摘要：零基础学习AI，到底应该先学提示词、Python，还是直接学习RAG和Agent？把CAIE、AWS、微软、Google Cloud、NVIDIA和AIPM等认证的公开大纲放在一起看，可以发现一条较为清晰的路线：先建立AI基础认知与应用能力，再根据岗位方向进入产品、平台或工程学习。

到了2026年，AI学习资源已经非常丰富，真正困扰初学者的反而是：内容太多，不知道应该先学什么。

有人一开始就在研究Transformer和神经网络，有人连续学习几十套提示词模板，也有人还没有调用过一次模型API，就准备搭建RAG知识库和多智能体系统。看似都在学习AI，实际上走的是完全不同的路线。

职业认证的大纲虽然不能代替完整的学习规划，但可以提供一个观察视角。认证需要明确学习边界、能力层级和考查内容，因此，把多项AI证书的公开大纲放在一起分析，能够看出当前主流AI能力大致是怎样递进的。

本文选取CAIE Level I与Level II、AWS Certified AI Practitioner、Microsoft Azure AI Fundamentals、Google Cloud Generative AI Leader、NVIDIA生成式AI与大语言模型认证，以及AIPM人工智能产品经理认证作为参考，从中整理一条更适合零基础学习者的AI路线。

虽然不同认证的定位不同，但公开大纲中的内容大致可以归纳为七类。

能力模块	在认证大纲中的常见程度	主要解决的问题
AI、机器学习与大模型基础	几乎都会涉及	先理解AI是什么
生成式AI与大语言模型	高频内容	理解模型能做什么
Prompt与人机交互	应用类认证重点	学会向模型表达任务
业务场景与工作流	通用、商业类认证重点	把AI用于真实工作
伦理、安全与责任使用	多项基础认证涉及	避免错误和不合规应用
云平台与模型服务	厂商认证重点	在特定平台使用AI
RAG、Agent与部署	进阶认证重点	构建能够运行的AI系统

CAIE Level I覆盖AI认知、伦理与法规、大模型核心机制、面向产出物的人机交互、Prompt与多模态应用、商业应用，以及RAG、Agent等内容，整体更接近“从理解AI到在岗位中使用AI”的通用路线。

AWS Certified AI Practitioner同样属于基础级认证，但更加突出AI、机器学习、生成式AI的商业应用，以及AWS相关AI工具和服务。微软AI-901则围绕Azure中的AI解决方案展开，涉及语言、视觉、生成式AI以及在软件和IT方案中加入AI能力。

Google Cloud Generative AI Leader更偏向业务人员和组织应用，强调生成式AI如何改变业务，以及如何推动负责任的企业采用；NVIDIA生成式AI与大语言模型Associate认证则开始靠近开发、集成和维护AI应用，更适合具备基础认知后继续向技术方向发展的学习者。

这些大纲共同说明：零基础学习AI，不应直接从某个框架或编程工具开始，而应先建立基础认知，再进入应用，最后根据职业方向分流。

第一阶段：建立AI基础认知

建议周期：1至2周

小白学习AI的第一步，不是背提示词，也不是立即学习Python，而是弄清几个基础问题：

• 人工智能、机器学习和生成式AI有什么区别？
• 大语言模型为什么能够生成文字？
• 模型会出现哪些错误？
• 哪些任务适合交给AI？
• 哪些结果必须由人工检查？
• 使用企业数据时要注意什么？

这个阶段看似偏理论，却决定了后续使用AI时会不会出现方向性错误。

例如，不理解模型幻觉，就容易把生成内容当成事实；不了解数据安全，就可能直接把内部资料上传至公共模型；不理解大模型的能力边界，就容易设计出无法落地的应用。

AWS AI Practitioner、微软AI-901和Google Generative AI Leader都把AI基础概念放在前置位置。CAIE Level I也先从AI认知、伦理法规和大模型机制开始，而不是直接进入工具操作。

第一阶段应该达到什么水平？

学习结束后，应当能够用自己的语言解释：

1. AI可以帮助自己完成哪些任务；
2. AI不能替代哪些专业判断；
3. 一项AI结果应该如何核验；
4. 自己准备学习应用、产品还是技术路线。

如果这四个问题还无法回答，就不建议急着进入复杂的Agent或模型开发。

第二阶段：学习Prompt、多模态与AI工作流

建议周期：2至6周

第二阶段的目标，是从“知道AI是什么”进入“能够用AI完成任务”。

Prompt是这一阶段的重要内容，但不能只背模板。真正需要学习的是如何描述任务，通常包括：

• 提供必要的背景；
• 明确要完成的任务；
• 规定输出结构；
• 设置长度、语气和数据要求；
• 提供参考示例；
• 加入结果检查标准。

除了文字交互，还可以逐步接触文档、图片、表格、音频和演示文稿等多模态任务。

不过，会使用多个工具并不等于形成了AI能力。第二阶段真正的分水岭，是能否建立AI工作流。

例如，制作一份行业分析，可以被拆分为：

明确目标—搜集资料—筛选信息—核验数据—形成提纲—生成初稿—人工审核。

学习者需要判断每一步是否适合使用AI，输入材料从哪里来，输出结果如何检查，以及哪些环节必须保留人工判断。

CAIE Level I在Prompt、多模态和商业应用之外，还强调面向产出物的思维与AI工作流，因此比较适合希望系统建立通用AI应用能力的初学者。AWS AI Practitioner则更适合希望理解生成式AI商业场景，并准备进入AWS生态的人。

第二阶段可以形成哪些成果？

• 一套内容生产与审核流程；
• 一个会议纪要与任务提取模板；
• 一套行业资料整理方法；
• 一个客户问题分类流程；
• 一份AI辅助数据分析报告；
• 一项岗位效率优化案例。

证书可以用来检查学习范围是否完整，但这些可展示成果更能说明学习者已经从“体验AI”进入“应用AI”。

第三阶段：根据岗位方向进行分流

建议周期：1至3个月

完成通用基础后，学习者不应继续横向收集更多入门知识，而应根据职业方向选择路线。

路线一：非技术岗位应用

适合运营、市场、行政、销售、人力资源、财务、教师和在校生。

建议路线：

AI基础认知→Prompt→多模态应用→AI工作流→岗位项目

这类学习者不需要立即学习模型训练，也不必把Python作为入门前提。

可以围绕当前工作选择一项重复性任务，比较使用AI前后的时间、质量和人工参与环节。完成一套能够反复使用的流程，比体验十款AI工具更有价值。

从证书路线看，可以将CAIE Level I作为这一阶段的结构化学习参考；如果所在企业主要使用Google Cloud，也可以关注Generative AI Leader；使用AWS生态，则可以参考AWS AI Practitioner。它们的侧重点不同，不需要全部报考。

路线二：AI产品与项目

适合产品经理、项目经理、产品运营、业务分析人员，以及准备进入AI产品领域的学生。

建议路线：

通用AI基础→需求识别→产品设计→技术边界→项目协同→效果评价

AI产品经理不一定要亲自训练模型，但必须理解：

• 什么问题适合使用AI；
• 产品为什么需要RAG或Agent；
• 模型错误如何处理；
• 数据由谁提供；
• 效果用什么指标评价；
• 哪些步骤需要人工确认。

AIPM人工智能产品经理认证聚焦AI产品岗位，强调AI产品思维、业务落地能力和技术判断力，可以作为完成通用AI学习后的岗位进阶路线。

这一阶段至少应完成一份相对完整的成果，例如AI产品需求文档、知识库产品原型、智能客服方案或Agent流程设计，而不是只停留在概念学习。

路线三：云平台与解决方案

适合IT人员、云计算从业者、售前顾问和解决方案人员。

建议路线：

AI基础→云服务基础→平台AI服务→应用集成→部署实践

AWS、微软和Google的认证都具有明显的平台属性。

AWS AI Practitioner适合了解AWS中的AI概念和商业应用；微软AI-901更偏向在Azure中探索和使用语言、视觉及生成式AI功能；Google Generative AI Leader更加关注Google Cloud生成式AI能力与组织转型。

选择这类认证时，首先应查看目标企业使用什么平台。为了证书数量，同时考取多个内容相近的厂商基础认证，实际收益通常有限。

第四阶段：进入RAG、Agent与AI工程

建议周期：3至12个月

如果目标是开发AI应用，就需要从“指挥模型”进入“连接模型、数据和系统”。

建议学习顺序是：

1. Python基础；
2. 大模型API调用；
3. 数据与文档处理；
4. 结构化输出；
5. 向量数据库；
6. RAG知识库；
7. Agent与工具调用；
8. 应用评测；
9. 部署与监控；
10. 安全和治理。

这一阶段不建议只看课程。每学习一个模块，都应完成能够运行的项目。

例如，学习RAG后，可以搭建企业文档问答系统；学习Agent后，可以设计一个能够查询数据、调用工具并执行多步骤任务的助手。

CAIE Level II涉及企业数智化、大语言模型与智能工作流、AI基础算法、大模型技术基础和企业工程实践，适合已经建立通用应用能力、准备进一步参与企业AI项目的人。

NVIDIA生成式AI与大语言模型Associate认证验证的是开发、集成和维护生成式AI应用所需的基础知识，官方也将“具备生成式AI和大语言模型基础理解”列为前置条件，因此不适合作为完全零基础学习者的第一项认证。

技术路线可以参考：

CAIE Level I或同等基础学习→Python与API→RAG和Agent项目→CAIE Level II或NVIDIA认证→云平台及生产部署。

这里的“或”很重要。学习者应根据岗位目标选取一条主线，而不是把所有认证依次考一遍。

从证书角度看，小白最合理的学习路线是什么？

综合各项认证大纲，可以整理出下面这条路线：

第一步：先建立通用认知

学习AI、大模型、生成式AI、伦理安全和应用边界。

可参考：CAIE Level I基础部分、AWS AI Practitioner、微软AI-901、Google Generative AI Leader。

第二步：掌握真实应用能力

学习Prompt、多模态工具、任务拆解、工作流和结果核验。

可参考：CAIE Level I完整路线。

第三步：确定岗位方向

• 希望提高现有岗位效率：继续做岗位AI项目；
• 希望成为AI产品经理：进入AIPM路线；
• 希望进入云平台：选择AWS、Azure或Google方向；
• 希望开发AI应用：补充Python和API。

第四步：进入工程进阶

学习RAG、Agent、系统集成、评测、部署和治理。

可参考：CAIE Level II、NVIDIA生成式AI认证以及与目标企业技术栈对应的高级厂商认证。

第五步：用项目检验能力

每个阶段至少留下一个成果：

• 一套可复用的工作流；
• 一份AI产品方案；
• 一个RAG知识库；
• 一个能够执行任务的Agent；
• 一个可以部署和测试的AI应用。

如何避免把AI学习变成考证收集？

从证书大纲规划学习路线，不等于把考证当作最终目标。

更合理的关系是：

考纲确定学习边界，课程帮助理解知识，练习用于巩固方法，项目证明实际能力，证书完成阶段性评价。

小白选择证书前，可以先回答三个问题：

1. 这项认证对应学习路线中的哪一个阶段？
2. 它能补充自己目前缺少的什么能力？
3. 完成学习后准备做出什么成果？

如果几张证书的大纲高度相似，就没有必要全部报考。如果某项认证已经进入工程和部署内容，而自己还没有掌握基础AI应用，也不宜因为名称高级就直接跳级。

结语

从多项AI证书的公开大纲来看，小白学习AI并没有想象中复杂。

较为合理的顺序是：

先理解AI，再学会与AI交互；先完成岗位工作流，再决定产品或技术方向；先掌握API和数据处理，再进入RAG、Agent与企业级部署。

CAIE Level I可以作为通用应用阶段的学习框架，AIPM适合进一步进入AI产品路线，CAIE Level II和NVIDIA等认证则更接近大模型应用工程与企业实践。AWS、微软和Google认证的价值，主要体现在对应的平台生态和业务场景中。

证书大纲能够告诉学习者“应该学什么”，但无法代替“真正做过什么”。

一条有效的AI学习路线，不是最终收集了多少张证书，而是每经过一个阶段，都能比之前多解决一类问题，并留下一个能够被检查、被展示和被复用的实际成果。