AI 晋升知识地图 从会用工具，到能交付业务影响

Updated 2026-07-01 · 面向工程、产品、运营和管理岗

想通过 AI 晋升，核心不是“懂 AI”，而是用 AI 做出可证明的效率、质量和业务结果。

这份地图把 AI 能力拆成 8 个方向：基础原理、LLM 应用、RAG、Agent/MCP/Skill、评测与 LLMOps、安全治理、业务落地和组织推动。每个方向都配了系统资料和可交付成果，方便直接变成晋升材料。

目标 让 AI 成为你的业务杠杆 周期 90 天形成一套作品集 产出 Demo、指标、SOP、评测报告
AI 晋升从工具使用到组织影响的能力路线图 个人效率 团队赋能 组织影响 影响力 AI 工具效率 场景自动化 AI 应用交付 平台与组织方法论 晋升关键：把个人技巧沉淀成团队可复用能力，并用指标证明收益

Promotion tracks

先选晋升路线，再决定学习深度

不是每个人都需要训练模型。多数岗位的晋升价值来自“识别场景、搭建流程、验证效果、组织推广”。

2-4 周

AI 高效执行者

适合想先在本职工作里明显提效的人。

  • 掌握提示词、上下文、结构化输出
  • 建立个人 prompt/agent 工作流
  • 用前后对比证明节省时间
4-8 周

AI 场景推动者

适合产品、运营、测试、设计、项目管理。

  • 识别高频、低风险、可度量场景
  • 设计 AI 工作流和验收标准
  • 推动团队 adoption 和 SOP
8-16 周

AI 应用工程师

适合研发、数据、平台和工具团队。

  • 构建 RAG、Agent、MCP、评测闭环
  • 处理权限、日志、成本、稳定性
  • 上线一个真实业务 AI 应用
16 周以上

AI 平台/转型负责人

适合技术负责人、产品负责人、业务负责人。

  • 制定 AI 平台能力、治理和路线图
  • 建立跨团队复用资产和安全标准
  • 用业务指标证明组织级收益

Knowledge map

8 个 AI 晋升学习方向

总览页只负责选方向；具体学习已经拆成 8 个独立网页。建议先学 1、3、4、6，再根据岗位补齐其他方向。

1. AI 基础认知与机器学习

让你能判断 AI 适合做什么、不适合做什么，避免只会喊概念。

监督/无监督学习 训练/验证/测试 过拟合 指标与误差
  • 理解模型、数据、特征、损失函数、泛化能力。
  • 能解释准确率、召回率、AUC、混淆矩阵。
  • 能判断一个业务问题是否值得用 AI 做。
Google ML Crash Course Stanford CS229 Elements of AI

晋升产出：写一页《团队 AI 场景筛选标准》，说明哪些场景适合 AI、哪些不适合。

进入模块学习 独立网页：7 步老师带学 + 作业评分

2. 深度学习与大模型原理

不用成为算法工程师，但要理解 Transformer、token、上下文和训练成本。

神经网络 Transformer Embedding Fine-tuning
  • 知道 LLM 为什么会幻觉、为什么受上下文限制。
  • 理解 embedding、rerank、长上下文、微调的取舍。
  • 能和算法/平台团队讨论方案成本。
MIT 6.S191 Hugging Face LLM Course Intro to LLMs

晋升产出：做一份《RAG、长上下文、微调的选择说明》，用于团队技术评审。

进入模块学习 独立网页：4 步理解 LLM 边界与方案取舍

3. LLM 应用与 Prompt Engineering

这是最快能产生晋升价值的方向：把经验变成可复用的 AI 工作流。

角色/任务/上下文 结构化输出 函数调用 多轮迭代
  • 设计稳定 prompt、模板、检查清单和输出格式。
  • 让模型使用工具、文件、搜索和结构化 schema。
  • 把个人经验沉淀成团队 prompt library。
OpenAI Tools OpenAI Evals Claude Docs

晋升产出：上线一个“产品文档/代码/测试用例 Review Agent”，记录采用率和返工率下降。

进入模块学习 独立网页：4 步把 prompt 变成团队工作流

4. RAG 与企业知识工程

大多数公司落地 AI 的第一站：让模型可靠地使用内部知识。

文档切分 向量检索 混合搜索 权限隔离
  • 理解 ingestion、chunk、embedding、retrieval、rerank。
  • 处理知识时效、权限、引用、可追溯性。
  • 知道什么时候 RAG 不够，需要工具调用或流程改造。
OpenAI Retrieval LlamaIndex LangChain

晋升产出：做一个部门知识助手，附召回率、回答准确率、失败案例和更新机制。

进入模块学习 独立网页：4 步搭建可靠知识助手

5. Agent、MCP 与 Skills

从“问答”走向“能做事”：让 AI 调工具、跑流程、沉淀专用能力。

工具调用 MCP Server Agent Loop Skills
  • 理解 Agent 的计划、执行、观察、修正循环。
  • 学会用 MCP 连接 GitHub、浏览器、数据库、内部工具。
  • 把产品文档审核、测试设计、需求拆解封装成 Skill。
MCP 官方文档 LangChain Agents Claude Skills/MCP

晋升产出：交付一个可复用 Skill 或 MCP 工具，能稳定完成一个团队高频任务。

进入模块学习 独立网页：4 步掌握 Agent / MCP / Skills

6. 评测、LLMOps 与成本优化

晋升最看重的不是 Demo，而是你能否证明它稳定、便宜、可持续。

离线评测集 线上监控 Token 成本 回归测试
  • 建立 golden set、失败分类、人工抽检和回归测试。
  • 跟踪延迟、成本、命中率、满意度、人工兜底率。
  • 设计 prompt/model/rag 版本管理和回滚策略。
OpenAI Evals Ragas LangSmith/LangChain

晋升产出：一份 AI 应用评测报告，包含准确率、失败样本、成本和上线门槛。

进入模块学习 独立网页：4 步建立评测与成本闭环

7. 安全、隐私与 AI 治理

越接近真实业务，越需要懂风险。懂治理的人更容易拿到跨团队影响力。

Prompt Injection 数据泄露 权限控制 人审机制
  • 识别 LLM 应用特有风险：越权、注入、幻觉、供应链。
  • 设计最小权限、审计日志、敏感信息脱敏。
  • 建立上线审批、人工兜底和风险分级。
OWASP LLM Top 10 NIST AI RMF Tool Safety

晋升产出：AI 工具上线风险清单和审批流程，能被团队长期复用。

进入模块学习 独立网页：4 步建立安全治理清单

8. AI 业务落地与组织推动

晋升最后拼的是影响力：你能不能让一群人因为 AI 改变工作方式。

场景优先级 ROI 流程再造 培训推广
  • 把 AI 场景按收益、风险、复杂度、复用性排序。
  • 定义节省工时、质量提升、交付周期、收入贡献。
  • 用试点、培训、SOP、指标看板推动规模化。
评测与指标 治理框架 Production ML

晋升产出：一份《部门 AI 提效路线图》，包含优先级、里程碑、指标和风险控制。

进入模块学习 独立网页：4 步推动组织落地

90-day plan

90 天可执行学习计划

每个阶段都要交付一个能被同事使用或被管理者看见的东西。不要只学课程。

第 1-2 周

建立 AI 基础判断力

学 ML/LLM 基础，列出自己岗位的 20 个高频任务，按频率、耗时、风险、数据可得性排序。

  • 输出：AI 场景池和优先级矩阵
  • 指标：预估每周可节省工时
第 3-4 周

做一个个人到团队可复用的工作流

把提示词、上下文模板、检查清单做成标准流程，优先选文档 review、测试设计、代码审查、周报生成等低风险场景。

  • 输出：Prompt/Skill 模板库
  • 指标：使用次数、节省时间、返工率
第 5-8 周

交付一个小型 AI 应用

选择一个内部知识或流程场景，构建 RAG、工具调用或 Agent 原型，并让 3-5 个真实用户试用。

  • 输出：可演示 Demo、架构图、试用反馈
  • 指标：准确率、满意度、失败样本
第 9-12 周

补齐评测、安全和推广闭环

建立评测集、成本看板、风险清单、SOP 和培训材料，让它从“你的能力”变成“团队资产”。

  • 输出：评测报告、上线标准、团队培训
  • 指标：adoption、质量提升、成本控制

Promotion evidence

晋升材料要证明这 6 件事

AI 晋升不是“我学了很多”，而是“我带来了可复用、可度量、可持续的变化”。

1. 业务问题清楚

写清楚原来的痛点、影响范围、为什么 AI 比普通自动化更合适。

  • 问题背景
  • 涉及角色
  • 成功指标

2. 结果可量化

用前后对比说话，不要只写主观感受。

  • 节省工时
  • 交付周期
  • 质量/错误率

3. 方法可复用

沉淀模板、SOP、代码、Skill、MCP 或配置说明。

  • 复用文档
  • 模板库
  • 培训材料

4. 风险被控制

说明权限、隐私、幻觉、人工审核和失败兜底。

  • 风险清单
  • 审批流程
  • 回滚策略

5. 影响跨出个人

证明团队里有人在用，并且用法被标准化。

  • 使用人数
  • 使用频次
  • 培训覆盖

6. 能继续迭代

有评测集、反馈入口、版本记录和下阶段路线图。

  • 失败样本库
  • 指标看板
  • 下一阶段计划

Systematic resources

系统资料库

这些资料以官方文档、高校课程和权威组织为主，适合做长期学习主线。