半年技术转型复盘原定目标、实际进度和意外收获一、转型计划写得很漂亮执行起来完全不是那么回事半年前定的转型计划3 个月内掌握 AI Agent 开发LangChain Function Calling6 个月内独立交付一个 Agent 产品。实际进度第 1 个月看书 看视频 跑 Demo感觉学了很多但动手时发现什么都写不出来第 2-3 个月做了一个公司内部的小项目自动周报生成效果差强人意第 4 个月项目被产品团队注意到开始做正式需求第 5-6 个月产品上线用户量刚过 1000对比原计划进度滞后了约 2 个月但收获远超预期——不是技术层面而是对AI 产品怎么做的理解。二、计划 vs 现实的偏差分析三个主要偏差理论学习的时间被严重低估看懂了不等于会用了、Demo 和真实产品之间的鸿沟被低估内部小项目没有用户容错和性能要求、产品上线后的迭代工作量被完全忽略开发上线只占 40%后续迭代优化占 60%。这里有一个更深层的反思原计划里我把学习和做项目分成了两个阶段先学再做。但 AI 领域的知识太新、太碎脱离项目去学就像背单词不看文章——很快会忘。更有效的方式是把学习嵌入到项目中项目需要什么就去学什么。比如做智能摘要功能时遇到了模型输出格式不稳定的问题才去学 JSON Mode 和 Structured Outputs。这种按需学习的记忆效果远超先把 LangChain 文档从头到尾看一遍。三、三条意外收获收获一最重要的不是框架是场景转型初期花了太多时间对比 LangChain vs LlamaIndex vs 自研框架。后来发现对于一个小团队来说框架之间的差异远不如选什么场景重要。做一个AI 自动写周报的小工具和一个AI 客服 Agent前者 2 周上线、用户夸省事后者 2 个月上线、用户骂答不对。转型的关键不是学得多深而是第一枪打在哪里——选一个90% 规则 10% AI的场景如模板填充、数据提取而不是100% AI的场景如自由对话。收获二Prompt 工程比 Fine-tuning 重要 10 倍初期有个错误的执念觉得不开源的模型不够专业花了两周研究怎么 Fine-tune Llama。结论是对于企业场景不是通用对话写好 Prompt RAG 的效果比 Fine-tune 好而且不需要维护模型。转型的人容易陷入技术深井——觉得不用最先进的方法就是落后但产品需要的是够用且快的方案。收获三非技术能力反而进步最大写代码的能力变化不大本来就会但产品感提升了——知道了 AI 产品的用户期待值管理不要让用户觉得 AI 应该 100% 正确、学会了用幻觉率而不是准确率来和产品经理沟通、理解了 LLM 的 Token 成本模型每次调 GPT-4 都是在烧钱。这些不是AI 技术但比会搭 Attention 机制更有价值。还有一项意外的收获写技术博客的习惯。从转型第二个月开始我每周写一篇AI 工程实践的文章记录这周学到的、踩坑的、解决掉的问题。最开始只是给自己做笔记后来被同事转发到技术群里开始有人来问问题、约交流。到第五个月时已经有三家公司的 CTO 通过文章找到我问愿不愿意去他们团队做 AI 方向。这不是因为我技术多强而是因为能持续输出工程实践总结这件事本身在 AI 这个信息过载的领域里是一种稀缺能力。很多人学得比我多但学完就完了没有沉淀。文章就是最好的名片。四、如果能重来半年的转型计划修正后的转型路线第 1 个月选一个具体场景如自动整理会议纪要不要学理论直接动手做。用 OpenAI API 100 行代码跑通最简版本。80% 的问题会在动手过程中暴露出来。第 2 个月把 MVP 给 5 个同事用收集反馈。这时会发现 Prompt 不够好、输出不稳定、Token 成本太高——这些都是真正的学习点。第 3 个月根据反馈迭代。加入 RAG当发现 LLM 不知道公司内部信息时、加入 Function Calling当需要接入公司系统时。第 4-6 个月正式产品化。加入监控、成本控制、错误处理、用户反馈机制。关键变化理论学习时间从 3 个月压缩为穿插在实践中的按需学习动手实践从第 4 个月提前到第 1 个月。五、总结半年转型最大的收获是认知层面的AI 工程化的核心不是算法是产品。技术人的 AI 转型不应该以学会多少个框架为目的而应该以做出一个有人愿意用的 AI 产品为目的。实操建议第一周就用 API 跑一个 Demo不要等学完理论再动手。选场景时优先规则为主、AI 为辅的避免过度依赖 LLM 的不确定性选用户低期待、高惊喜的内部小工具而不是对外产品。最重要的是——把每个月花在 API 上的 Token 费用当作学习成本这笔钱比买课程更值。