AI FDE的学习路线应当按照企业项目交付顺序展开：先建立实施所需的技术底座，再完成AI平台与知识库配置，然后学习模型服务、私有化部署和排障，最后用完整项目训练测试、验收和运维交接。只会安装某个工具，无法覆盖真实岗位要求。

第一阶段建立实施技术底座

这一阶段的目标是读懂企业环境并完成基本检查。学习重点包括Linux常用命令、文件和权限、网络与端口、HTTP基础、数据库操作、Docker容器、Nginx和简单Python脚本。

· 能够检查操作系统、CPU、内存、磁盘和网络状态。

· 能够判断端口、防火墙、域名和反向代理是否配置正确。

· 能够启动、停止和检查容器，并通过日志定位基础问题。

· 能够连接数据库，完成备份、恢复和基础查询。

阶段成果可以是一份完整的环境检查报告，包括服务器信息、网络条件、依赖版本、风险项和处理建议。

第二阶段部署AI平台和业务应用

完成技术底座后，应进入企业最常见的AI应用实施场景。学习者需要部署并初始化Dify等平台，接入模型接口，配置知识库、工作流、智能体、工具调用和访问权限。

知识库实施不能停留在上传文件。需要处理文档清洗、分段、索引、召回、引用溯源和答案复核，并根据业务场景确定更新机制和验收标准。

· 企业内部问答和制度查询。

· 客服知识库与转人工流程。

· 合同、工单、报表和内部资料辅助处理。

· 通过API、Webhook或数据库连接现有业务系统。

第三阶段学习模型服务和私有化部署

当企业对数据安全、内网运行或响应速度有更高要求时，FDE需要理解本地模型和推理服务。学习重点不是训练基础模型，而是让模型在指定环境中可靠运行。

第四阶段完成交付和验收闭环

企业项目能否上线，取决于需求、配置、测试、培训和验收是否形成闭环。最后阶段应当完整模拟从项目启动到运维交接的过程。

· 确认项目范围、角色、里程碑和验收方式。

· 记录部署步骤、环境变量、账号权限和关键配置。

· 设计问答、召回、权限、性能和异常场景测试。

· 整理问题清单，推动修复、复测和关闭。

· 准备用户培训、操作手册、验收材料和运维交接。

四阶段学习路线

如何安排学习顺序

零基础学习者应先补齐Linux、网络和容器基础，再进入AI平台。软件实施或运维人员可以加快第一阶段，把更多时间放在知识库、模型服务和交付验收。已有AI应用开发经验的人，可以重点补充私有化环境、现场排障和客户成功能力。

每个阶段都应留下可以检查的成果。部署成功的截图只能证明系统启动过，完整作品还应包含环境说明、配置记录、测试结果、问题处理和交接材料。

常见问题

学习FDE一定要会Python吗

不需要先达到软件开发工程师水平，但应能阅读和修改简单脚本，用于数据处理、接口联调和自动化操作。

先学Dify还是先学Docker

建议先理解Docker的容器、镜像、端口、存储和日志，再部署Dify。否则遇到启动失败、端口冲突或数据库问题时，很难独立定位原因。

项目作品集应该包含什么

至少包含需求和范围、系统架构、部署记录、核心配置、测试报告、排障记录、验收说明和运维交接。敏感信息需要脱敏。