资料没有给出 AI engineer 的硬性学历门槛，重点落在能否用真实项目证明判断力和交付能力；工作里没有机会，就自己造一个能讲完整过程的项目。
AI根据立正公开的文章和视频整理，不是他本人回复。重要的判断，请回到出处核对。
学历不是资料里的筛选标准，真实项目才是
现有材料没有讨论 AI engineer 需要什么学位，反复强调的是项目经历在先、表达框架在后：能讲清一个真实问题怎么被 AI 端到端解决，比学历标签更能让面试官相信你懂。文章提到，还在公司里、没有机会做项目的人，可以用几个周末做一个真实但不必很大的项目，要真实、有深度、能讲出完整过程1。立正也说过行动力排第一，不能只停在聊天框里，要用 agentic coding 工具让 AI 成为杠杆2。所以学历可能是某些公司的初筛条件，但资料能支撑的判断是：拿 offer 靠积累，不靠包装。
能收口的人比会调工具的人稀缺
Ethan 在访谈里提出，AI 能完成大部分工作，最后判断对错、给反馈、对结果负责的环节仍要人来做，没有领域深度就收不了口3。立正把这条用在职业转型上：不要原地补技能，而要往更接近模型、更接近结果的位置走，负责把模糊业务问题翻译成 AI 能用的 context、设计评估和反馈回路、编排模型与流程、判断什么该自动化4。对你想转的方向，这意味着选一个你已有业务理解的场景，用 AI 把它做到底，而不是泛泛学工具。
先做一个能讲完整过程的小项目
AI推演如果工作里确实没有 AI 或数据项目的机会，可以先挑一件你日常熟悉、结果好坏你能判断的事，用 AI 从需求到交付做一遍，记录你如何定义问题、如何评估输出、哪里出错、怎么修正。这样做的价值在于检验你是否具备收口能力：做完后你能不能向别人讲清为什么这样设计、错在哪、下次怎么改。讲得清，说明这个方向值得继续投入；讲不清，说明缺的是判断而非工具，可以针对性补。
资料没有涉及具体公司对 AI engineer 的学历硬性要求，也没有你所在行业和现有技能的信息，项目方向需结合自身情况选择。
出处
- 12026，如何在面试中证明自己"真的懂AI"
说明项目经历在先、表达框架在后，以及没有机会时如何自己造项目。
- 2AI会干掉中产吗？一场来自科技从业者的深度对话
对数据背景转型者的直接回应：行动力优先，不能停在聊天框。
- 3AI时代，找工作和创业的有效方法｜Jobright联创/CTO Ethan对话
Ethan 提出 close loop 判断，解释为什么领域深度决定能否胜任。
- 4AI时代，大厂打工人的五条路
讲组织内往 AI engineer 等位置转型要具备的四类能力。
你也有想问的？
卡住的时候，问问立正：回答附有出处，可以点回原文核对。
也可以接着问：
别人还问了
- 怎样得获海外华人用户
先想清楚你要的是哪一类海外华人、他们凭什么愿意来；再用具体内容或真实作品把人吸引过来，同时把来之后的承接做好，否则每次曝光都要重新解释一遍。
- 目前在企业做管理, 个人时间做些pet project, 一直在探索创业项目, 个人网页里应该怎么展现
先想清楚这个网页要让谁看完后做什么，再决定放什么；对还在探索创业的人，最有说服力的不是头衔，而是能验证的项目过程和判断记录。
- 我有个问题哦，就是我听了立正你很多的一些观点，也很受启发。然后呢，现在我看到网上，特别是比如说生财有道这样子的平台，或者好多不同的平台吧，用AI带货，视频号带货。简单的说就是制作一些内容，那比如说AI制作视频号去带货图书这个板块，或者说做一些流量的一些事情，比如说贴图号，或者说小红书的一些账号，做一些账号，然后带货橱窗。首先我觉得它里面有一些可能性，但我其实有一种没有那么的确信和笃定。你是怎么看这件事的呢？首先我其实也挺想做做这种事情的，因为也想赚一些钱嘛。但我不清楚的是，这是一种幸存者的一些偏差，还是一个稳定能干的事情。其实又会延伸出很多赛道嘛，比如说AI图书带货，或者小红书的虚拟教材带货等等。
立正没有直接评价AI带货这类赛道，但他反复强调：光看别人讲、追热词，形不成有效认知；动手做出东西才是拿到结果的必要条件，而且这条件本身并不保证成功。
- 现在ai流行的年代和ai不断在进步，对于data analyst怎么转行？是应该加强dormain knowledge还是技术？已经有了一个普通学校的研究生还应该学一个名校研究生cs？为了好找工作吗
立正对数据人的建议是先确认自己是否在创造价值，再把AI真正用进工作流；domain 与技术不是二选一，名校CS硕士也不是默认答案，要看它能否帮你拿到具体岗位的面试。
- 不想上班了，但找不到自己熱愛想試的方法
「热爱」往往不是先找到再去做，而是在低成本尝试里被验证出来的；先分清不想上班是「自」的感受还是「我」的默认剧本，再用小实验代替空想。
- 现在这个时代开始做 recommendation system 的 MLE 和 personalization system 的 MLE，还有前途吗？
比起data and AI platform engineer（主要管企业里的 fabric、databricks、Snowflake 和 azure平台），这两种哪个更有前途一点？
立正没有直接比较过这两个岗位，但他说过机器学习真正的价值是工程问题，也说过数据与推荐系统是产品的底层本质。选哪个更取决于你愿意把工程能力做到多深，而不是岗位名字。