说实话刚开始决定转的时候我心里其实挺慌的。以前做了很多年后端Java、Spring、MySQL、Redis、MQ这些东西基本都比较熟工作也算稳定。但那段时间明显感觉身边聊的东西开始变了。以前大家讨论的是微服务、分布式、性能优化现在项目里开始频繁出现大模型、RAG、Agent、MCP。我第一次认真看Agent岗位的时候心里其实有点不是滋味。很多JD直接写着“熟悉大模型应用开发”“具备Agent项目经验”“熟悉RAG、LangChain”。我看完第一个反应就是这些东西我好像都不会。甚至有一段时间我真的怀疑自己是不是已经35岁了还要不要折腾。但后来想明白了一件事。如果继续待在原来的舒适区我可能短时间不会失业但未来几年自己的技术竞争力会越来越弱。所以我最后还是决定转。✅ 第一阶段先补大模型基础我用了2-3周我没有一上来就学各种框架。第一步就是把大模型最基础的东西搞明白。API怎么调用、Prompt怎么写、Token是什么、上下文是什么、System Message和User Message有什么区别。然后直接自己调用模型写一些很简单的小工具。刚开始其实挺不适应。以前写Java代码逻辑基本是确定的。输入什么程序大概率就返回什么。但大模型不一样同一个问题换一种问法结果可能完全不同。我也是在这个阶段第一次意识到AI应用开发和传统后端确实有区别。✅ 第二阶段Tool Calling我用了2-3周真正让我开始理解Agent是Tool Calling。我当时没有直接上框架而是自己写了一个最简单的Agent。用户提出需求以后模型自己判断要不要调用工具调用什么工具程序执行工具再把结果交回模型。第一次完整跑通的时候其实挺有成就感。因为之前看Agent总觉得这个东西特别玄。自己真正跑一遍以后才发现本质上还是一个软件系统。模型负责判断工具负责执行程序负责控制整个过程。这时候我开始发现自己以前做后端积累的东西并没有浪费。✅ 第三阶段RAG我用了差不多一个月RAG是我当时踩坑最多的一块。刚开始跟着教程搭知识库文档切分、Embedding、向量数据库、检索流程很快就跑通了。但真正让我头疼的是效果。有时候明明知识库里面有答案模型就是找不到。有时候检索到了相关内容最后回答还是不准确。我一开始疯狂调参数后来才发现RAG不是把流程跑通就结束了。真正重要的是你要知道问题到底出在哪里。所以我后面花了差不多一个月围绕一个项目反复测试把文档切分、召回、重排、上下文这些东西一点点摸清楚。也是从这里开始我不再满足于“Demo能跑”。我开始要求自己项目出现问题以后我得知道怎么查。✅ 第四阶段LangChain / LangGraph我用了2-3周前面的基础搞清楚以后我才开始系统学Agent框架。这个时候反而没有之前那么痛苦。因为模型怎么调用我已经知道。Tool怎么工作我也知道。RAG怎么实现我也做过。所以再去看LangChain、LangGraph的时候很多东西其实就是把以前自己写的代码进行了封装。我没有追求把所有API都背下来。而是拿自己的项目重新用框架实现了一遍。这时候我才真正理解框架不是Agent的核心Agent的底层逻辑才是。✅ 第五阶段项目和工程化我用了一个多月真正让我从“学习AI”变成“准备找工作”的是项目阶段。我开始重新做项目不再满足于把Demo跑通。开始考虑异常处理、日志、Token成本、上下文管理、工具调用失败、模型超时这些问题。以前做后端的时候这些事情再熟悉不过了。所以做到这个阶段我反而开始找到自己的优势。别人可能会做一个很漂亮的Agent Demo。但我会开始想这个东西上线以后怎么办并发上来了怎么办模型失败怎么办成本太高怎么办日志在哪里看数据怎么存权限怎么控制我发现原来后端经验真的没有白积累。 但我也踩了几个很现实的坑第一个坑就是一开始太焦虑。看到别人学得快就觉得自己是不是35岁了已经来不及了。后来发现年龄不是最大的问题。真正的问题是你有没有一套正确的学习方法。第二个坑就是追新技术。今天学LangChain明天学LangGraph后天又去研究MCP。每天都觉得自己落后。后来我直接把这些东西放到项目里学需要什么就学什么效率反而高了很多。第三个坑就是做Demo上瘾。以前一个Demo跑通我就觉得自己会了。真正开始面试以后才发现面试官根本不关心你能不能把Demo跑出来。他更关心你为什么这么设计遇到问题怎么解决项目上线以后怎么保证稳定。 我最后是怎么把自己转过去的其实没有什么特别神奇的方法。就是用了几个月时间把几个核心能力真正做了一遍。LLM基础 → Tool Calling → RAG → Agent框架 → MCP → 工程化 → 完整项目 → 面试。每学一个东西就马上做项目。不懂就查。遇到Bug就解决。解决完再继续往下。整个过程没有所谓的“30天速成”。更多的是每天晚上下班以后继续学周末继续做项目。有时候一个问题能折腾半天。甚至会出现前一天觉得自己已经学会了第二天一做项目又发现什么都不会的情况。但就是这样一点一点过来的。最后对于正在迷茫择业、想转行提升或是刚入门的程序员、编程小白来说有一个问题几乎人人都在问未来10年什么领域的职业发展潜力最大答案只有一个人工智能尤其是大模型方向当下人工智能行业正处于爆发式增长期其中大模型相关岗位更是供不应求薪资待遇直接拉满——字节跳动作为AI领域的头部玩家给硕士毕业的优质AI人才含大模型相关方向开出的月基础工资高达5万—6万元即便是非“人才计划”的普通应聘者月基础工资也能稳定在4万元左右。再看阿里、腾讯两大互联网大厂非“人才计划”的AI相关岗位应聘者月基础工资也约有3万元远超其他行业同资历岗位的薪资水平对于程序员、小白来说无疑是绝佳的转型和提升赛道。如果你还不知道从何开始我自己整理一套全网最全最细的大模型零基础教程我也是一路自学走过来的很清楚小白前期学习的痛楚你要是没有方向还没有好的资源根本学不到东西下面是我整理的大模型学习资源希望能帮到你。扫码免费领取全部内容最后1、大模型学习路线2、从0到进阶大模型学习视频教程从入门到进阶这里都有跟着老师学习事半功倍。3、 入门必看大模型学习书籍文档.pdf书面上的技术书籍确实太多了这些是我精选出来的还有很多不在图里4、AI大模型最新行业报告2026最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。5、面试试题/经验【大厂 AI 岗位面经分享107 道】【AI 大模型面试真题102 道】【LLMs 面试真题97 道】6、大模型项目实战配套源码适用人群四阶段学习规划共90天可落地执行第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…扫码免费领取全部内容3、这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】 35岁转Agent，我没有想象中那么潇洒
说实话刚开始决定转的时候我心里其实挺慌的。以前做了很多年后端Java、Spring、MySQL、Redis、MQ这些东西基本都比较熟工作也算稳定。但那段时间明显感觉身边聊的东西开始变了。以前大家讨论的是微服务、分布式、性能优化现在项目里开始频繁出现大模型、RAG、Agent、MCP。我第一次认真看Agent岗位的时候心里其实有点不是滋味。很多JD直接写着“熟悉大模型应用开发”“具备Agent项目经验”“熟悉RAG、LangChain”。我看完第一个反应就是这些东西我好像都不会。甚至有一段时间我真的怀疑自己是不是已经35岁了还要不要折腾。但后来想明白了一件事。如果继续待在原来的舒适区我可能短时间不会失业但未来几年自己的技术竞争力会越来越弱。所以我最后还是决定转。✅ 第一阶段先补大模型基础我用了2-3周我没有一上来就学各种框架。第一步就是把大模型最基础的东西搞明白。API怎么调用、Prompt怎么写、Token是什么、上下文是什么、System Message和User Message有什么区别。然后直接自己调用模型写一些很简单的小工具。刚开始其实挺不适应。以前写Java代码逻辑基本是确定的。输入什么程序大概率就返回什么。但大模型不一样同一个问题换一种问法结果可能完全不同。我也是在这个阶段第一次意识到AI应用开发和传统后端确实有区别。✅ 第二阶段Tool Calling我用了2-3周真正让我开始理解Agent是Tool Calling。我当时没有直接上框架而是自己写了一个最简单的Agent。用户提出需求以后模型自己判断要不要调用工具调用什么工具程序执行工具再把结果交回模型。第一次完整跑通的时候其实挺有成就感。因为之前看Agent总觉得这个东西特别玄。自己真正跑一遍以后才发现本质上还是一个软件系统。模型负责判断工具负责执行程序负责控制整个过程。这时候我开始发现自己以前做后端积累的东西并没有浪费。✅ 第三阶段RAG我用了差不多一个月RAG是我当时踩坑最多的一块。刚开始跟着教程搭知识库文档切分、Embedding、向量数据库、检索流程很快就跑通了。但真正让我头疼的是效果。有时候明明知识库里面有答案模型就是找不到。有时候检索到了相关内容最后回答还是不准确。我一开始疯狂调参数后来才发现RAG不是把流程跑通就结束了。真正重要的是你要知道问题到底出在哪里。所以我后面花了差不多一个月围绕一个项目反复测试把文档切分、召回、重排、上下文这些东西一点点摸清楚。也是从这里开始我不再满足于“Demo能跑”。我开始要求自己项目出现问题以后我得知道怎么查。✅ 第四阶段LangChain / LangGraph我用了2-3周前面的基础搞清楚以后我才开始系统学Agent框架。这个时候反而没有之前那么痛苦。因为模型怎么调用我已经知道。Tool怎么工作我也知道。RAG怎么实现我也做过。所以再去看LangChain、LangGraph的时候很多东西其实就是把以前自己写的代码进行了封装。我没有追求把所有API都背下来。而是拿自己的项目重新用框架实现了一遍。这时候我才真正理解框架不是Agent的核心Agent的底层逻辑才是。✅ 第五阶段项目和工程化我用了一个多月真正让我从“学习AI”变成“准备找工作”的是项目阶段。我开始重新做项目不再满足于把Demo跑通。开始考虑异常处理、日志、Token成本、上下文管理、工具调用失败、模型超时这些问题。以前做后端的时候这些事情再熟悉不过了。所以做到这个阶段我反而开始找到自己的优势。别人可能会做一个很漂亮的Agent Demo。但我会开始想这个东西上线以后怎么办并发上来了怎么办模型失败怎么办成本太高怎么办日志在哪里看数据怎么存权限怎么控制我发现原来后端经验真的没有白积累。 但我也踩了几个很现实的坑第一个坑就是一开始太焦虑。看到别人学得快就觉得自己是不是35岁了已经来不及了。后来发现年龄不是最大的问题。真正的问题是你有没有一套正确的学习方法。第二个坑就是追新技术。今天学LangChain明天学LangGraph后天又去研究MCP。每天都觉得自己落后。后来我直接把这些东西放到项目里学需要什么就学什么效率反而高了很多。第三个坑就是做Demo上瘾。以前一个Demo跑通我就觉得自己会了。真正开始面试以后才发现面试官根本不关心你能不能把Demo跑出来。他更关心你为什么这么设计遇到问题怎么解决项目上线以后怎么保证稳定。 我最后是怎么把自己转过去的其实没有什么特别神奇的方法。就是用了几个月时间把几个核心能力真正做了一遍。LLM基础 → Tool Calling → RAG → Agent框架 → MCP → 工程化 → 完整项目 → 面试。每学一个东西就马上做项目。不懂就查。遇到Bug就解决。解决完再继续往下。整个过程没有所谓的“30天速成”。更多的是每天晚上下班以后继续学周末继续做项目。有时候一个问题能折腾半天。甚至会出现前一天觉得自己已经学会了第二天一做项目又发现什么都不会的情况。但就是这样一点一点过来的。最后对于正在迷茫择业、想转行提升或是刚入门的程序员、编程小白来说有一个问题几乎人人都在问未来10年什么领域的职业发展潜力最大答案只有一个人工智能尤其是大模型方向当下人工智能行业正处于爆发式增长期其中大模型相关岗位更是供不应求薪资待遇直接拉满——字节跳动作为AI领域的头部玩家给硕士毕业的优质AI人才含大模型相关方向开出的月基础工资高达5万—6万元即便是非“人才计划”的普通应聘者月基础工资也能稳定在4万元左右。再看阿里、腾讯两大互联网大厂非“人才计划”的AI相关岗位应聘者月基础工资也约有3万元远超其他行业同资历岗位的薪资水平对于程序员、小白来说无疑是绝佳的转型和提升赛道。如果你还不知道从何开始我自己整理一套全网最全最细的大模型零基础教程我也是一路自学走过来的很清楚小白前期学习的痛楚你要是没有方向还没有好的资源根本学不到东西下面是我整理的大模型学习资源希望能帮到你。扫码免费领取全部内容最后1、大模型学习路线2、从0到进阶大模型学习视频教程从入门到进阶这里都有跟着老师学习事半功倍。3、 入门必看大模型学习书籍文档.pdf书面上的技术书籍确实太多了这些是我精选出来的还有很多不在图里4、AI大模型最新行业报告2026最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。5、面试试题/经验【大厂 AI 岗位面经分享107 道】【AI 大模型面试真题102 道】【LLMs 面试真题97 道】6、大模型项目实战配套源码适用人群四阶段学习规划共90天可落地执行第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…扫码免费领取全部内容3、这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】