能做的事                          不能做的事
─────────────────────────────────────────
调用ChatGPT API    ✓             设计RAG架构         ✗
流式输出           ✓             处理生产级并发       ✗
写一个简单Demo     ✓             解决Embedding质量问题 ✗
                                 做多租户SaaS         ✗
                                 保障AI安全合规        ✗

阶段2：实践者（转型成功的标志）

特征：

有至少1个完整上线的AI项目
能解释架构决策，而不只是"能跑通"
遇到问题能独立定位和解决

怎么从阶段1升到阶段2？答案只有一个：做真实项目，接受真实用户的反馈。

读100篇文章，不如做1个上线的项目。

阶段3：专家（稀缺的核心竞争力）

特征：

能做技术选型并说出理由
懂原理，不只会用工具
有解决非标准问题的能力

专家和实践者的差距在于：

// 实践者：
// "用Spring AI的VectorStore做RAG就行了"

// 专家：
// "这个场景用PGVector还是Milvus？
// 数据量100万以内PGVector够用，HNSW索引，
// 相似度阈值0.72对这个领域的中文语料比较合适，
// 因为我测试了300个query，这个值的F1最高。
// 如果数据量超过1000万，要考虑Milvus的分片策略..."

阶段4：领袖（可遇不可求的顶点）

特征：

能推动整个团队/公司的AI转型
能在不确定中做出合理判断
能培养其他人成长

三、300篇文章覆盖的技术图谱

四、我见过的转型成功者有哪些共同特点

在这两年里，我通过知识星球接触了超过1200名尝试AI转型的Java工程师，其中转型成功（拿到AI相关岗位或内部转岗成功）的大约有300人左右。

我总结了他们的共同特点：

4.1 他们都有一个"锚项目"

不是Demo，是真实上线运行的项目。可以是：

公司内部立项的AI工具（哪怕很小）
帮朋友/客户做的小AI应用
开源社区贡献

锚项目的价值：当面试官问"你做过什么AI项目"时，你能讲一个有血有肉的故事，而不是背面试题。

4.2 他们都能讲清楚"为什么"

面试题经典问题：你为什么选择这个技术方案？

水平	回答
初级	"我们用了PGVector，感觉比较好用"
中级	"PGVector适合我们百万级数据量，ES太重了"
高级	"考虑到我们的数据量在50万级别，HNSW索引在这个规模下P95查询延迟可以控制在30ms以内，相比Milvus少了运维复杂度，而且我们本来就用PostgreSQL，减少了一个中间件"

能讲清楚为什么，才是真的懂了。

4.3 他们都有持续学习的系统

AI领域变化太快。成功转型的人普遍有一套信息过滤和学习系统：

每周：
  - 关注 Spring AI 的 GitHub releases
  - 读 2-3 篇高质量技术文章（非营销软文）
  - 动手验证1个新的API或特性

每月：
  - 做1个完整的技术实验（有数据的那种）
  - 更新自己的技术笔记/博客
  - 回顾上个月的学习，总结收获和疑问

每季度：
  - 评估自己的技术栈是否需要补充
  - 做1-2次技术分享（内部or外部）

五、给现在正在路上的你

如果你是刚起步的观望者/尝试者：

第一步，选一件具体的事开始。

不要等"彻底学完RAG"再做项目，也不要等"Spring AI 2.0稳定"再开始。

找一个你现在工作中有价值的场景——可以很小，比如：

用AI自动生成你每周写的测试用例
用RAG把团队Wiki做成可查询的知识库
用AI辅助CodeReview，减少你每周的审查时间

这件小事，就是你的锚项目。

从小事开始，做完，上线，测量效果，改进。

然后，把这个过程写下来。不用写得很好，写出来就比没写强。

两年后，你会感谢今天开始的自己。

六、一些数据和回顾

这300篇文章：

涵盖技术点：Spring AI核心API × 26篇，RAG技术 × 31篇，向量数据库 × 18篇，AI安全 × 12篇，性能优化 × 24篇，职业转型 × 19篇...
代码示例：估计超过15万行
我自己写代码测试的时间：大约1200小时

最后，谢谢你读到这里。

不管你现在在转型路上的哪个阶段，都是在做一件值得做的事。

继续走，别停。