90天拿下20万美元AI岗？先看这10个GitHub仓库，再看评论区

一条X帖子把“20万美元AI工程师”拆成两个数字：90天，10个GitHub仓库。发帖人Divyanshi说，如果要在90天内拿下这样的岗位，不会去读学位，会掌握这份清单。

帖子列出的仓库覆盖了当下AI应用工程的主干：RAG、Agent、多智能体、本地模型、MCP、向量数据库、系统设计和Claude Code。对开发背景的人，这是一张可用的学习地图；对没有技术背景的读者，也可以把它当作AI应用层的关键词表。

1. awesome-llm-apps
   发帖人把它称作生产AI playbook，包含RAG、Agent、多模态应用的可运行代码，并称有106K+ stars。

2. LangChain
   基础框架。帖子称Klarna、Replit、Elastic和多数AI创业公司在生产中使用。

3. LangGraph
   面向生产Agent的编排层。帖子说这是高级AI工程师岗位描述里常见的技能。

4. CrewAI
   多智能体协调框架。帖子称它是多数财富500强团队最先尝试的框架。

5. Ollama
   在自己机器上运行开源LLM。对想理解模型如何工作的人，这是最快路径之一。

6. awesome-mcp-servers
   MCP相关资源。帖子称MCP是2026年各大AI实验室采用的标准，掌握它能让工程师领先99%的人。这个比例是发帖人的说法，不必当成统计结论。

7. Qdrant
   生产级RAG常用的向量数据库。嵌入和语义搜索对AI岗位几乎不可缺。

8. AI-Agents-for-Beginners
   微软的免费12节Agent课程。有真实代码、练习和面试准备材料。

9. system-design-primer
   生产AI最终落在系统设计上。帖子称这是FAANG工程师准备面试时用的仓库。

10. awesome-claude-code
    Claude Code的工具 playbook。帖子称它被FAANG、OpenAI、Anthropic和多数YC创业公司使用。

清单本身有信息量。它没有从“机器学习理论”开始，而是直接指向应用工程：把模型接进产品，做检索，编排工具，处理状态，部署向量库，理解系统边界。这些确实是AI应用团队每天要碰的东西。

但90天和20万美元放在一起，仍然是招聘广告式表达。掌握仓库不等于能交付项目，能交付项目也不等于能通过面试。招聘方会看代码、看系统设计、看协作记录，还会验证你是否真的做过。

评论区里也有不同声音。有人夸分享，有人问该从哪个仓库开始，还有人直接说：如果你真能做到，就不会在这里复制粘贴这些东西。这句话刻薄，但提醒了一个事实：清单可以收藏，能力不能收藏。

发帖人最后写，市场不在乎你在哪学，只在乎你能不能ship。这个判断比“10个仓库”更接近现实。对普通读者，先挑一个仓库跑通小项目，比把10个链接全部存进收藏夹有用。对AI从业者，这份清单适合查漏补缺，不适合当成90天速成合同。