AI工程师成长复盘：我的转型经历与给后来者的建议
AI工程师成长复盘：我的转型经历与给后来者的建议
适读人群：正在或准备转型AI方向的Java工程师，想了解真实转型故事的技术人 阅读时长：约25分钟
写在前面
这篇文章我改了三稿。
前两稿我写成了"成功学"——从XX开始学AI，三个月后拿到offer，现在年薪多少。写完自己读了一遍，感觉像假的。
第三稿我决定老实写。
写那些让我难受的时刻，那些走错的弯路，那些真正让我改变的节点。
可能这个版本没那么好看，但我觉得对你更有用。
2022年秋天：那个让我开始焦虑的下午
那是一个普通的周三下午，我在公司写一段CRUD代码，和三年前、两年前、一年前写的几乎一样。
一个同事拿着手机走过来，让我看一段文字："你看ChatGPT写的代码，比你还快。"
我当时笑了，说"这玩意儿还能替代工程师？你信不信"。
但那天下班路上，我一直在想这件事。
不是因为那段代码有多厉害，而是因为我突然意识到：我在靠"记忆力"和"熟练度"赚钱，而不是靠"解决复杂问题的能力"赚钱。 如果有工具能更快地记忆和熟练，我的核心竞争力是什么？
那种感觉很难受。不是恐慌，是一种沉沉的不安。
我做了10年Java开发，做过电商系统、金融后台、政务平台。论熟练程度，我不差。但"熟练"这两个字，第一次让我感到不安全。
第一阶段：盲目期（2022年底-2023年初）
那几个月，我像很多人一样，开始"学AI"。
每天刷各种文章，什么Transformer架构、注意力机制、BERT和GPT的区别……买了好几门课，从Python基础学起，学到pandas、sklearn，想着先把机器学习基础打好。
结果两个月下来，什么都学了一点，什么都没学通。
最难受的是：我不知道学这些跟我的工作有什么关系。
训练一个线性回归模型，和我做的企业软件开发，完全是两个世界。我感觉自己在从头开始，10年的Java经验好像变成了负债——要先清空再重装。
那段时间，我一度想放弃这个方向。
有天晚上我在论坛看到一句话，现在想起来还觉得重要：
"你不需要成为AI研究员，你需要成为能把AI应用到真实系统的工程师。这是两条完全不同的路。"
我读了好几遍。
这话把我敲醒了。我走错方向了。
转折点：换一个视角看AI
2023年3月，我做了一件改变方向的事：停下来问自己，AI能帮我解决什么我现在解决不了的工程问题？
我当时在做一个客服系统。每天有几千条用户咨询，人工回答重复性问题占了60%以上的工作量。这是一个我知道的真实痛点。
我不再去学"AI是什么"，而是去研究"我能用AI做什么"。
那时候Spring AI还没有，我用的是Spring Boot + LangChain4j，接OpenAI的API。第一个版本非常粗糙：把FAQ文档拆成段落，用embedding存进向量库，用户问问题就检索相关段落喂给GPT-3.5生成回答。
代码很简单，但跑起来那一刻，我感觉非常不一样。
这是我用过的、我写的代码，在解决一个真实问题。
不是学术玩具，不是跟风Demo，是我在10年工程经验上长出的新能力。
最难的那段路：技术积累期
说实话，2023年到2024年初那段时间，是我做技术以来最密集的学习期，没有之一。
我基本上每天晚上要花2-3小时研究。
难点不是技术本身，而是那个时候信息太乱。
RAG的最佳实践？每个人说的都不一样。向量数据库怎么选？每个月都有新的出现。Prompt工程怎么写？各种"秘籍"满天飞。
我花了大量时间在信息噪音里打转。
真正让我走出来的，是开始写文章。
写文章不是因为想当"博主"，而是因为我发现：只有当你能把一个东西写清楚，你才真正理解了它。 每篇文章写完，那个知识点就在我脑子里固化了。
2023年6月我发了第一篇技术文章，写的是"用Spring Boot + OpenAI做一个简单的问答系统"。当时粉丝寥寥，但没关系，写给未来的自己的。
后来写到了100篇。这是我没想到的事。
那些走过的弯路
回头看，有几个弯路让我印象很深：
弯路一：先学Python，再学Java AI
我花了两个月学Python和机器学习，其实完全没必要。Java生态的AI工具已经足够完整，工程化能力更强。对于工程落地，Java是比Python更好的语言。
弯路二：追求"最新最好"的技术
向量数据库我试了Chroma、Pinecone、Qdrant、Weaviate，每个都装了用了，花了大量时间。后来发现PgVector就够用，而且运维成本最低。
"最新"不等于"最合适"。
弯路三：看了太多文章，做了太少项目
有一段时间我每天刷技术文章，以为刷完就掌握了。假的。只有当你真正做一个项目、遇到真实的问题、查资料解决、再遇到下一个问题，技术才会真正属于你。
弯路四：太关注Model，不关注System
早期我花了大量时间测试哪个模型效果更好，反复比较GPT-3.5 vs GPT-4，研究各种Prompt技巧。
后来才明白：对工程师来说，检索质量、系统设计、数据管理才是决定最终效果的因素，比换个好模型有用得多。
让我真正成长的几件事
第一件：做一个完整的生产级项目
2024年初，我接了一个企业知识库项目，用AI改造一个内部搜索系统。这是我第一次把AI系统真正推上生产。
过程比我预想的难太多了。数据清洗、权限控制、幻觉处理、监控运维……每一个环节都有真实的坑。
但做完那个项目，我对AI工程的理解跨了一个台阶。不再是"会调API"，而是"能交付一个稳定运行的AI系统"。
第二件：从被动学习到主动输出
写公众号是一件改变了我的事。
不是因为涨了多少粉丝，而是因为"教别人"这件事，逼着我把每个知识点搞清楚。
每次写文章之前，我都会重新看一遍相关的官方文档，自己把代码跑一遍，确保能跑通再写出来。这个过程让我踩了很多坑——但都是在自己电脑上踩的，不是在生产上踩的。
第三件：组建了一个同行圈子
大概是2024年中，我开了知识星球。起初真的没想太多，就是想有个地方，把那些在公众号上写不开的东西写出来，同时能跟有类似经历的工程师聊一聊。
没想到进来了一两百人，后来慢慢到了一千多人。
这件事对我来说最大的收获是：听别人的问题，是最好的学习方式之一。
星球里每天都有人问问题。有些问题很基础，有些很犀利。回答这些问题的过程，让我的知识结构越来越完整，越来越知道哪些东西是真正重要的，哪些只是噪音。
低谷时刻
不是一路高歌。
2023年底有一段时间，我很迷茫。
那时候GPT-4出了，各种开源模型飞速迭代，感觉自己刚学会一个东西，它就过时了。LangChain被人批评架构烂，Spring AI还没GA，整个生态像是一锅滚水，不知道该抓哪个。
有两周我几乎没有碰AI相关的东西，写了几篇传统的Java技术文章。
那段时间我问了自己一个问题：如果AI这个方向没有我想的那么大，我是否还会做这件事？
答案是：会。
因为做这些事情本身让我快乐——研究一个技术问题、写一篇文章、帮一个人解决困惑。这些事情的价值不取决于AI的风口有多大。
想清楚这一点，状态就回来了。
我现在的状态
现在的我，和2022年那个在焦虑中写CRUD的自己，确实不一样了。
不一样不在于"我现在做AI了"，而在于：
我对技术变化不那么焦虑了。 因为我知道，技术会变，但把技术转化成解决方案的能力是积累的。学会RAG的过程中，我学的不只是RAG，是"如何把新技术快速工程化落地"这件事。
我对自己的价值更清楚了。 Java工程师做AI有独特的优势：工程严谨性、系统设计能力、性能和可靠性意识。这些是别人很难复制的。
我学会了在不确定中做决定。 2025年的AI技术还在快速变化。但我不再等"稳定了再学"，而是学会了"在移动中瞄准"。
给后来者的建议
如果你现在正在考虑转型AI方向，我想说几句实在的：
第一：不要从"学AI"开始，从"用AI解决一个问题"开始。
找一个你现在的工作中存在的真实痛点，想想AI能不能帮上忙。做出来，哪怕很粗糙，你会学到比读100篇文章更多的东西。
第二：Java工程师的优势是工程能力，不要丢掉它。
你的Spring、你的架构设计、你的生产运维经验，这些在AI时代更值钱，不是更不值钱。AI系统要上生产，需要的是工程能力，而不只是模型调用能力。
第三：接受"永远有东西不懂"的状态。
AI领域变化快，这是事实。但不是说你要什么都会，而是说你要培养快速学习、快速验证的能力。我现在学一个新东西，从看文档到跑通一个Demo，一般不超过两天。这个能力比"已经掌握什么"更重要。
第四：写出来，不管写给谁。
记笔记，写文章，或者在星球里分享，都行。输出是最好的学习方式。而且你会发现，当你开始输出，很快就有人来找你交流，你的学习速度会快很多。
第五：找一个同行圈子。
一个人摸索很慢。不是因为智力问题，而是因为信息不对称——你不知道哪些方向已经被验证，哪些是死路。有一个能交流的圈子，能帮你少走很多弯路。
写在最后
这篇文章写完，我发现我想说的其实很简单：
转型这件事，没有捷径，但有方法。
最重要的方法不是找到最好的教程或最好的课，而是开始做，然后在做的过程中持续学。
我写这个公众号，是因为我希望能把自己踩过的坑分享出来，让后来的人少踩一点。
不是所有人都能绕开所有坑，但能少一些，就值得了。
感谢每一个看到这里的人。你能看到这里，说明你是认真在思考这件事的人。
认真的人，不会混得太差。