AI 工程开发概览

AI 工程开发是指 AI 工程师必备的软件工程（Software Engineering）与基础设施（Infrastructure）技能。一个常见的误区是认为「会训练模型 = 能做 AI 产品」——实际上，模型只是产品的一环：它需要跑在 Linux 服务器上、打包进容器、通过 API 对外提供服务、连接数据库、被团队协作开发、上线后持续监控迭代。这些工程能力，往往才是区分「调通模型」与「交付产品」的关键。

本分类面向初学者，从最基础的工具讲起，逐步过渡到容器化与 AI 后端开发，目标是补齐模型之外的工程拼图。

内容分组

工程基础

这一组是所有后续内容的地基，无论做什么方向的 AI 工作都需要：

AI 工程入门：AI 工程师的知识版图——要学什么、按什么顺序学、各技能之间如何衔接；
Linux 基础：服务器世界的通用语言，文件系统、权限、进程、常用命令；
Shell 脚本：把重复操作自动化，批处理数据、串联任务流水线的基础；
Git 工作流：版本控制（Version Control）与团队协作规范，分支管理、提交规范、代码评审流程。

容器化与环境管理

解决「在我机器上能跑」的经典难题：

Docker：容器（Container）技术的核心概念与实操，镜像、容器、Dockerfile 编写；
Docker Compose：用一份 YAML 编排多个服务，一键启动「模型 + 数据库 + 网关」组合；
环境管理：Python 虚拟环境、依赖锁定、CUDA/cuDNN 版本匹配等 AI 环境的疑难杂症。

进阶方向

具备基础后，向 AI 产品的完整后端栈延伸：

Python 工程进阶：从「能跑的脚本」到「可维护的工程」——项目结构、类型注解、测试、日志；
AI 后端开发：FastAPI 等框架搭建推理服务，异步处理、流式响应、接口设计；
数据库与中间件：MySQL、Redis、消息队列等常见存储与中间件在 AI 系统中的用法；
MLOps：机器学习运维（MLOps）——实验跟踪、模型注册、自动化训练与部署流水线。

学习顺序建议

如果从零开始，推荐按下面的顺序推进：

第一阶段（地基）：Linux 基础 → Shell 脚本 → Git 工作流。这三样是每天都会用的工具，越早熟练越好。
第二阶段（环境）：环境管理 → Docker → Docker Compose。学会之后，环境问题将不再是你调试 AI 项目的主要时间黑洞。
第三阶段（进阶）：Python 工程进阶 → AI 后端开发 → 数据库与中间件 → MLOps。这一阶段的目标是能把一个模型包装成可上线、可维护的服务。

已经有部分基础的话，可以直接按需跳读——每篇文章都相对独立，缺什么补什么。学完本分类后，可以继续阅读模型部署，了解模型上线的完整链路。