本文讲述了金融从业者如何通过结合自身经验和AI技术实现职业升级。作者分享了AI+金融的转型路径，包括建立认知、做AI项目、转化经验等关键步骤。文章强调，金融背景不是限制，而是优势，通过学习AI应用，可以在原有基础上提升竞争力，获得更好的职业发展机会。
这是我的转型案例手记
你的行业经验，是 AI 时代最贵的资产
先说她什么背景。
她 31 岁，本科金融专业，在金融行业已经积累了 5 年多经验。
刚开始工作的时候，她对自己的职业规划其实很明确，觉得金融行业虽然竞争大，但只要不断积累业务经验，未来还是有机会往更高的位置发展。
前几年她也确实积累了不少经验，做过金融数据分析、业务支持、资料整理、项目推进这些工作，对于行业流程和业务逻辑都比较熟悉。
但到了 30 岁以后，她开始明显感觉到一个问题：传统金融岗位越来越卷了。
以前金融行业更看重经验和专业能力，但这几年 AI 快速进入金融领域，很多机构开始探索智能投研、AI 风控、金融知识库、智能客服、自动化分析等方向。
她发现，身边一些年轻同事已经开始用 AI 辅助整理资料、分析数据、提高工作效率。
而自己虽然有 5 年的金融经验，但如果继续停留在原来的工作模式里，未来竞争力可能会越来越弱。
她找到我的时候，其实最大的顾虑就是：“我是金融专业，又不是计算机背景，也不会写代码，现在学 AI 是不是已经晚了？”
很多金融背景的人都会有这种想法。觉得 AI 属于技术人员的领域，金融人想进入 AI，就必须先学编程、学算法、变成技术人员。
但实际上，金融行业真正需要的，并不是每个人都去做模型研发。
未来更稀缺的是：懂金融业务，同时懂 AI 如何解决实际问题的人。
所以我给她规划的方向，并不是让她放弃过去 5 年的金融经验重新开始，而是在原来的基础上增加 AI 能力。
整个职业升级过程，大概用了 3 个月。
一、先建立 AI+金融的认知（半个月）
第一个阶段，用了大概半个月。
刚开始她也踩过坑。她觉得自己想转 AI，第一步应该是学 Python、看大模型原理、研究机器学习。
所以她收藏了大量课程，也开始学习一些技术内容。
但学了一段时间以后，她发现自己越来越迷茫。因为每天都在接触新的 AI 知识，但不知道这些东西和未来岗位有什么关系。
所以第一阶段，我们先没有让她继续盲目学技术，而是重新梳理金融业务和 AI 结合的方向。
她过去 5 年的工作，其实积累了很多金融场景经验。比如行业资料整理、企业信息分析、市场数据处理、研究报告辅助、风险信息筛查等。
这些工作看起来传统，但本质上都涉及大量信息处理。而大模型能够辅助完成的，正是知识整理、信息分析和内容生成。
所以她慢慢发现：自己不是没有优势。
相反，金融经验正是她进入金融业务与 AI 结合方向最大的基础。
她不需要和计算机专业的人竞争代码能力，而是需要学会如何利用 AI 提升金融业务效率。
二、围绕金融场景做 AI 项目（1 个多月）
第二阶段，大概用了一个多月。
确定方向以后，我没有让她停留在学习理论，而是直接开始做项目。
因为现在企业关注候选人的 AI 应用能力，真正看的不是你背了多少技术名词，而是你有没有解决实际业务问题的能力。
我们选择的是金融知识库 + AI 助手方向。
从业务需求梳理开始，到资料整理、使用现成工具搭建知识库，再到提示词调整、问答测试和结果核对，她完整参与了一遍，并把过程整理成了可以展示的项目说明。
刚开始接触知识库配置、提示词和问答测试时，她也觉得陌生。
但真正做项目以后，她发现 AI 应用并不是简单学习几个工具。
更重要的是理解：
金融场景为什么需要知识库？
为什么不能直接让大模型回答？
如何核对回答的资料出处、判断内容是否可靠？
如何让 AI 真正融入金融业务流程？
这些问题，其实才是把 AI 用在金融业务里真正需要关注的能力。
因为技术人员可以搭建一个 AI 系统，但不一定理解金融行业里的业务规则、风险要求和用户需求。
而她过去 5 年的行业经验，反而成为她和其他候选人的区别。
三、把金融经验转化成岗位竞争力（1 个月）
最后一个阶段，大概用了 1 个月。项目完成以后，我们开始准备求职。
其实很多传统行业学习 AI 的人都会遇到一个问题：不是能力不够，而是不知道怎么表达自己的价值。
她之前的简历更多体现的是金融业务经验：负责数据分析、支持业务推进、整理行业资料、参与项目落地。
这些经历没有问题。
但如果直接投递希望候选人具备 AI 应用能力的相关岗位，很容易被认为：只是一个刚开始学习 AI 的金融从业者。
所以我们重新调整了她的职业定位。
不是：“我是金融专业，现在想转 AI。”
而是：“我有多年金融业务经验，同时具备 AI 应用能力，可以把 AI 用在金融资料分析和业务支持中。”
这个变化非常重要。
因为金融经验不是她需要丢掉的东西。反而是她争取更好金融岗位时最大的竞争优势。
面试过程中，她不需要和技术背景候选人比较谁算法更强，而是重点展示：自己理解金融业务，知道行业痛点，也知道 AI 应该如何落地。这也是很多企业真正缺少的复合型人才。
四、结果：华泰证券，36K
整个职业升级过程前后大概 3 个月。
刚开始投递岗位的时候，她其实也有压力。毕竟 31 岁，又不是计算机专业，也没有互联网大厂 AI 项目经历。
但真正进入面试以后，她发现很多问题并不是考察技术细节。
更多是在考：你是否理解金融业务？你能不能找到 AI 适合落地的场景？你是否知道如何把 AI 能力转化成业务价值？这些问题，反而是她过去 5 年的金融经验和这次的项目准备能够回答的。
最后，她成功拿到了华泰证券相关岗位 Offer，月薪 36K。
拿到 Offer 以后，她跟我说：“以前我觉得金融背景限制了自己，现在才发现，过去积累的经验才是我结合 AI 升级职业的最大优势。”
这也是我想告诉很多金融背景朋友的一句话。
AI 时代，金融人不一定要重新学一套完全陌生的东西。更好的方式，是在原来的专业能力上增加 AI 能力。
未来金融行业需要的，不只是懂金融的人，也不只是懂技术的人。
而是那些能够把：金融业务 + AI 应用 + 业务落地结合起来的人。
所以如果你也是已经工作几年、专业能力不算差、但收入增长明显放缓、想给职业再加一层的朋友，我真的建议认真看看 AI+行业这条路。
无论是工科、制造、研发、供应链这类技术型背景，还是金融、医疗、药学、护理、营销、销售、HR、产品、运营、财务、咨询这类业务型背景，今天都面临同一个问题：单靠原来的专业经验，职业天花板越压越低。
但转 AI 并不意味着要丢掉自己的专业。
机械工程师可以是 AI+研发应用专家，财务可以是 AI+经营分析专家，金融分析师可以是 AI+投研分析专家，营销可以是 AI+增长分析专家，HR 可以是 AI+人才分析专家，护士可以是 AI+临床辅助专家，供应链可以是 AI+运营分析专家。
本质上，都是"专业经验 × AI 应用能力"的复合人才。
这种情况下，转 AI 未必意味着转行。更准确地说，是在你原来的职业能力上，再增加一层 AI。
以前你只能解决自己岗位上的具体问题，以后可以把自己的专业经验，叠加 AI 和数字化能力，沉淀成可以复用的解决方案，帮你争得更多机会和更高溢价。
这可能才是每个行业的人在 AI 时代都值得认真看的一条路。
如果你本身是金融、证券、银行、财务、经济等背景，你过去的行业经验，就是你进入金融业务与 AI 结合方向的底牌。
如何学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
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】
为什么要学习大模型？
我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年，人才缺口已超百万，凸显培养不足。随着AI技术飞速发展，预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。
大模型入门到实战全套学习大礼包
1、大模型系统化学习路线
作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！
2、大模型学习书籍&文档
学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。
3、AI大模型最新行业报告
2025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。
4、大模型项目实战&配套源码
学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。
5、大模型大厂面试真题
面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。
适用人群
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
- …
学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。
如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。
