传统后端工程师转 AI 工程——3 个真实案例复盘
传统后端工程师转 AI 工程——3 个真实案例复盘
适读人群：想了解AI方向转型路径的后端工程师 | 阅读时长：约14分钟 | 核心价值：3个真实的转型故事，有成功的、走弯路的、还在挣扎的，分析各自的决策和结果
我认识一些转型做AI工程的工程师，最近陆陆续续和几个人深聊了一轮，复盘各自的路径。
今天说三个人的故事。他们都是传统后端出身，都在转AI方向，但走的路和结果差别很大。
名字我都用化名，他们知道我在写这篇文章，也同意了。
第一个人：志明——比较顺的那条路
志明是个Java工程师，做了7年，2022年初开始接触大模型，2023年下半年正式转到AI应用开发方向。
他做对了什么？
志明从没把"转型"当成一件大事来宣布。他是在当时的公司里，主动接了内部一个AI相关的需求——把一个用户反馈分类系统从基于关键词匹配改成基于大模型的语义分类。这个需求当时没人抢，因为大家都觉得不知道怎么做、风险大。他接了，用OpenAI API做了个原型，效果比旧方案好很多，上线了。
这件事带来了两个结果：一是他有了第一个AI生产案例（不是玩具项目，是真实上线的），二是他开始在公司里成为"AI那个人"，接到更多相关需求。
半年后，他有了三四个生产落地案例，开始投AI方向的职位。简历上不只是"学过LLM"，而是有实际案例：用了什么模型、解决了什么问题、效果怎么样。
他在面试中被问到最多的问题是："RAG系统里你怎么处理检索效果差的问题？"、"你的Prompt怎么迭代的？"——这些他都能回答，因为他在真实项目里踩过坑。
2023年底，他跳槽到一家做AI应用的创业公司，薪资涨了30%，做的事情是他真正感兴趣的。
他的路为什么走得顺？
关键原因就一个：他用真实项目建立了能力，没有用课程证书来替代项目经验。
他当然也看了很多教程、读了很多论文，但那些都是配角，主角是那几个生产项目。当你有真实项目时，候选人池子里90%的竞争者都被你甩开了——因为大多数人只有课程结业证书或者Jupyter Notebook上的玩具demo。
第二个人：建国——走了弯路之后成功的
建国的经历要曲折一些，但最终结果也不错。
建国是Python后端，2023年初决定"全力转AI"。他的方式是：辞职，报了一个AI工程师培训营（花了2万多块），系统学习了三个月，然后开始找工作。
弯路在哪里？
培训营结束后，他投了三个月简历，基本没有进入终面的。他很困惑，因为他觉得自己学了很多——RAG原理、向量数据库、Langchain、微调。
我后来帮他看了简历，问题很明显：他展示的是学了什么，不是做了什么。 简历上是"熟悉RAG技术"、"了解RLHF原理"——这对招AI工程师的公司来说，完全无法评估你能不能干活。
他的项目经验部分只有两个：一个培训营的结业项目（一个问答机器人demo），一个自己做的"AI工具推荐网站"（爬虫+展示，跟AI能力关系不大）。
然后他重新想了一下策略。他没有继续海投，而是找了一个愿意探索AI的小公司，职位不是"AI工程师"，是"Python后端工程师"，但他在面试里主动说了自己的AI背景，表示可以帮团队推进AI应用落地。
这家公司接受了他，薪资比上一份工作还低了一点。他咬牙进去，用了半年时间，真正做了几个AI相关的系统：一个内容审核系统、一个客服知识库问答系统。
半年后再跳槽，这次进入终面率飙升，最终拿到了一个中型互联网公司的AI工程岗，薪资比培训营之前高了20%。
他的弯路是什么，后来怎么修正的？
弯路：用培训营的时间来换经验，以为学习等于能力。
修正：放下对"AI工程师"title的执念，先找一个能让他接触AI项目的位置，用实际交付来建立信用。
他后来说了一句话让我觉得很准确："培训营的2万块买的是知识框架，不是项目经验。知识框架有用，但不值2万，而且不能帮你通过面试。"
第三个人：晓东——还在挣扎的
晓东目前是我最担心的一个。
他是Java工程师，做了10年，技术能力扎实，算是我认识的工程师里代码写得最稳的几个之一。2024年初开始关注AI方向，现在是2025年中，他还没有完成转型。
问题出在哪里？
晓东不缺时间，不缺学习能力，也不缺技术基础。他的问题是一个我叫做"完美主义准备陷阱"的东西。
他的逻辑是：要做AI工程，要把底层搞透——所以他去读Transformer论文，读Attention机制，读RLHF，读各种技术博客。每当他觉得"差不多可以开始做项目了"，他又发现了一个新的东西（比如新出的某个架构、某个方法论），觉得自己还没准备好，再去学。
18个月过去了，他的知识体系相当扎实，Transformer我问过他，他能推导整个注意力机制的计算过程。但他没有一个可以拿出来说的AI生产项目。
与此同时，他对当前的Java工作越来越失去兴趣，工作状态很差，但又没有跳出来的底气，陷入了一种很消耗人的状态。
我和他聊的时候，直接说了我的判断：他的问题不是知识不够，是还没有开始。 他把"开始"的门槛定在了一个永远达不到的位置——因为AI领域发展太快，永远有新东西，永远"还没准备好"。
他现在的处境是什么？
他找了一个在当前公司内部可以做的AI小项目：把一个用人工归类的日志分析流程，用LLM来自动化。这个项目很小，但他现在在做，有实际交付压力，有反馈循环。
我不知道这能不能让他真正走出来，因为"完美主义准备陷阱"是一种非常顽固的心理模式，不是一个项目就能解决的。但方向是对的。
三个人的故事，我想说的几件事
关于"何时开始"的问题：
志明的经验是最直接的答案——当你有机会接触一个真实需求，不管自己觉得准备够不够，都去接。准备好再开始，在AI这个领域是个陷阱，因为"准备好"这个状态永远不会自动到来，它只会在你做事情的过程中被倒逼出来。
关于培训班的问题：
不是说培训班没用，建国的经历说明培训班能提供有用的知识框架。但培训班解决不了"项目经验"的问题，花钱买了培训，不等于买了入场券。公司招AI工程师，面的是你交付过什么，不是你学过什么。
关于title的问题：
很多人转型的心理障碍是觉得"我没有'AI工程师'的title所以不算转型成功"。建国的路说明这个是假问题——他先进了一个能做AI项目的地方，做出来了，再去找真正的AI岗。title是结果，不是起点。
关于晓东这种情况的自我判断：
如果你发现自己"知道了很多但还没动手"的状态超过了6个月，要认真问自己：是真的知识不够，还是在用"还没准备好"来推迟那个让你不安的行动？这两件事的处理方式完全不同。前者是学习问题，后者是心理问题。
对想转型的工程师，我的具体建议
不要辞职再学习。 除非你经济压力很小，否则裸辞学AI的风险太高。大多数人的路径应该是：在现有工作里找机会，先做出一个AI落地案例，再跳。
第一个项目越小越好。 不需要是一个完整的AI应用，一个把重复人工操作替换成AI自动化的脚本也行。关键是要有真实的使用场景和真实的效果反馈。
想清楚你要做"AI应用工程"还是"AI基础研究"。 这是两条完全不同的路。基础研究需要数学基础和论文阅读能力，门槛高，位置少。应用工程需要的是工程落地能力和对业务的理解，传统后端工程师转型大部分应该走这条路。
尽早产出，尽早暴露在真实反馈里。 晓东的问题很大程度上是没有外部反馈——他在自己的书房里学了18个月，没有人告诉他"这个能用"或者"这个不行"。真实的反馈，哪怕是负面的，都比自我评估有价值得多。
最后说一句：三个人里，志明最顺，建国走了弯路但成功了，晓东还在路上。他们本质上的差距不是技术能力——晓东的技术能力在三人里可能是最强的。差距是对"开始做事"这件事的态度和勇气。
这个东西没有捷径，也没有培训班教。