到真正有价值的部分
而我想做的，恰恰是帮大家补足这一层：从 AI 应用视角出发，工作中实际用什么，什么重要，我们就学什么。
AI 知识框架
我们会一起梳理近 3 年 AI 的发展脉络，并结合我这几年在 AI 浪潮中的各种真实见闻，帮大家先把大盘看清楚。这部分会讲：
如何建立 AI 的宏观框架视角； 2025/2026 年企业级 AI 落地热点到底是什么； 典型 AI 项目应该如何分类； 不同类型项目的实现路径、难点、卡点、成本结构到底是什么；
课程内容会根据企业需要，系统性展开，协助大家建立一套自己的 AI 知识体系，避免大家今天学一个工具，明天追一个热点，最后看起来很努力，其实脑子里没有结构。
而一旦你建立了 AI 项目知识框架，再看新东西就会完全不一样了，你会发现新东西也跳不出你的“老”框架，这才是进入 AI 行业的第一步。
具体来说，会分为以下几个大模块：
Agent 与 Workflow
我们会系统讲 Agent 平台和 Workflow 这部分，让大家知道企业现在在怎么干活，包括：
横向对比 Coze、Dify、FastGPT、n8n 等平台，知道各自适合什么场景； 通过实操去理解什么是工作流项目，它的难点到底在哪里； 进一步延伸到为什么现在越来越多企业开始用 AI Coding + Agent 来承载 Workflow； Manus、OpenClaw 这类产品的思路，到底应该怎么看。
这部分讲完后，至少你再去看那些 Agent 热点，不会只剩下卧槽牛逼，你会知道它大概在解决哪类问题的。
AI Coding
AI Coding 这一块我们现在也讲得越来越重了，不管你喜不喜欢，AI Coding 已经不是加分项，而是必选项了。我们会同时讲两套：
面向非程序员的小白版； 面向程序员、偏生产级项目的案例版。
也就是说，不管你是产品、运营、项目型同学，还是开发岗转型，都会告诉你该怎么把 AI Coding 真正用起来。
PS：近来，我们一个律师小姐姐不仅学会了 AI Coding，还去给公司给其他律师培训了，可真厉害...
四、知识库、RAG、复杂系统与数据飞轮
很多企业最后绕不开的，还是知识库和数据工程。所以后面我们会继续往深一点走，包括：
从简单 RAG 到更复杂的知识库系统； GraphRAG、知识图谱这些东西到底怎么看； 可观测性设计； 数据工程实战； 准确率瓶颈怎么处理； 飞轮系统怎么搭； 安全合规与成本控制怎么做。
说白了，就是尽量把大家从会玩一点工具，拉到对生产级 AI 项目有基本认知的水平。
比如一个 AI 客服项目，绝对不是搭个知识库就结束了，它至少要考虑：
上述才是生产级 AI 项目真正的细节...
结语
最后总结一下，现阶段在学习 AI 的人群可分为三类：
一、AI 转型者
以程序员、产品经理为主，其次是其他互联网相关从业者，目标很简单：想找一份 AI 相关的工作，那么本文的学习体系是适合你的。
因为你最缺的，往往不是一点点工具操作，而是：完整的 AI 项目视角 以及 一套切实可行的学习路径图。
二、AI 项目负责人
你可能已经是 AI 深度参与者，甚至已经是高手了，比如即将或正在某个 AI 项目中扮演核心角色，那么本文的学习路径也是适合的，他会让你避免被 AI 坑进去。
三、AI 创业者
最后就是 AI 创业者了，那么这套路径非学不可，因为你必须知道不同类型 AI 项目的成本结构、难点和落地路径，否则的话 AI 项目试错成本会高很多。
毕竟，很多坑我自己已经踩过了，能帮你少踩一点也是好事。
在我过往咨询的企业里面，几乎所有的老板都会经历 AI 的四个认知：
AI 什么都能做； AI 什么都不能做； 这个 AI 可以做； 为什么这个不能 AI 做；
好了，今天的分享就到这了，希望对大家有用，我们训练营 10 期将于 6 月底开班，也欢迎大家咨询！
