AI热度很高，但新手最容易把“看视频”当成“会算法”，把“跑通demo”当成“能落地”。这篇总结5个常见坑，帮自学者建立判断标准。
坑1：只学理论，不做项目
会推导公式但不写代码，面试和工作中都吃力。建议每个知识点配一个小项目：线性回归做销量预测、逻辑回归做流失预警、树模型做评分、神经网络做图像分类。项目不再大，在完整。
坑2：盲目追新模型，忽略数据和评估
新模型很多，但企业问题常卡在数据质量：缺失值、标签不一致、样本偏斜、隐私合规。算法工程师大量时间在做数据治理和效果评估，不只是换模型名。
坑3：把提示词当成全部AI能力
提示词有用，但企业系统还包括文档解析、向量检索、权限控制、日志审计、人工兜底。只学提示词，难以做完整方案。 想做应用层，至少补数据库、API、评测三部分。
坑4：忽视算法风险与合规
推荐系统可能出现信息茧房，信贷、招聘等场景可能出现偏见，生成内容可能涉及虚假信息。 学习时要把“可解释、可复核、可回滚”当成基础要求，而不是上线后再补。
坑5：用速成心态替代长期积累
AI涉及数学、编程、数据结构、业务理解。短期可入门做应用，但深入做模型优化、系统架构需要持续项目积累。别信“几天通透”“零基础直接高阶”的话术。
自学路线建议
编程基础：Python、SQL、基本Linux；
数学基础：线性代数、概率统计、微积分入门，不追求全证，但要会用在模型解释；
机器学习：分类、回归、聚类、模型评估；
深度学习：神经网络基础、CNN、RNN/Transformer入门；
大模型应用：向量库、检索增强、智能体、结果评测；
工程部署：接口、缓存、日志、监控、成本控制。
人工智能算法工程师 北京青蓝智慧科技马老师133-9150-9126/丁老师135-2209-4648
资源上可用公开课程、技术社区、开源数据集和官方框架文档。选课或跟学时应看是否有代码作业、真实数据和项目评审，而不是只看宣传标题。
后续按“零基础→机器学习→大模型应用”更新项目教程，想系统跟路线的可收藏账号，评论区也可交流学习规划
