当前 AI 工具普及率已达 84%，但仅有 18% 的使用者能够将其应用于专业场景 —— 这一能力鸿沟揭示了从 "会用 AI" 到 "交付 AI 产品" 之间的系统性断层。本文基于开源课程框架 AI Engineering from Scratch 的 20 阶段、435 课时体系，提炼出一条可落地的 MVP 交付路径，聚焦于技术栈选型、功能边界定义与生产就绪标准三个核心决策点。
分层递进的技能构建逻辑
该框架将 AI 工程能力划分为 20 个递进阶段，从数学基础（Phase 1）延伸至自主智能体（Phase 15）与多智能体系统（Phase 16）。对于以产品交付为目标的学习者，核心路径可压缩为五个关键层：基础工程能力（Phase 0-3）、大语言模型核心（Phase 7-11）、工具与协议层（Phase 13）、智能体工程（Phase 14）以及基础设施与生产化（Phase 17）。每个阶段遵循 "Build It / Use It" 双轨制 —— 先手写实现算法以理解底层机制，再使用 PyTorch 等框架完成生产级版本，最终产出可复用的 Prompt、Skill、Agent 或 MCP Server 四类产物。
技术栈选型决策矩阵
框架覆盖 Python、TypeScript、Rust、Julia 四种语言，技术栈选型应基于产品形态而非个人偏好：
- Python：模型训练、数据处理、LLM 应用开发的核心语言，适用于 Phase 1-12 的全部内容
- TypeScript：前端集成、MCP Server 开发、Agent 编排层，在 Phase 13-14 的工具协议层表现优异
- Rust：边缘推理、实时音频处理、高性能推理服务，对应 Phase 4 的实时视觉与 Phase 6 的实时音频模块
- Julia：数学密集型任务的原型验证，适用于 Phase 1 的线性代数与 Phase 3 的数值优化
MVP 阶段建议以 Python 为主轴，TypeScript 覆盖接口层，仅在性能敏感场景引入 Rust。Julia 可作为数学验证的辅助工具，不必进入生产依赖。
MVP 边界划定：从 Phase 11 到 Phase 14 的最小可行路径
对于需要快速验证产品假设的团队，可跳过完整的数学与深度学习基础，直接从 Phase 11（LLM Engineering）切入，重点掌握 Prompt 工程、RAG、Function Calling 与结构化输出。Phase 13 的工具协议层（MCP、A2A 协议）与 Phase 14 的智能体循环（ReAct、Reflexion、记忆管理）构成 MVP 的技术底座。
MVP 的功能边界应限定为：单一任务域、确定性工具调用、有状态会话管理。避免在首版中引入多智能体协调（Phase 16）、自主研究能力（Phase 15）或长时程规划（Phase 14 的 Tree of Thoughts）。一个典型的 MVP 交付物是具备 RAG 能力的对话 Agent，能够调用 2-3 个内部 API，维持多轮上下文，并通过 MCP 协议与外部工具交互。
生产就绪检查清单
进入 Phase 17（Infrastructure & Production）后，需建立以下可量化的就绪标准：
性能基线
- 首 Token 延迟（TTFT）：P99 < 500ms
- 每 Token 生成时间（TPOT）：< 50ms
- 推理吞吐量：根据业务峰值设定，建议预留 30% 余量
稳定性与可观测性
- 实现 Prompt 缓存与语义缓存，降低重复请求成本
- 集成 OpenTelemetry GenAI 语义约定，建立端到端追踪
- 配置熔断机制与降级策略，定义明确的错误边界
安全与合规
- 输入 / 输出内容过滤（Llama Guard 或同类方案）
- 敏感信息脱敏与审计日志
- 符合 SOC 2 与 GDPR 的数据处理流程
成本治理
- 模型路由策略：简单任务路由至轻量模型，复杂任务启用大模型
- 批处理 API 利用：非实时任务采用 Batch API 降低成本 50%
- 多租户成本归因：建立清晰的单位经济模型
可落地的阶段检查点
基于该框架的 435 课时结构，建议按以下节奏推进：
| 阶段 | 投入时间 | 产出物 | 可交付标准 |
|---|---|---|---|
| Phase 11 | 40 小时 | LLM 应用原型 | 完成 RAG+Function Calling 的端到端演示 |
| Phase 13 | 30 小时 | MCP Server | 提供至少 2 个可复用的工具接口 |
| Phase 14 | 60 小时 | Agent Workbench | 具备记忆、规划、工具调用能力的可配置 Agent |
| Phase 17 | 50 小时 | 生产部署 | 通过负载测试，具备监控与回滚能力 |
每个 Lesson 的六步结构（Motto → Problem → Concept → Build It → Use It → Ship It）可作为代码审查与知识沉淀的模板，确保团队内部的知识传递与复用。
总结
AI 工程产品的 MVP 交付不是简单的 API 调用堆砌，而是需要从底层机制理解到生产系统构建的完整能力栈。通过分层递进的学习路径、明确的技术栈分工、严格的功能边界划定，以及可量化的生产就绪标准，团队可以在约 180 小时内完成从原型到可交付产品的转化。关键在于保持 "先构建、后使用、再交付" 的节奏，确保每一层能力都有可复用的产物沉淀。
资料来源
- AI Engineering from Scratch, GitHub: https://github.com/rohitg00/ai-engineering-from-scratch
内容声明：本文无广告投放、无付费植入。
如有事实性问题，欢迎发送勘误至 i@hotdrydog.com。