一眨眼，我已经工作 10 年了。
在 2022 年以前，我一直相信，在这个行业里，只要技术栈钻得深，比如精通三方框架、熟悉 Android Framework、搞定性能优化，就能端稳饭碗。
但从 2023 年开始，一切都变了。
那一年，我第一次接触 Cursor 的初版，看着光标自动补全了我心里正想写的代码，那种感觉既兴奋又恐惧。紧接着，我所在的公司全面拥抱 AI，我被迫从舒适区里跳出来，去啃大模型、去搞 RAG、去调 Prompt。
这两年，我踩了无数坑：以为 AI 就是调包，结果 API 成本爆表；以为 Prompt 就是说人话，结果输出全是幻觉；以为 RAG 很简单，结果检索准确率惨不忍睹……
但我挺过来了。现在，我已经成功转型为一名 AI 应用工程师。
回头看，这不仅是一次技术的升级，更是一场“程序员的“第三次工业革命”。
今天，我想把这两年的转型经验，揉碎了、摊开了，讲给所有还在迷茫的兄弟们听。
一、转型经过
我所在的公司主营业务是内容方面的，完整的链路是由生产到消费：
- 首先引进 IP，找专门的制作人选题、再找专业的播音老师录制、运营配置上线
- 然后内部系统对内容进行打标、入库
- 最后通过推荐分发到 C 端用户
整个链路很长，并且很多环节是人为决策，热点响应速度也比较慢。
随着 AI 出现以后，很多环节都可以自动化完成。
比如内容生产，可以用 AI 完成百分之七八十的工作，再由人来优化剩余的。
从信号捕捉到选题、文稿转写、生成图片/音视频，这些都能实现自动化。
再说推荐，这块儿也可以 AI 化。
首先要对用户的喜好有充分的理解，然后对内容有深入的分析、归类。之前这些都是算法工程师做的，但大模型来了以后，我们普通开发者也可以参与其中。
然后到 C 端，C 端重要的就是怎么样把好的内容分发给对的人，让用户获取想要的内容成本越低越好。
这同样也是可以用 AI 去完成的，比如把内容重组成不同的形态（小说变漫画），满足不同场景的需求。
这是我们公司业务受 AI 的影响情况，几乎每个环节都可以通过 AI 提效，所以2024 年就开始从上到下 All In AI。
现在来看，老板们对 AI 的认识是行业里领先的。
实际上很多公司都类似，不管是做旅游的、短视频的，还是电商，只要业务核心是「内容+用户」，基本流程都差不多。
所以未来会有越来越多公司拥抱 AI、大量招聘 AI 人才，因为 AI 在这些环节里能做的太多了。
我因为一直对新技术比较关注，也在谷歌、字节的官方技术圈子里，所以知道一些 AI 技术比较早，就主动拥抱 AI，转向了 AI 创新业务。
做的内容主要是 AIGC，也就是通过 AI 提升内容生产效率，也做了内容理解和重组。很多时候是自己想点子、提方案，然后完整前后端闭环、上线。
比如第一个自己想的项目：在收听内容的同时，用户可能还会想要了解内容的一些附加信息，比如说人物关系图、重点的事件背景等等，这些都用 AI 去做。
后来又跟同事一起做了热点资讯生成，用自动化的方式去生产一些六七十分的内容，通过量大取胜。
一开始也是一头雾水，但好在有 Dify 这种低代码 Agent 平台。低代码 Agent最大的好处就是学习成本很低。我们有一些校招生，他们不怎么会编程，但通过这种 UI 拖拽的方式就能完成一个工作流/Agent 的搭建。
所以我判断未来这种界面搭建 Agent 的方式应该会是主流，它成本低效率高。但是也有缺点，缺点就是它的性能没那么好，在比较复杂的业务上，还是要用代码去做。
Dify 我花了一两天看他们的文档，边学边结合业务流程去做工作流。
学习 Dify 的时候需要了解它的每个节点都能干什么，通过使用合适的节点、合适的参数，完成整个流程。
最重要的就是大模型节点，我们需要去配置它的一些参数，知道不同的参数会有什么影响，还要去选择不同的模型，哪些模型应该适合做什么，它们的优缺点。这些都是逐渐摸索过来的，我也把它们都写到了专栏里。
然后就是 RPC 和 HTTP 的调用。这些节点，有些是调用公司内部的服务，有些需要自己去开发。一开始其实还是有一些畏惧的，因为之前主要是做前端项目。
好在 Cursor 这样的 AI IDE 比较强大。自己做了一两个项目并且上线以后，我就发现其实也没那么复杂。传说中的高并发 QPS 上千，通过加机器、加 Redis，、队列，再让 AI 进行一些性能优化，就能扛住了。
所以说这种全栈项目没有想象中那么复杂。重点是你怎么用好工具，通过 AI 的力量去解决问题。
在工作之余，我也自己做一些 AI 项目，从小程序到海外独立站，都做了一遍，感触很深。
现在的时代红利是，有问题基本都能找到答案，关键是你能不能提出好问题。
二、为什么做这个专栏
在 2025 年底做年终总结时，我发现自己学了很多东西，但没有好好沉淀，所以有了做这个专栏的念头。
整理了一下自己用过的技术栈，意识到其实这个路线是通用的。
很多人要转到 AI 开发，面临的问题主要有：
- 不知道 AI 开发是什么。
- 不清楚该学习哪些知识点，迭代的太快了。
- 最重要的是，没有信心，不知道自己零基础能不能学会。
所以我决定先讲一些思维方面的内容，介绍AI 应用开发每天都做什么、在 AI 时代全栈开发变得如何更加容易、同样都是 Vibe Coding 如何提高效率，以及如何写出更好的提示词等等。
现在流行的 Spec、Skills，没接触过的人可能会好奇是什么，等你把提示词工作搞明白以后，会发现并没有太多新东西。
解决思维问题后，剩下的就是动手。
最简单的 AI 应用就是通过调用大模型 API 去做文本、图片或视频的理解或生成，比如很多独立站，其实就是生图模型套壳。这方面是很多人做 AI 应用时遇到的第一个难点，大家不知道怎么对接、参数怎么控制、怎么选择模型、怎么做鲁棒性，所以我把它作为第二个内容放到了专栏里。
第三点是解决大模型的知识局限性的技术，也是现在招聘的热点需求 — RAG。
我最早接触 RAG 是因为 Google AI Edge 的一个 RAG SDK，它提供了在手机侧做 RAG 的能力。熟悉 RAG 的流程不复杂，但真正做实际系统时，就会发现除了简单的向量化和检索，中间还会有很多细节会影响检索结果。
所以我把 RAG 作为第三部分，刚刚更新完。很多朋友都反馈，之前觉得很复杂的东西，看完后比较理解了，我很开心。
那接下来，我们会去系统的学习低代码 Agent 平台：Dify 和 Coze。动手搭建工作流和 Agent，更重要的是学习怎么样自动化地去搭建，这个是我想要花点时间去重点讲的，尽量把能自动化的自动化。
最后就是讲一下代码级别的 AI Agent 如何开发，这个是我们和不懂技术的小白的重要区分点。
前面也讲了，复杂的高性能 Agent 是低代码做不了的，还是需要通过写代码解决。那写代码的时候，怎么样去设计？调用哪些工具？使用哪些框架？这个是我们第五阶段会讲的。
这些要教的内容，基本上都是我从一个小白到一个正式的 AI 工程师，实战里需要掌握的东西。
学AI大模型的正确顺序，千万不要搞错了
🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！
有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！
就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋
📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇
学习路线:
✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经
以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！
我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～
