我的 AI 架构师之路

做软件这么多年，从桌面程序、Web、Mobile、Cloud 一路走到 AI。这几年最大的感受是：AI 不只是一批新的开发工具，它正在改变整个软件系统的设计方式。

以前想的是数据库怎么设计、API 怎么切、系统怎么部署。现在多了 LLM（Large Language Model，大型语言模型，用来理解与生成文字）、RAG（Retrieval-Augmented Generation，检索增强生成，让模型先查数据再回答）、Agent（代理程序，可自行调用工具完成任务）、Vector Database（向量数据库，存储语义向量以供相似度检索）与 MLOps（Machine Learning Operations，机器学习运维，负责模型部署、监控与更新），还要一并考虑模型成本、安全性与数据权限。

所以我给自己定了新的方向：往 AI Solution Architect（AI 解决方案架构师）走。目前规划六张认证，预计 12～15 个月完成；顺序刻意从简单的开始，再进到应用开发、ML 工程与 Cloud Architecture（云架构）。

1. AI-901：先打地基。平常在用 LLM 和 API，很容易以为自己都懂了，但“用过”和“有系统地理解”是两回事。第一张刻意选简单的，把零散的 AI 知识重新整理一次。

2. AIF-C01：换一个云再看一次。同一件事在 AWS 有不同的产品名称和做法，但底层观念相同。只熟一家厂商，遇到问题的第一反应会是“要用哪个产品”；架构师该先问的是“这个问题需要什么样的架构”。

3. Microsoft AI Apps & Agents Developer：开始真的做系统。调用 LLM API 不难，难的是把 AI 放进系统：怎么获取公司数据、怎么调用既有 API、哪些事可以让 Agent 自己做、哪些一定要人确认、权限怎么处理、答错了怎么办。

4. AWS Machine Learning Engineer：补 ML 工程与 MLOps。企业里仍有大量传统 Machine Learning（机器学习）需求，而且到了 Production（生产环境），问题往往不只是模型准不准，还有部署、数据管道、版本更新、性能监控与成本控制。

5. Google Professional ML Engineer：把产品和架构分开。三家云都碰过之后，重点不是三套 Console 怎么操作，而是看穿三个名字不同的服务其实在解同一类问题。工程师问“怎么做”，架构师还要问“为什么这样做、有没有别的选择、代价是什么”。

6. AWS Solutions Architect – Professional：回到架构本身。最后一张刻意不是 AI 认证，因为 AI 架构师首先还是架构师。引入 AI 不会让 Database、Network、Security、IAM（Identity and Access Management，身份与访问管理）、扩展性、容灾与成本消失，反而更复杂。

这原本不在计划里。准备 AIF-C01 时找了不少教材和题库，用一阵子之后总觉得少了点什么。我不想只是一直刷题：答错时更想知道为什么错，有些题目答对其实只是刚好猜到。

另一个问题是时间。真正能坐在桌前看书的时间有限，但走路、坐车、休息的零碎时间其实不少。既然自己就是做软件的，干脆写一个自己想用的版本。

第一版从 AIF-C01 开始，把准备期规划成 14 天，每天知道要读到哪里，而不是打开几百题的题库一直往下做；再加上 Audio Learning（语音学习），走路或坐车就能复习。目前提供 English、日本語、한국어、中文、Español 与 Português (Brasil) 等语言版本。

考认证是因为它能帮我整理学习范围，给自己明确的阶段目标。但拿到六张认证不等于成为 AI 架构师——如果一年后只有六张认证可以放在 LinkedIn 上，却没真正做过 AI 系统，那这一年就没达到我要的效果。

所以我给自己另一个要求：每完成一个阶段，至少留下一个可以实际展示的成果。可能是一个 App、一套 Agent、一个 RAG 系统、一条 ML Pipeline（机器学习流程），也可能是一份完整的架构设计。认证让我知道该学什么，实作才会让我知道自己到底会不会。

我的兴趣不是变成只做模型研究的人，而是：怎么把 AI 接进原本的软件、怎么让 Agent 和既有系统合作、数据怎么处理、怎么部署与扩展、成本怎么控制、安全怎么保证，最后怎么组成一套真的有人能用、公司敢上线的系统。

先给自己 12～15 个月，六张认证，一路做、一路学，也一路把过程记录下来。