【2026 最新】AI 工程師怎麼自學？4 階段轉職路線圖＋就業市場真相（新手白話篇）

你大概已經聽膩了「AI 會取代工作」這句話。但這個故事還有另一面比較少人講：AI 正在創造一種薪水不錯、成長飛快的新工作——AI 工程師。LinkedIn 的《Jobs on the Rise 2026》把 AI Engineer 排在美國成長最快職位的第 1 名；Indeed 的研究機構 Hiring Lab 在 2026 年 7 月的報告裡說，美國市場上每 12 種職稱，就有 1 種已經和 AI 有關——四年前只有大約 1/40。

問題是，網路上關於「怎麼成為 AI 工程師」的內容，大多掉進兩個極端：一種丟給你一堆線性代數和神經網路數學，第二週就把你勸退；另一種給你 80 個連結卻不給順序和判斷，你光是「決定要學什麼」就耗掉全部意志力。更糟的是，很多路線圖只給你打了雞血的數據，卻不告訴你就業市場真實的樣子。

這篇文章想做的事很簡單：專為完全沒有技術背景的讀者，用最白話的方式，把三件事一次講清楚——AI 工程師到底在做什麼、就業市場的真話（好消息跟壞消息都附出處）、以及一條每個技能只給你一個明確選擇的 4 階段自學路線圖。不寫一行你看不懂的程式碼，也不跟你畫不存在的大餅。

先說結論：🤖 AI 工程師 ＝ 軟體工程 ＋ 模型 API ＋ 判斷力——是把現成模型接進真實應用的建造者，不是在實驗室訓練模型的研究員。需求是真的（LinkedIn 2026 成長最快職位第 1 名），但門檻也是真的：美國只有約 2.5% 的 AI 工程師職缺開給 0–2 年經驗的人。所以你的目標不是「刷完課程」，而是用 3 個真的能跑的作品，代替你沒有的年資。路線圖分 4 個階段：Python 地基 → LLM API → RAG 與 Agent → 上線作品集。已經會寫程式的人，一個階段約一個月；完全從零，請誠實地抓 9–12 個月。

AI 工程師到底在做什麼？（跟你想的不一樣）

先解決最大的心理障礙，因為它擋掉的人比任何技術難關都多。大多數人聽到「AI 工程師」，腦中浮現的是一個被 GPU 機房包圍、在推導你永遠看不懂的數學、從零訓練大模型的天才。那是另一個職業——叫研究科學家（Research Scientist）或 ML 研究員，人數很少，通常真的需要高等學位。

而市場上成長最快的那個「AI 工程師」，做的是完全不同的事：把已經存在的模型，變成真實產品裡穩定可靠的功能。你拿 Claude、GPT 或開源模型（都是所謂的 LLM，大型語言模型），讓它在一個真實的應用程式裡，把一件明確的事做好。實務上這代表：串接模型 API、設計餵給模型的指令與上下文、把模型的回答變成程式能用的結構化資料、讓模型能呼叫工具和資料庫、讓它查得到對的資料、把所有可能出錯的地方都接住，然後部署上線給真人使用。

這裡給你一個可以帶走的一句話判斷法，整篇文章都在為它服務：「你能讓 AI 在一個真實應用裡，穩定地做好一件事；它壞掉時，你知道怎麼修——你就是 AI 工程師。」就這樣。你不需要懂 Transformer 的內部構造，不需要微積分，不需要會手推反向傳播。你需要的是成為一個「懂得跟模型打交道」的合格建造者。如果你想更深入理解這個「建造者」視角，可以先讀我們的 Agent Harness 是什麼——那篇的「Agent ＝ Model ＋ Harness」心智模型，跟這裡是同一件事。

就業市場真相：門是開的，但不是你以為的那種開法

這一段是本文跟其他路線圖最不一樣的地方。多數文章只給你好消息；我們把好壞消息都攤開，每個數字都有出處。先講清楚：以下皆為美國市場數據（全球資料以美國最完整），其他市場的絕對數字不同，但方向趨勢類似。

三個真實的好消息

• 需求成長是真的。PwC 在 2026 年 6 月發布的《2026 Global AI Jobs Barometer》分析了 27 個國家與地區、超過 10 億則職缺廣告：要求 AI 技能的職缺廣告自 2019 年以來成長了 69%，同期整體職缺市場只成長 9%——大約快了 8 倍。注意：這是「職缺廣告」的成長率，不是在職人數，基期也比較小，別把它讀成「AI 職缺遍地都是」。
• 薪資溢價是真的，幅度看方法論。同一份 PwC 報告：有 AI 技能的工作者，「廣告薪資」平均比同類職位高 62%（前一年為 57%）。但這是全部年資層級的平均，另一家勞動市場數據公司 Lightcast 分析 13 億則職缺，算出的溢價是 28%（約 1.8 萬美元）。兩個數字都真實存在——溢價是真的，但它不等於「你學會 AI 薪水就加 62%」。
• 學歷門檻在鬆動。PwC 2025 年版報告（2019–2024 年資料）：AI 輔助型職缺要求學位的比例從 66% 降到 59%，AI 自動化型職缺從 53% 降到 44%。雇主在 AI 相關工作上，比其他領域更快放下「文憑濾網」。

兩個沒人想講的壞消息

• 入門級是窄門。365 Data Science 在 2026 年 4 月分析 903 則美國 AI 工程師職缺：只有 2.5% 開給 0–2 年經驗；獵頭公司 Axial Search 分析 10,133 則美國 AI／ML 工程職缺：78% 要求 5 年以上經驗。也就是說，「AI 工程師職缺暴增」跟「新手很難直接應徵上」同時為真。
• 初階職缺正在被「資深化」。還是同一份 PwC 2026 報告（分析 240 萬則美國入門級職缺）：受 AI 影響最深的入門職缺確實自 2019 年成長 35%（其他入門職缺反而萎縮 10%），但這些職缺要求傳統上屬於資深者的「人味技能」——領導力、創造力、面對面互動——的可能性是其他職缺的 7 倍。創投 SignalFire 的 2026 年人才報告也指出，美國科技大廠的新鮮人（年資不到一年）招聘量比 2019 年少了約 65%。門沒有關上，但它往「像資深的人」那邊移動了。

那，轉職者的機會到底在哪？

把上面五個數據放在一起，會得出一個對轉職者其實有利的結論。市場要的不是「會寫程式的新鮮人」，是「有判斷力、能溝通、能扛結果的人＋AI 技能」——前半部分你在原本的職涯裡已經練了好幾年，22 歲的資工畢業生反而沒有。Lightcast 還有一個數據：51% 要求 AI 技能的職缺開在 IT 產業之外——你的金融、醫療、行銷、製造領域知識，配上 AI 技能才是完整的商品。所以這條路線圖的目標從頭到尾只有一個：做出一套能代替年資的作品集，然後把它跟你原本的領域經驗綁在一起賣。

開始之前：先避開毀掉轉職的 4 個地雷

把地雷放在路線圖前面是故意的——因為毀掉轉職的錯誤都發生在第二週，不是第三個月。這四個地雷都跟聰明才智無關，全是策略問題。

1. 從理論和數學開始。你想「把基礎打好」，於是去啃線性代數。三週後你看了很多課，卻一行程式都寫不出來，覺得自己是冒牌貨，然後放棄。解法：跳過。這份工作不需要你會推導數學；概念在專案裡遇到再補，因為附著在你做過的東西上，反而記得牢。
2. 只看教學不動手。這個最陰險，因為看課「感覺」像進步。看了四小時 Python 課程，打開空白檔案，什麼都寫不出來——你只是看別人學會了。解法：30 分鐘法則——每看 1 小時的課，就關掉教學，自己動手寫 30 分鐘。自己打字、故意改壞、看報錯、修好它。報錯才是學習本體。
3. 學工具不學技能。聽說某框架當紅就狂啃它，半年後生態系換人，你覺得白學了，又去追下一個，永遠在落後。解法：學工具底下那層會轉移的技能——寫出可靠輸出的 Prompt、從模型拿到結構化資料、評估系統到底行不行、判斷一個任務需不需要 Agent。這些技能不會因為框架改版而過期，本文的路線圖就是按技能而非工具編排的。
4. 等「準備好」才公開。「準備好」的感覺永遠不會來——它是開始之後才出現的東西。解法：第 1 個階段就開始公開，每個作品完成當天丟上 GitHub，再醜都丟。沒有人在盯著你的早期作品看，但複利從你開始的那天就啟動了。

AI 工程師 4 階段自學路線圖（總覽）

先講時程的真話，因為這是多數路線圖撒謊的地方。如果你已經會寫一點程式（任何語言都算），每週投入 15–20 小時，一個階段大約一個月，四個月可以走完。如果你完全從零開始，連對這一行最樂觀的從業者都會告訴你：請抓 9–12 個月。時程拉長沒有關係——毀掉轉職的從來不是慢，是停。每個技能我只給一個主要選擇，因為選擇是動力的天敵；除非真的不適合你，否則別花時間比較教材。

階段一：Python 與地基（最無聊，也最關鍵）

先建立一個觀念：AI 工程是軟體工程的一種，AI 那一層是蓋在普通軟體堆疊上面的。地基不穩，上面的 AI 功能永遠不會可靠。這個階段的目標不是精通，是「堪用」：能寫乾淨的 Python、能在終端機裡不猶豫地移動、能呼叫一個 API。

• Python——首選 CS50P（哈佛的 Python 入門課，免費的 OpenCourseWare，可自由學完全部十週教材）。它的價值全在習題：逼你自己解題，而不是看別人解題。覺得太陡，先用 freeCodeCamp 在 YouTube 上的 Python 全課程暖身，但把它當熱身，不是主菜。重點順序：變數與型別 → 迴圈與條件 → 函式 → 串列／字典 → 檔案與 JSON（之後跟 AI API 打交道天天用）→ 例外處理 → 虛擬環境與 pip。
• Git 與 GitHub——你的作品集就住在這裡；對轉職者來說，GitHub 就是你的履歷。首選 GitHub 官方的免費互動課程（現在整合進 GitHub Learn），在真實的 repo 裡邊做邊學。分支觀念卡住的話，用視覺化的 Learn Git Branching 補。必學：init / add / commit / push / pull、分支與合併、.gitignore（永遠不要把 API 金鑰 commit 上去——開始用付費 API 之後這條是保命符）。
• 終端機——學會 cd / ls / mkdir / cat / grep、怎麼跑 Python 腳本、怎麼設環境變數（放 API 金鑰用）。想扎實一點，MIT 的 Missing Semester 公開課程是經典（2026 年版連 AI 工具的用法都納進課綱了）。目標不是變成指令魔人，是不再猶豫。
• API、JSON 與 HTTP——這是通往階段二的橋。用 MDN 的 HTTP 概觀搞懂請求與回應，再用 Python 的 requests 函式庫實際發出來。必懂：GET 與 POST、JSON 讀寫、常見狀態碼（200 成功、401 金鑰錯、429 被限流、500 伺服器掛了——之後你天天會見到它們）。
• SQL 一點點——SQLBolt 約 20 堂免費互動課，學到 SELECT / WHERE / GROUP BY / JOIN 就夠，其他等專案需要再深。

用 AI 學 AI，從第一週開始。你手上有史上最有耐心的家教：遇到看不懂的報錯，別在論壇翻 40 分鐘，直接貼給 Claude 或 ChatGPT，但要求它「用白話解釋這個錯誤，引導我修，不要直接給答案」。這一招同時偷偷練了階段二的核心技能——寫 Prompt。唯一的紀律：讓 AI 解釋、你來打字；讓它代寫，你就回到地雷②了。（分不清 Claude 全家桶該用哪個？看這篇 Claude vs Claude Code vs Cowork。）

階段一產出：一個真的有用的命令列小工具。例如讀寫 JSON 檔的記帳器，或呼叫免費天氣 API（如 Open-Meteo，截至 2026 年 7 月非商用每日一萬次內免金鑰）並排版輸出的腳本。60–100 行、醜沒關係，重點是你自己寫的，而且它當天就進 GitHub。

階段二：用 LLM API 做出真的功能（整份工作的核心）

從這個階段開始好玩了：你不再做準備工作，開始指揮模型做事。這也是全路線圖最值得放慢的一段——階段二的深度，比其他任何地方的深度都值錢。

• 寫真正可靠的 Prompt——Prompt 工程不是「好好說話」，是對一個機率系統寫出穩定產出一致結果的指令。首選 Anthropic 官方的互動式 Prompt 工程教學（GitHub 上，分章節、有真實習題；教材範例用的是較舊的模型，觀念完全通用），Anthropic Academy 上也有更新的官方課程。必懂：system 與 user 訊息的差別、具體勝於禮貌、要求模型先一步步推理再回答（chain-of-thought）、在指令裡放範例（few-shot）。最有效的練習：挑一個真任務，寫 5 個不同的 Prompt 全部跑一遍、並排比較輸出——你會親眼看到 Prompt 設計對可靠度的影響。
• 結構化輸出——真實應用裡你幾乎從不想要「一段話」，你要的是程式能直接解析的結構化資料。2026 年的好消息：OpenAI 和 Anthropic 都已內建原生的 Structured Outputs（讓模型輸出保證符合你定義的 JSON 結構），先學原生功能；想一套程式碼跨多家模型再考慮 Instructor 這類第三方函式庫（如今是選配，不是必修）。老坑先預告：自己土法解析時，模型可能把 JSON 包在 markdown 圍欄裡、或前面加一句客套話——原生 schema 模式能避開大半。
• Tool Calling（工具呼叫）——把「會說話的模型」變成「會做事的系統」的關鍵，也是階段三所有內容的地基。心智模型一句話：模型是決策者，你的程式是手——模型不執行你的函式，它只回傳「請幫我呼叫某函式、參數是這些」的結構化請求，你的程式執行後把結果餵回去。OpenAI 的 function calling 指南和 Anthropic 的 tool use 文件對照著讀（兩邊概念相同、語法微差，讀完模式自然浮現）。練習：做一個有三個工具（查天氣、算數學、搜筆記）的小助理，看模型自己挑對工具的那一刻，概念就永久長在你腦裡了。
• 對話狀態與串流——兩個小但必要的觀念。模型本身沒有記憶：所謂「對話」是你每次把完整歷史重新傳給它（想像一本不斷加頁的筆記本）。串流（streaming）則是讓回答一個字一個字出現，沒有人想盯著轉圈圈十秒。各家官方文件都有現成範例，做一個能記住歷史、有重設指令的終端機聊天機器人就懂了。
• 成本、失敗與一個安全觀念——區分玩具和產品的三件事。①成本：模型按 token（模型的「字」）計費、輸入輸出價格不同；簡單任務用小模型是最大省錢槓桿——實戰技巧我們寫過一整篇《Claude 怎麼省 token》。②失敗處理：API 一定會失敗（限流、逾時、輸出格式跑掉），學會用指數退避重試（Python 的 Tenacity 函式庫一個裝飾器搞定），且永遠先驗證再信任模型輸出。③Prompt Injection（提示注入）：OWASP 的 LLM 應用十大風險 2025 年版把它列為第 1 名（LLM01）——不受信任的使用者輸入混進你的指令，就可能劫持你的系統。這個階段只需要記住兩道基本防線：別讓未經驗證的模型輸出自動執行重要動作、工具只給完成任務所需的最小權限。

階段二產出：一個發票／收據解析器。丟進「發票 123，$45.99，3 個零件，3 月 30 日到期」這種亂糟糟的文字，吐出乾淨的結構化物件（發票號、金額、數量、到期日）。小而真實，公司天天在為這種東西付錢，是很好的作品集素材。

階段三：RAG 與 Agent——市場點名要的兩個技能

檢索（RAG）和代理（Agent）是目前 AI 工程裡最被點名的實戰能力——LinkedIn 給 AI Engineer 列的常見技能裡，LangChain 和 RAG 都名列其中；Anthropic 自家 2026 年的 Applied AI Engineer 職缺，把「agent 開發、評估框架、檢索框架」白紙黑字列為必要條件。企業的真實需求——客服機器人、內部知識庫、文件分析——幾乎都蓋在這兩個技能上。

RAG：先用白話懂它

RAG（Retrieval-Augmented Generation，檢索增強生成）拆掉行話之後很簡單：給模型一座圖書館，讓它回答時用查的，不用背的——這樣它才答得了「你自己的文件」裡的問題。流程如下圖：把文件切塊、每塊轉成能代表語意的一串數字（embedding，向量），存進向量資料庫；使用者提問時，把問題也轉成同樣的數字，找出「意思最接近」的幾塊，連同問題一起交給模型作答。

順帶回答一個 2026 年常見的疑問：「RAG 是不是過時了？」沒有——過時的是「切塊＋向量搜尋就收工」的天真版。檢索這件事本身進化成了 agentic RAG（讓 Agent 決定怎麼查、查幾輪）和混合檢索，並且跟長上下文互補而非互斥；這一層的新觀念叫「上下文工程」，我們有專文《上下文工程是什麼》。對初學者，先把經典 RAG 做穩，再升級。

• Embedding 的直覺——「意思相近的文字，數字也相近」，這個「近」就是語意搜尋的引擎。不用懂它怎麼算出來的，只要會用。五分鐘小練習勝過十篇文章：拿 20 個句子各轉一個 embedding，寫一個小函式輸入新句子、回傳最像的三句——恭喜，你剛做了一個迷你 RAG。
• 切塊（Chunking）——文件太大不能整份塞，切法直接決定查不查得準。起手式：每塊約 500 字元、相鄰塊重疊約 50（重疊是為了不把一句話從中間剁斷）。塊太大失準、太小失去脈絡，先用預設值，之後看檢索哪裡出錯再調。
• 向量資料庫——存放與快速搜尋 embedding 的地方。學習期首選 Chroma：開源（Apache 2.0）、本機就能跑、零基礎設施。之後要上正式環境，若你本來就用 Postgres，pgvector 是最主流的向量擴充之一。現在還不用碰雲端託管方案——那是找到工作以後的煩惱。
• 讓檢索真的變好——基本相似搜尋只能給你 demo，這三招才是「懂系統的人」和「抄教學的人」的分界線。①metadata 過濾：存塊時標上來源、日期、章節，查詢時能過濾（「只看 Q4 報告」）。②重排序（reranking）：先快速撈一批、再用 reranker 精排出最相關的幾塊（如 Cohere 的 Rerank，常常一行就能加上）。③檢索除錯心法：答案爛的時候，先看檢索撈到了什麼，再怪模型——多數 RAG 失敗是檢索失敗。最後，讓系統回答時引用來源，並明確指示「查不到就說查不到」——這是砍幻覺最有效的一招。

Agent：一個由模型當大腦的迴圈

Agent 聽起來像魔法，看穿了其實很簡單：一個 while 迴圈，由模型決定下一步——模型觀察現況、決定用哪個工具、你的程式執行、模型看結果再決定，直到任務完成。想像成「被綁在椅子上、只能用嘴巴指揮的天才」，工具就是它的手腳。動手前先讀 Anthropic 的《Building Effective Agents》——出自造模型的團隊、把 workflow 和 agent 的分界講得最清楚的一篇（他們後來也出了以 Claude Agent SDK 實作的新指南）。

這個階段最有價值的一個練習：不用任何框架，直接用模型 API 手寫一個 Agent——三個工具、一個目標、一個迴圈。寫過一次，你就知道框架幫你藏了什麼，之後看任何框架都是通的。我們把這個練習完整寫成了一篇約 30 行偽代碼的教學：《動手做一個 AI Agent Harness》。框架等寫完再挑：LangGraph 是最廣泛採用的開源選項之一，OpenAI Agents SDK 和 Claude Agent SDK 則是模型廠自家的第一方選擇。也順手認識一下 MCP（Model Context Protocol）：Anthropic 在 2024 年底開源的工具接入標準，現在連 ChatGPT、VS Code、Cursor 都支援——把它想成「AI 接工具的 USB-C」，會接一個現成的 MCP server 就夠了。

什麼時候「不要」用 Agent，是這個領域最被低估的技能。Agent 比較慢、比較貴、比較難除錯。判斷框架背下來：任務一個 Prompt 配對的上下文就能完成 → 單次呼叫；步驟可預測 → 固定工作流（把幾個呼叫串起來）；只有步驟真的無法預測、需要模型動態決定時 → 才用 Agent。三個固定步驟的工作流，永遠比「可能跑三步的 Agent」更快、更便宜、更好修。面試時能講清楚這件事，你就跟 90% 追流行的人區分開了。

最後是 Evals（評估）——你需要知道系統「真的行」，而不是「你試的那兩個例子行」。做法不神祕：建 20–30 條有代表性的測試輸入（配預期輸出或評分標準），每次改 Prompt、換模型、調檢索，就全部重跑一次。工具可以用 DeepEval 這類開源評估框架。別小看這件事：它已經是職缺裡白紙黑字的必要條件（前面提過的 Anthropic 職缺把 evaluation frameworks 寫進資格要求）——沒跑 evals 就改 Prompt，等於裸奔上線。從小規模養成這個習慣，你會超前很多已經在業界的人。

階段三產出（作品集主菜）：一個「跟你的文件對話」系統。餵 10–20 份 PDF 或筆記，能提問、有 reranking、回答附引用來源，加一個簡單介面。這正是公司現在花錢請人做的東西，也是讓面試官認真看你的那個作品。

階段四：上線、作品集、找機會

多數人卡死在這裡：做得出 demo，做不出「活得過真實使用」的東西，也不會把技能換成收入。這個階段新概念最少、動手最多。

• 部署的最低限度——學夠用的 Docker 把應用打包（消滅「在我電腦上明明能跑」）、找個地方部署，然後把防呆做好：API 帳戶設硬性花費上限、重複請求加快取、加 rate limit 免得一個使用者把你帳單打爆。LLM 應用還有個特殊問題：模型可以回一個「成功卻錯誤」的答案，一般監控抓不到——用 Langfuse 這類開源工具追蹤每次呼叫的 prompt、回應、成本與延遲。一個專案認真做完這套就夠，深度留到工作上再長。
• 作品集的殺手鐧——三個部署過的專案，每個配一份會做事的 README：這專案解決什麼問題、誰會用、我的做法與理由、哪裡做錯了＋學到什麼、怎麼跑起來。倒數第二段是幾乎沒人做的殺手鐧：多數作品集假裝一切順利，讀起來不是心虛就是淺；一份敢寫「第一版哪裡失敗、我怎麼修」的 README，恰恰展示了雇主現在最想篩選的東西——判斷力。沒有人期待轉職者有完美專案；他們會被「深刻理解自己作品的人」打動。
• 定位一句話——不用假裝有多年經驗，你需要的是一句清楚的話：「我做生產環境的 LLM 應用：RAG、Agent、API 整合，這是我上線過的三個作品。」然後，把原本的職涯當資產賣：「前金融業／醫療業，現在做 AI 系統」比「初階工程師」是更強的故事，因為它自帶純新人沒有的領域知識。
• 方向三選一（選一個深耕，別攤平）——①AI 產品工程師：做真人會用的 AI 產品，補產品感（模型錯了怎麼辦、載入狀態、使用者回饋），適合想快速進新創的人。②應用 ML：往 API 底下走——用 Ollama 在本機跑開源模型、學「什麼時候才需要微調」（判斷順序永遠是：先調 Prompt → 再加檢索 → 兩者真的不夠才微調）。③商業自動化：用 n8n（社群版可免費自架）這類工具串業務流程，例如「自動抓潛在客戶 → 模型研究與評分 → 起草開發信 → 記錄一切」——中小企業真金白銀在買這種東西。另外，2026 年包括 Anthropic 在內的多家 AI 公司，都在招一種客戶導向的變體職位（Applied AI Engineer／Forward Deployed Engineer），如果你的強項是「懂技術又會面對客戶」，特別值得留意。

關於接案，說句實話：網路上「RAG 接案時薪 100–250 美元」的說法，來源多半是賣課程的或人力仲介，把它當行銷話術看；接案平台的實際基準價低得多，而且是全球競價。健康的心態是：把接案當「作品集的變現加成」，不要當成計畫本身。

誠實的部分：時間、薪水、與該有的期待

時間的真話：走完四個階段，你會是一個「能做、能上線、能講清楚自己在幹嘛」的初階建造者，有資格開始應徵和接小案——但不是資深工程師，資深來自幾年真實環境的出貨，沒有任何指南能壓縮它。已會寫程式＋每週 15–20 小時 ≈ 4 個月；完全從零 ≈ 9–12 個月。記住：拉長時程不可恥，停下來才致命。連續性打敗強度，每一次都是。

薪水的真話（皆為美國市場、截至 2026 年中，其他市場水準不同）：Glassdoor 上 AI Engineer 的平均「總薪酬」（含獎金股票）約 14.3～14.4 萬美元，常見區間約 11.5 萬～18.2 萬；Senior 平均約 28.5 萬（但樣本只有一百多筆，看趨勢就好）。招聘商 KORE1 以實際成交的 offer 統計，中階生產級 AI 職位底薪多落在 15.5 萬～20 萬。要潑的冷水有兩盆：①不同來源差距很大（以職缺廣告計價的 ZipRecruiter 只有約 10.2 萬）——別拿單一數字許願；②對真正的新人，更誠實的錨點是紐約聯儲統計的全體 CS 應屆早期職涯中位數約 8.7 萬美元（2024 年資料）。這一行天花板高、地板也不低，但你得先跨過「用作品代替年資」那道門。

常見問題（FAQ）

Q1：完全不會寫程式，也能成為 AI 工程師嗎？

能，但時程請抓 9–12 個月起跳，不是 4 個月。「4 個月」只對已經會寫程式的人成立。好消息是路線不變、順序不變，唯一的差別是階段一你要走久一點——而階段一恰好是最多人放棄、也最值得撐過去的一段。

Q2：需要先學數學或唸碩士嗎？

數學：不需要先學。這份工作用不到手推微積分，需要的概念做專案時自然會碰到。學位：不是硬門檻，但別低估。美國職缺分析顯示約四分之一的 AI 工程師職缺沒有硬性學歷要求，但也有相當比例偏好研究所學歷——作品集＋領域經驗是你最好的學歷替代品。

Q3：AI 工程師、ML 工程師、資料科學家差在哪？

最白話的版本：AI 工程師拿現成模型做產品；ML 工程師訓練和部署模型本身；資料科學家從資料裡挖答案。三者會重疊，但本文教的是第一種——它對轉職者最友善，因為它考的是軟體工程＋產品判斷，不是研究資歷。

Q4：2026 年才開始，會不會太晚、太捲？

不晚，但別天真。變窄的是「零經驗投履歷」那條路（入門級職缺只占約 2.5%）；沒變窄的是「帶著作品和領域經驗切入」這條。這也是為什麼整條路線圖的重心是作品，不是證書。

Q5：該學 LangChain／LangGraph，還是不用框架？

先不用框架。徒手寫過一次 Agent 迴圈，你才知道框架幫你藏了什麼，之後學什麼框架都快。之後再從 LangGraph、OpenAI Agents SDK、Claude Agent SDK 裡挑一個深入——記住地雷③：框架會過期，底下的技能不會。

Q6：都 2026 年了，RAG 是不是已經過時？

沒有。過時的是「切塊＋向量搜尋就收工」的天真版；檢索本身進化成了 agentic RAG 與混合檢索，跟長上下文互補。證據是市場：LinkedIn 給 AI Engineer 列的常用技能裡，RAG 依然榜上有名。

Q7：走完這條路線要花多少錢？

教材幾乎全免費（CS50P、GitHub Learn、SQLBolt、官方文件全都不用錢）。要花的主要是練習用的 API 費用，而且可控：簡單任務用各家的小模型、帳戶設花費上限，練習期一個月從幾美元到十幾美元不等（依用量）。省錢技巧見《Claude 怎麼省 token》。

Q8：有 Claude Code 這種 AI 寫程式工具了，我還需要學 Python 嗎？

要。AI 編程工具放大的是「會的人」的產出；你被僱用的原因是「看得懂、改得動、壞了修得好」。正確用法是把它當加速器和家教（本文階段一就教你這樣用），而不是代打。想挑一把主力工具，看《Claude Code vs Codex 客觀比較》。

給新手的 6 個重點

1. AI 工程師是建造者不是研究員：軟體工程 ＋ 模型 API ＋ 判斷力，不需要數學學位。
2. 市場真相要兩面一起看：職缺成長最快（LinkedIn 第 1 名），但入門級是窄門（約 2.5%）——作品集是你代替年資的唯一籌碼。
3. 時程誠實抓：會寫程式 4 個月、完全從零 9–12 個月。慢沒關係，停才致命。
4. 30 分鐘法則貫穿全程：每看 1 小時教學，動手寫 30 分鐘。四個月粗糙的動手，勝過四個月完美的觀看。
5. 核心技能順序：可靠的 Prompt → 結構化輸出 → Tool Calling → RAG → Agent → Evals；每個階段產出一個真的能跑的作品，當天上 GitHub。
6. 你的舊職涯是資產：領域知識 ＋ AI 技能才是完整商品——一半的 AI 技能職缺根本開在 IT 產業之外。

📚 延伸閱讀

• AI Agent Harness 是什麼？——想真正搞懂 Agent，先建立「Agent ＝ Model ＋ Harness」這個心智模型。
• 動手做一個 AI Agent Harness——階段三「徒手寫 Agent」的完整實作版：約 30 行偽代碼＋5 個坑。
• 上下文工程是什麼？——RAG 之後的下一層觀念，把「餵什麼給模型」變成一門工程。
• Claude 怎麼省 token？10 招實戰——階段二成本控管的完整版，做完前 3 招省一半。
• Claude vs Claude Code vs Cowork——搞不清楚該用哪個 Claude？一張表講清楚。
• Claude Code vs Codex 客觀比較——幫你挑一把 AI 編程主力工具。
• Loop Engineering 是什麼？——進階：讓 AI 自己跑迴圈把事做完的工程方法。
• 更多 AI 教學文章都在 AI 專區；想要系統化、有人帶的學習，看看 AlphaLab 的課程。

結語：門檻從來不是聰明，是開始

如果你把這篇讀到這裡，你已經比多數人更清楚這條路的真實形狀：需求是真的、窄門也是真的、而穿過窄門的鑰匙是作品，不是勇氣喊話。所以本週就做三件小事：開一個 GitHub 帳號、開始 CS50P 的第一份習題、把第一個醜醜的檔案 commit 上去。不要等準備好——準備好是開始之後才會出現的感覺。也不要把四個階段的計畫排到完美——計畫已經在這裡了，繼續排程只是逃避開始的舒適藉口。學習和動手之間的那道縫，是大多數人掉進去一年的地方。這週就把它縫起來。

免責聲明：本文僅供教育與資訊參考，不構成職涯、投資或任何專業建議。文中就業市場與薪資數據主要為美國市場、且為特定時點的快照（截至 2026 年 7 月 14 日），數據會隨時間變動，請以原始來源最新版本為準。主要資料來源：PwC《2026 / 2025 Global AI Jobs Barometer》、Lightcast、LinkedIn《Jobs on the Rise 2026》、Indeed Hiring Lab、Glassdoor、KORE1、ZipRecruiter、紐約聯邦準備銀行、365 Data Science、Axial Search、SignalFire，以及 Anthropic、OpenAI、OWASP、各開源專案之官方文件。文中提及之課程與工具的免費狀態以其官網當前條款為準。AI 具有輸出錯誤資訊的可能，重要決策請由人類複核。本文無業配內容。