90天AI接单学习路线：从LLM应用到AI Agent

最近几年，AI 开发的门槛正在快速下降。

以前想进入 AI 行业，很多人的第一反应是：

机器学习
深度学习
CNN
RNN
Transformer
PyTorch
数学推导
模型训练

这些内容当然重要。

但如果你的目标不是去大厂做算法研究，而是：

利用已有的编程基础，快速掌握 AI 应用开发，并尝试通过自由职业、外包、远程项目接单赚钱。

那么学习路线其实可以完全不同。

相比从零开始啃深度学习理论，我更推荐先走一条：

AI 应用工程师路线

也就是：

text 复制代码

Python
↓
LLM API
↓
RAG
↓
AI Agent
↓
文档智能
↓
自动化
↓
FastAPI
↓
Docker
↓
实际接单

这篇文章设计了一套 90 天 AI 接单学习路线。

适合已经具备一定编程经验的人，比如你已经会：

text 复制代码

Python / Java / Go / C++ / JavaScript
Git
Linux
HTTP
数据库
Docker

不需要每项都很熟，但至少已经具备基本开发能力。

整个学习计划按照：

每天 2 小时

设计。

90 天总学习时间大约：

text 复制代码

180 小时

目标不是"学完人工智能"。

而是 90 天后拥有：

text 复制代码

5 个 AI 项目
3 个可以部署的 Demo
一个 GitHub AI 作品集
一套可以用于接单的技术栈

一、先明确目标：我们学的不是"AI 理论"

很多程序员转 AI 时容易走进一个误区。

打开课程以后，从：

text 复制代码

线性代数
概率论
梯度下降
神经网络
CNN
RNN
Transformer

一路往下学。

半年之后发现：

理论懂了一些，但还是不知道怎么完成一个真正的 AI 项目。

如果目标是接项目，那么应该反过来。

先学习：

怎么利用成熟模型解决真实业务问题。

企业客户真正愿意付钱的，通常不是：

帮我实现一个 Transformer。

而是：

把我的 3000 份 PDF 做成一个 AI 知识库。

或者：

每天自动读取几百张发票，把金额、公司名称和日期写进 Excel。

或者：

把 Gmail、Excel、CRM 和 AI 连接起来，实现自动跟进客户。

这些需求本质上都属于：

text 复制代码

AI Application Engineering

也就是 AI 应用工程。

二、90 天学习路线总览

整个路线分成 7 个阶段。

阶段	时间	学习重点	项目
Phase 1	Day 1-15	LLM API	AI Text Toolkit
Phase 2	Day 16-30	RAG	AI Knowledge Base
Phase 3	Day 31-45	AI Agent	Research Agent
Phase 4	Day 46-60	Document AI	AI Document Extractor
Phase 5	Day 61-72	AI Automation	Content Automation
Phase 6	Day 73-82	Deployment	Online Demo
Phase 7	Day 83-90	Freelancing	Portfolio + 接单

整个学习过程坚持一个原则：

30% 学习，70% 写代码。

每天两小时可以这样安排：

text 复制代码

30 分钟：学习知识点
60 分钟：项目开发
15 分钟：测试 / Debug
15 分钟：Git commit + README

千万不要变成：

text 复制代码

每天看 2 小时视频

因为真正让你具备接单能力的不是"看过"，而是：

text 复制代码

做过
踩过坑
部署过
解决过问题

三、第一阶段：Day 1-15，掌握 LLM API

第一阶段不要急着学 Agent。

也不要先研究 LangChain。

先把最底层的能力掌握：

如何在代码里调用大模型。

需要掌握：

text 复制代码

OpenAI API
Claude API
Gemini API
Prompt
System Prompt
Token
Streaming
Structured Output
Tool Calling
异常处理
API Cost

如果你会 Python，这一阶段非常快。

最简单的程序结构：

text 复制代码

User
↓
Python
↓
LLM API
↓
Answer

例如：

python 复制代码

def ask_llm(prompt):
    ...

然后逐渐扩展：

python 复制代码

summarize(text)

translate(text)

classify(text)

extract(text)

这里非常重要的一个知识点是：

Structured Output

比如有这样一段文字：

text 复制代码

张三于 2026 年 10 月 1 日购买了一台 MacBook Pro，
价格为 12999 元。

普通 ChatGPT 会输出自然语言。

但实际项目更希望得到：

json 复制代码

{
  "customer": "张三",
  "product": "MacBook Pro",
  "price": 12999,
  "date": "2026-10-01"
}

因为后面可以继续：

text 复制代码

JSON
↓
Database
↓
Excel
↓
ERP
↓
CRM

很多 AI 商业项目，本质就是：

text 复制代码

非结构化数据
↓
LLM
↓
结构化数据

这是第一阶段最重要的能力之一。

四、第一个项目：AI Text Toolkit

Day 10 左右，就不要再继续刷教程了。

直接做第一个项目：

text 复制代码

AI Text Toolkit

功能可以包括：

text 复制代码

文章摘要
文本分类
关键词提取
翻译
邮件润色
JSON 信息提取

技术栈：

text 复制代码

Python
FastAPI
Streamlit
LLM API

项目结构可以设计成：

text 复制代码

ai-text-toolkit
├── app.py
├── api.py
├── llm.py
├── prompts
├── requirements.txt
└── README.md

这个项目本身可能不值多少钱。

但它非常重要，因为后面几乎所有项目都建立在这些基础能力之上。

五、第二阶段：Day 16-30，重点学习 RAG

如果让我推荐一个最值得程序员学习的 AI 接单方向，我会把 RAG 放在非常靠前的位置。

RAG 全称：

text 复制代码

Retrieval Augmented Generation

简单理解：

让 AI 根据你自己的资料回答问题。

例如企业有：

text 复制代码

产品文档
操作手册
合同
公司制度
培训资料
PDF
Word

然后员工可以直接问：

text 复制代码

公司的报销标准是多少？

AI 从公司文档里找到答案。

整个流程：

text 复制代码

PDF
↓
Text
↓
Chunk
↓
Embedding
↓
Vector Database
↓
Search
↓
LLM
↓
Answer

六、Embedding 不需要先研究数学

很多人看到 Embedding 就开始研究向量空间。

其实初期没必要。

你只需要理解：

text 复制代码

Text
↓
Embedding Model
↓
Vector

相似文本通常拥有相近的向量。

于是：

text 复制代码

用户问题
↓
Embedding
↓
Vector Search
↓
找到最相关文档

就可以完成语义搜索。

七、Vector Database 怎么选？

初学阶段推荐：

text 复制代码

Qdrant

或者：

text 复制代码

PostgreSQL + pgvector

如果只是学习和做 Demo，我更建议：

text 复制代码

Qdrant

原因很简单：

text 复制代码

部署简单
API 清晰
Docker 方便
开发速度快

这一阶段需要掌握：

text 复制代码

Embedding
Chunking
Metadata
Similarity Search
Top K
Reranking
Citation

其中：

Chunking 非常重要

比如一个 300 页 PDF。

不可能一次全部发给大模型。

需要切成：

text 复制代码

Chunk 1
Chunk 2
Chunk 3
...

可以测试：

text 复制代码

500 tokens

1000 tokens

1500 tokens

然后比较检索效果。

八、第二个项目：企业 AI 知识库

Day 30 左右完成：

text 复制代码

AI Knowledge Base

主要功能：

text 复制代码

上传 PDF
上传 Word
自动切分
生成 Embedding
写入 Vector DB
聊天问答
显示引用来源

最好再增加：

text 复制代码

删除文档
重新索引
聊天记录
多文件查询

这时你的项目已经开始具有一定商业价值。

因为客户需求可以直接描述为：

Build a private AI knowledge base for company documents.

相比：

I can use ChatGPT API.

前者明显更容易卖。

九、第三阶段：Day 31-45，学习 AI Agent

接下来进入目前非常热门的方向：

text 复制代码

AI Agent

但这里建议：

不要一上来就学复杂 Agent Framework。

先搞懂：

text 复制代码

Tool Calling

例如提供几个工具：

python 复制代码

search_web()

query_database()

send_email()

generate_report()

AI 根据用户请求判断：

text 复制代码

是否需要调用工具
调用哪个工具
需要什么参数

整个过程：

text 复制代码

User
↓
LLM
↓
Choose Tool
↓
Tool
↓
Result
↓
LLM
↓
Answer

这才是 Agent 的核心。

十、LangGraph 放到后面学

理解 Tool Calling 后，再开始学习：

text 复制代码

LangGraph

重点理解：

text 复制代码

State

Node

Edge

而不是背 API。

例如：

text 复制代码

用户提出问题
↓
Search Node
↓
Analysis Node
↓
Report Node

这些 Node 组成一个 Agent Workflow。

十一、第三个项目：AI Research Agent

第三个项目建议做：

text 复制代码

Business Research Agent

输入：

text 复制代码

Tesla

Agent 自动：

text 复制代码

搜索资料
↓
阅读网页
↓
分析
↓
总结
↓
生成报告

最终输出：

text 复制代码

Company Overview
Competitors
Products
SWOT
Market Trends
Risks
Recommendations

甚至直接输出：

text 复制代码

Markdown
PDF
DOCX

这个项目很适合放 GitHub。

因为它能展示：

text 复制代码

LLM
Tool Calling
Agent
Web
Automation
Report Generation

十二、第四阶段：Day 46-60，学习 Document AI

我个人非常看好这个方向。

因为大量企业业务，本质还是：

text 复制代码

PDF
Excel
Word
Email
Invoice
Contract

这些传统文档。

AI 可以把人工操作变成自动化。

例如：

text 复制代码

Invoice
↓
AI
↓
Company
Amount
Invoice Number
Date
↓
Excel

十三、学习 PDF 和 Vision LLM

这一阶段学习：

text 复制代码

PyMuPDF
pdfplumber

掌握：

text 复制代码

读取 PDF
提取文本
读取页码
提取表格

然后学习 Vision LLM。

比如输入：

text 复制代码

invoice.png

输出：

json 复制代码

{
  "invoice_number": "INV-2026-001",
  "company": "ABC Ltd",
  "amount": 1250.5,
  "date": "2026-10-01"
}

这时再配合：

text 复制代码

Pydantic

做数据验证。

例如：

python 复制代码

class Invoice(BaseModel):
    invoice_number: str
    amount: float
    date: date

这样 AI 输出如果格式错误，就可以捕获并处理。

十四、第四个项目：AI Document Extractor

这个项目非常适合接单。

支持：

text 复制代码

Invoice
Receipt
Contract
Resume
Purchase Order

然后输出：

text 复制代码

JSON
CSV
Excel
Database

典型客户需求：

text 复制代码

发票批量识别
合同信息提取
采购订单处理
简历解析
物流单据识别

相比普通 Chatbot，这类需求通常更接近企业真实业务。

十五、第五阶段：Day 61-72，学习 AI Automation

当你掌握：

text 复制代码

LLM
RAG
Agent
Document AI

之后，再补一个非常重要的技能：

text 复制代码

AI Automation

推荐学习：

text 复制代码

n8n

另外了解：

text 复制代码

Webhook
REST API
Scheduler
Database
Email

因为很多客户的真实需求不是：

帮我开发一个新的 AI。

而是：

把我现有的软件连接起来。

比如：

text 复制代码

Gmail
↓
AI
↓
Google Sheet
↓
CRM
↓
Slack

这种项目非常适合自由职业。

十六、第五个项目：AI Content Automation

可以做一个完整内容生成流水线：

text 复制代码

RSS
↓
抓取文章
↓
LLM 总结
↓
生成社交媒体内容
↓
生成标题
↓
保存数据库
↓
发送邮件

或者：

text 复制代码

Blog
↓
Twitter
↓
LinkedIn
↓
Newsletter

这个项目可以展示：

text 复制代码

LLM + API + n8n + Automation

十七、第六阶段：Day 73-82，学会部署

这一部分非常重要。

很多程序员做 Demo 时：

bash 复制代码

python app.py

在自己电脑上运行成功。

然后项目就结束了。

但真实客户想要的是：

text 复制代码

https://demo.example.com

因此必须掌握部署。

建议学习：

text 复制代码

Docker
Docker Compose
Nginx
HTTPS
.env
API Key
Logging
Health Check

推荐的简单架构：

text 复制代码

Internet
↓
Nginx
↓
FastAPI
↓
PostgreSQL
↓
Qdrant

至少把前面的三个核心项目部署出来：

text 复制代码

AI Knowledge Base

AI Document Extractor

AI Research Agent

这样以后投标可以直接给 Demo。

效果比只给 GitHub 好很多。

十八、第七阶段：Day 83-90，停止学习，开始接单

这是很多程序员最容易犯的另一个错误：

text 复制代码

继续学
继续学
继续学

学到最后一年过去了，还是没有接第一个项目。

所以最后 8 天：

不再学习新的框架。

开始整理作品。

十九、GitHub 作品集应该有什么？

至少放 5 个项目：

text 复制代码

AI Knowledge Base

AI Document Extractor

AI Research Agent

AI Automation Workflow

AI Text Toolkit

每个项目 README 至少包括：

text 复制代码

Project Screenshot

Demo

Features

Architecture

Tech Stack

Installation

Usage

不要只上传：

text 复制代码

src/
requirements.txt

然后 README 写：

text 复制代码

AI demo project.

这种项目几乎没有展示价值。

二十、给自己一个明确定位

不要写：

text 复制代码

AI Developer

太宽泛。

可以写：

text 复制代码

AI Automation & LLM Application Developer

或者：

text 复制代码

LLM / RAG / AI Agent Developer

技能标签：

text 复制代码

Python

FastAPI

OpenAI API

RAG

AI Agent

Document AI

n8n

Docker

这样客户一眼就知道：

你到底能解决什么问题。

二十一、接单初期如何报价？

刚开始不要追求特别高报价。

第一目标是：

拿到 3 个真实客户项目。

可以简单分成三档。

小项目：

text 复制代码

LLM API Integration

报价：

text 复制代码

$50 - $150

中等项目：

text 复制代码

RAG Knowledge Base
Document AI

报价：

text 复制代码

$300 - $800

完整自动化项目：

text 复制代码

AI Automation System
AI Agent Workflow

报价可以：

text 复制代码

$1000+

具体价格当然取决于复杂度。

初期项目最大的价值其实不是收入。

而是：

text 复制代码

真实需求
真实评价
真实项目经验
客户反馈

有了前三个客户以后，报价通常会容易很多。

二十二、可以搜索哪些项目关键词？

以后在自由职业平台可以搜索：

text 复制代码

OpenAI API

ChatGPT Integration

AI Automation

RAG

AI Chatbot

AI Agent

PDF AI

Document AI

n8n Automation

Python AI

LLM Developer

比单纯搜索：

text 复制代码

Machine Learning

更适合刚进入 AI 接单市场的人。

二十三、90 天后应该达到什么水平？

理想情况下：

Day 1：

text 复制代码

会调用 LLM API

Day 30：

text 复制代码

可以独立开发 RAG

Day 45：

text 复制代码

可以开发 AI Agent

Day 60：

text 复制代码

可以做 Document AI

Day 72：

text 复制代码

可以做 AI Automation

Day 82：

text 复制代码

可以把项目部署上线

Day 90：

text 复制代码

拥有完整作品集
开始真实投标

最终形成这样的技能树：

text 复制代码

              AI Application Engineer
                       │
        ┌──────────────┼──────────────┐
        │              │              │
       RAG           Agent       Document AI
        │              │              │
     Qdrant        Tool Calling    Vision LLM
     pgvector      LangGraph       PDF/OCR
        │              │              │
        └──────────────┼──────────────┘
                       │
                    Python
                       │
                    FastAPI
                       │
                     Docker
                       │
                      Linux

二十四、哪些内容暂时可以不学？

前 90 天我反而不建议花大量时间学习：

text 复制代码

CNN

RNN

GAN

Transformer 数学推导

CUDA

大模型训练

复杂 Fine-tuning

不是这些技术没用。

而是如果目标是：

尽快拥有 AI 项目开发和接单能力。

这些内容短期 ROI 没那么高。

更好的方式是：

text 复制代码

80% AI 应用开发

20% AI 基础理论

等真正开始接项目以后，再深入：

text 复制代码

PyTorch

Transformers

LoRA

Fine-tuning

vLLM

Local LLM

MLOps

这样学习目标会清晰很多。

总结

如果你本身已经有几年开发经验，那么转向 AI 开发其实不应该从零开始。

你过去积累的：

text 复制代码

编程
API
数据库
Linux
Docker
后端开发
Debug

这些能力全部还能继续使用。

你真正需要补的，是 AI 时代新增的几块能力：

text 复制代码

LLM API
RAG
AI Agent
Document AI
AI Automation

最终不要把目标定成：

学会 AI。

而应该定成：

能用 AI 解决真实业务问题。

90 天时间不可能让一个人成为顶级 AI 算法工程师。

但对于已经有编程基础的人来说，90 天完全有机会做到：

text 复制代码

能开发
能部署
能演示
能写作品集
能开始接 AI 项目

这才是这套路线真正想解决的问题。

如果让我只选三个最值得优先做的项目，我会选择：

text 复制代码

1. 企业 RAG 知识库
2. AI 文档信息提取系统
3. AI Agent 自动化系统

因为相比单纯告诉客户：

text 复制代码

我懂 Prompt Engineering。

更有说服力的方式永远是：

text 复制代码

这是我做的系统。

你可以直接体验 Demo。

这也是程序员进入 AI 领域最快、最实际的一条路径。