AI 入门先跑通项目，交付企业必须补工程基础

之前我在 X 上发过一篇关于不要死磕 AI Agent 底层原理的内容。

现在回过头看，我觉得当时的观点需要补充一个非常重要的条件。

如果你只是刚开始学习 AI 应用，想做第一个 Agent、跑通第一个项目，那确实没必要一开始就研究 Transformer 的每个数学细节，更不需要先学会训练一个大模型。

直接调用 API，理解 Prompt、Tool Calling、Structured Output，再把一个真实任务跑通，我依然觉得是非常好的入门方式。

但如果你想靠这套东西找工作，甚至把 AI 应用真正交付给企业，情况就不一样了。

我自己最近一直在用 Codex ，也接触到了 RAG、视频工作流和企业 SaaS。模型写代码已经很强了，很多以前需要反复查文档的功能，现在确实可以很快生成。

可一旦项目开始变复杂，就会暴露一个问题。接口请求为什么失败？数据库里为什么出现重复记录？两个门店的数据为什么会相互影响？异步任务执行到一半中断了，如何恢复？RAG 明明找到了资料，为什么最后还是回答错误？

这些问题不是继续优化一句 Prompt 就能全部解决的。

你需要理解 HTTP 请求怎么工作，数据是怎么传递和存储的，权限在哪里校验，系统失败之后如何判断哪些操作已经执行。

否则就容易出现一种很尴尬的状态：AI 能帮你把项目做出来，但你没办法独立判断它到底做得对不对。

当然，我也不认为人人都需要从头手写所有代码。现在有这么强的 Coding Agent，完全不用它们反而浪费。

关键是要把使用工具和理解工程结合起来。

我的想法是先通过真实需求接触工程问题，再把反复遇到的基础知识补上。项目里遇到 API 错误，就真正弄懂请求、响应和异常处理；遇到 RAG 检索不准，就研究召回、排序和评估；涉及客户数据，就去学数据库和权限隔离。

别永远停留在让 AI 再帮我修一下这个阶段。

我现在还是一个正在补基础的人，所以对这个问题感受很强烈。AI 确实让很多人获得了以前很难获得的软件开发能力，但如果想继续往前走，最终还是得理解自己构建出来的系统。

入门可以先跑起来，交付必须弄明白，这也是我现在对 AI Builder 和 AI Engineer 最大的认识变化。