学习路线：从零到第一个项目
本章你会学到：如何按自己的背景选择学习顺序，每周读什么、做什么、交付什么，以及什么时候该停下来补基础。
先做一个选择
同样是「零基础」，起点差别很大。先花 10 分钟做能力自评，然后对号入座：
| 你的背景 | 建议主路线 | 重点补什么 | 可以跳过什么 |
|---|---|---|---|
| 没写过代码，但懂业务 | 路线 A：业务转 FDE | 第 4 章技术底座、Lab A 的实现部分 | 微调、模型原理细节 |
| 会写代码，没做过客户项目 | 路线 B：开发转 FDE | 第 5、6、9 章，访谈与价值证明 | 编程基础、Git |
| 咨询/实施/售前 | 路线 C：顾问转 FDE | 第 4 章、Lab A、第 8 章 | 咨询方法论、PPT |
| 产品经理/业务负责人 | 路线 D：管理者理解 FDE | 第 2、5、6、10 章，案例库 | 代码实现细节 |
| 已经在做 AI 项目 | 路线 E：补系统方法 | 第 6、8 章，模板与评测 | 概念科普 |
下面以 12 周为默认节奏。每周 6-8 小时，建议拆成：
2 小时 读章节 / 看资料
3 小时 动手做（Lab、练习、访谈）
1 小时 写复盘 / 更新作品集
1 小时 缓冲（补没看懂的地方）如果你每周只能投入 3 小时，把 12 周拉长到 24 周，不要压缩练习。
12 周总览
| 周 | 主题 | 读 | 做 | 周末交付 |
|---|---|---|---|---|
| 1 | 建立概念 | 第 1 章 + 导读 | 用自己的话写 300 字「什么是 FDE」 | 一页概念笔记 |
| 2 | 理解现场 | 第 3 章 + 案例库总览 | 找 3 个身边的 AI 落地场景，判断真假需求 | 场景判断表 |
| 3 | 技术底座 I | 第 4 章前半 | 命令行、HTTP/API、Git 各做一次 | 一个调通的 API 请求 |
| 4 | 技术底座 II | 第 4 章后半 | SQL、日志、RAG 概念自测 | 技术自测清单 |
| 5 | 业务与数据 | 第 5 章 | 访谈 1 个真实岗位，画流程和数据地图 | 访谈记录 + 流程图 |
| 6 | 交付方法 | 第 6 章 | 为一个场景写 12 周部署计划 | 项目章程 v1 |
| 7 | Lab A 启动 | 第 7 章 + Lab A | 定义指标、造数据、做规则基线 | 基线结果 |
| 8 | Lab A 原型 | Lab A | 接 LLM、做置信度、人工复核 | 可演示原型 |
| 9 | 评测与生产 | 第 8 章 + Lab A | 写 30 条评测集、做一次回归 | 评测报告 |
| 10 | 作品集 | 第 9 章 | 把 Lab A 写成一页案例 + 5 分钟讲解 | 作品集 v1 |
| 11 | 面试与表达 | 第 9 章 | 8 类面试题各练 2 题，录音复盘 | 答案卡 |
| 12 | 复盘与投递 | 案例库 + 第 10 章 | 选 10 家公司，投递/内推；复盘全流程 | 求职清单 |
这是一条「最小闭环」路线，不是唯一路线。你可以从第 6 周开始做 Lab，再回头补第 4 章；也可以先读第 9 章，用面试题反推要补的能力。
阶段一：认识与底座（第 1-4 周）
目标：能用自己的话解释 FDE，能独立完成一次 API 调用、一次 SQL 查询、一次 Git 提交。
第 1 周：建立概念
- 读第 1 章，重点看「FDE 与八种相邻角色的区别」。
- 写 300 字：如果你要向一个完全不懂技术的人解释 FDE，你会怎么说？
- 常见错误：背定义，但不理解「为什么需要这个角色」。补救：读第 2 章的三道鸿沟。
第 2 周：理解现场
- 读第 3 章，记录一个 FDE 一周里到底做了什么。
- 从你身边找 3 个「AI 落地」场景（公司、新闻、朋友的项目），用现场五问判断：谁痛？痛多大？现在怎么解？为什么是现在？谁买单？
- 交付：一张三行表，每行一个场景，给出「值得做 / 不值得做 / 信息不足」。
第 3 周：技术底座 I
- 读第 4 章前半：计算机、网络、API、JSON、命令行、Git。
- 动手：
- 用
curl调一个公开 API（例如 GitHub API 的公开仓库信息），把 JSON 里的一个字段取出来； - 在本地建一个 Git 仓库，提交一次，改一次，回滚一次；
- 读一段真实的错误日志，写出「可能的原因 + 下一步验证动作」。
- 用
- 交付：三条命令记录 + 一段日志分析。
第 4 周：技术底座 II
- 读第 4 章后半：数据、SQL、云与部署、LLM、RAG、工具调用、安全。
- 动手：
- 用 SQLite 或任意数据库建两张表，写 3 条带 JOIN 和 GROUP BY 的查询；
- 画一个「用户提问 → 检索 → 模型 → 回答」的请求链路；
- 做第 4 章的「必会 20 个动作」自测，标出不会的。
- 交付：技术自测清单 + 一个请求链路图。
阶段二：方法与 Lab（第 5-8 周）
目标：完成一次从业务问题到可演示原型的闭环。
第 5 周：业务与数据
- 读第 5 章。
- 找一个人（同事、朋友、家人）做 30 分钟访谈，主题是「你日常最重复、最烦的一件事」。
- 画出这个岗位的流程：输入、输出、角色、系统、例外。
- 交付：访谈记录 + 一张流程图 + 一个「可能值得 AI 化」的假设。
第 6 周：交付方法
- 读第 6 章。
- 用第 5 周的场景，写一份 12 周部署计划：阶段、交付物、退出标准、风险。
- 做一次「Go/No-Go」自评：如果数据拿不到、owner 不投入、指标无法量化，应该暂停还是继续？
- 交付：项目章程 v1（可直接用附录 B 模板）。
第 7 周：Lab A 启动
- 读第 7 章和 Lab A。
- 定义成功指标：分类准确率、升级率、人工修正率、处理时长。
- 造 100 条合成工单（不要用真实客户数据），做规则/关键词基线。
- 交付：基线结果 + 评测集 v1（至少 30 条）。
第 8 周：Lab A 原型
- 接一个 LLM（OpenAI 兼容 API 即可），做分类 + 置信度 + 人工复核。
- 不要追求「全自动」。先做「AI 建议 + 人确认」的半自动流程。
- 交付：可演示原型 + 一页架构图 + 一次失败案例分析。
阶段三：生产与作品（第 9-12 周）
目标：把 Lab 变成可展示的作品，把方法变成可复述的能力。
第 9 周：评测与生产
- 读第 8 章。
- 把评测集扩到 30-50 条，加入边界情况：模糊工单、多意图、含 PII、恶意输入。
- 做一次回归：改一版提示词，比较前后指标。
- 交付：评测报告（指标 + 失败案例 + 下一步）。
第 10 周：作品集
- 读第 9 章的作品集部分。
- 把 Lab A 写成一页案例：问题、基线、方案、指标、证据、反思。
- 录一个 5 分钟讲解视频，要求：不堆术语，先讲业务，再讲技术。
- 交付：作品集 v1 + 视频。
第 11 周：面试与表达
- 读第 9 章的 8 类面试题。
- 每类选 2 题，写下回答框架，录音 3 分钟。
- 找一个人做 45 分钟模拟面试，重点练「问题拆解」和「失败复盘」。
- 交付：答案卡 + 一次模拟面试复盘。
第 12 周：复盘与投递
- 读第 10 章（如果你在中国）和案例库。
- 选 10 家目标公司，研究它们的 FDE/AI 交付岗位，写定制化开场。
- 投递/内推，记录每次反馈；把高频问题补进答案卡。
- 交付：求职清单 + 一份复盘。
三条路线的差异
路线 A：业务转 FDE（没写过代码）
你的优势是懂流程、懂人、懂指标；短板是工程。不要试图先学完计算机专业，按「够用就好」原则：
- 先学 Python 基础 + HTTP + SQL，能读懂和修改代码；
- 用低代码/现成 API 做原型，不要从零写框架；
- 找一个开发搭档，你负责问题定义、数据、评测和客户沟通，他负责工程实现；
- 6 个月后再补容器、CI/CD、可观测性。
最短路径：第 1、3、5、6 章 → Lab A 的「规则基线 + 评测」部分 → 作品集。你不必独立完成整个系统，但要能说清每个技术选择背后的业务理由。
路线 B：开发转 FDE（没做过客户项目）
你的优势是工程；短板是业务、沟通和「不确定性」。你最容易犯的错是：一上来就写代码，或者用技术复杂度证明自己。
最短路径：第 1 章 → 第 5、6 章 → Lab A 的「发现 + 定义」部分 → 第 9 章。重点练三件事：
- 在没写代码前，先写出问题陈述和成功指标；
- 向非技术用户解释你的方案，不用「向量」「微调」这类词；
- 接受「这个问题不值得用 AI 解决」也是一个好结论。
路线 C：顾问转 FDE（懂客户，技术浅）
你的优势是访谈、结构化、汇报；短板是「交付」和「技术判断」。你最容易犯的错是：把 FDE 做成「驻场咨询」，输出一堆 PPT，但没有系统上线。
最短路径：第 4 章 → 第 6 章 → Lab A → 第 8 章。重点练三件事：
- 亲手调通一个 API、跑通一次评测；
- 把「建议」变成「可运行的流程」；
- 学会说「这个承诺我做不到」，而不是先答应再想办法。
四个里程碑
不要用「读完了」衡量进度，用可验证的产出：
- M1（第 4 周末）概念关：能不看资料，用 3 分钟解释 FDE 与咨询/外包的区别，并各举一个例子。
- M2（第 6 周末）方法关：能对一个陌生场景，写出问题陈述、成功指标、数据需求和 12 周计划。
- M3（第 10 周末）交付关：有一个能演示、有评测、有失败分析的项目。
- M4（第 12 周末）表达关：能在 5 分钟内讲清项目，并回答 5 个追问。
如果某个里程碑没过，不要急着投简历。回到对应章节补，或者把项目再做深一点。
如果只有 30 天
把 12 周压缩成 4 周冲刺，只保留最小闭环：
| 天 | 做什么 |
|---|---|
| 1-3 | 读第 1 章、第 6 章，写下你的目标场景 |
| 4-7 | 读第 4 章，完成 API/SQL/Git 三个动作 |
| 8-10 | 读第 5 章，访谈 1 个人，画流程和数据地图 |
| 11-17 | 做 Lab A：造数据、规则基线、LLM 原型 |
| 18-22 | 写 30 条评测集，做一次回归，写评测报告 |
| 23-27 | 写作品集，录 5 分钟讲解，找 2 个人模拟面试 |
| 28-30 | 投递 5 家公司，复盘反馈 |
30 天不能让你变成资深 FDE，但足以让你判断「我是否愿意继续走这条路」，并拿到一个可以展示的起点。
不要做的事
- 不要先学完机器学习再开始。 FDE 的大多数工作不需要训练模型，需要的是会调用、会评测、会排障。
- 不要收藏 100 篇资料。 选 1 本书、1 个 Lab、1 个真实场景，做完比看完重要。
- 不要用假数据做 demo 就停在那里。 真实数据会暴露 80% 的问题。
- 不要只和 IT 聊。 真正的用户、流程 owner、经济买家，往往不在 IT 部门。
- 不要把「上线」当成终点。 上线只是开始，采用率、留存、业务结果才是证据。
- 不要独自死磕。 找一个同伴做 code review、模拟面试、项目复盘，效率会高很多。
练习
- 用 10 分钟做能力自评，记录四个维度的分数。
- 根据你的背景，选一条路线，写下未来 4 周每周的固定学习时段（具体到星期几、几点）。
- 找一个小伙伴，约定每周一次 30 分钟复盘：这周做了什么、卡在哪、下周做什么。