说实话，按下离职确认键的那一刻，我脑子里的想法只有一个：不能再等了。当时我在一家传统企业做软件开发，稳定、不出错、领导还算认可，但代码写来写去就是业务报表和后台管理页面，离我想做的事越来越远。后来因为一个临时需求接触到大模型API，突然发现这玩意儿能做的事远超我的想象，而市场上真正懂模型怎么训练、怎么调、怎么落地的人又少得可怜。那段时间我连续失眠了几个晚上，最后做了一个身边人都觉得“疯了”的决定：裸辞，给自己半年时间转行AI大模型。

现在回头看，从辞职到拿到AI大模型相关工作Offer，我用了不到五个月。这段时间里我重新梳理了机器学习和深度学习的知识体系，啃完了十几篇关键论文，做了三个完整项目，面试了十来家公司，从最初被问到“Transformer的KV Cache是什么”直接懵掉，到后来能对着面试官把RAG的召回流程从预处理讲到重排序。这篇文章就是我的学习路径和面试经验全记录，不灌水，不贩卖焦虑，只讲我实际踩过的坑、看过的资料、练过的手艺。整理出来这份记录，既是给自己的转行画个句号，也是给正在观望、或者已经开始准备转行的人一份尽量少走弯路的参考。

1. 先说清楚：为什么裸辞，转行AI大模型到底值不值

1.1 我当初的判断依据

转行这件事，最怕的不是不会，而是不知道往哪转。我当时选了AI大模型相关岗位，核心判断有三个：

第一，技术拐点已经出现了。大模型对很多行业的改造不是PPT上的概念，而是真的有人在用API做客服、做知识库、做内容生成。这意味着岗位需求是真实的，不是泡沫期炒热度。第二，这个领域的人才供给极度稀缺，尤其是既懂基础软件开发、又能上手模型应用和微调的人。我做过Java后端，写过Python脚本，懂Linux和基础算法，这种“半路出家”的工程背景反而在应用型岗位上挺吃香。第三，学习路径相对清晰。大模型相关岗位虽然要求高，但核心链路就是预训练、微调、部署、应用开发这么几条线，比从零学量子计算、芯片设计这种需要长周期积累的领域要友好得多，对一个有自驱力的开发者来说，半年左右的集中学习完全有可能达到入行门槛。

当然，我也劝退过一些人。如果你完全没有编程基础，或者对数学极度排斥，连求导和矩阵乘法都看不下去，那转行AI大模型会非常痛苦。比起“值不值”，更准确的问题是“你适不适合”。如果你本身就是研发岗，有数据结构、网络、操作系统的底子，那转行的优势会非常大。

1.2 裸辞之前必须算清楚的几笔账

裸辞听起来很潇洒，但做决定前一定要算清成本。

第一笔是经济账。我给自己设了六个月的预算底线，包括房租、吃饭、社保自己缴的费用，以及学习资料和算力开销。那段时间我不怎么买新衣服，外卖控制在每天50块以内，GPU机器用云GPU按小时租，一个月算力花费控制在800块左右。前期有多抠，后期面试时才有多稳。因为一旦钱快见底了，人就会慌，一慌就会乱投岗位，反而容易陷入更长的恶性循环。

第二笔是心理账。裸辞之后没人逼你早起，没人安排任务，所有的学习计划都靠自律兜底。我在前两周处于“报复性放松”状态，每天刷视频刷到凌晨，第三周才开始恢复节奏。后来我强制自己每天8点坐到书桌前，用番茄钟切分学习单元，才慢慢找回在职时的工作节奏。转行是场马拉松，心理状态跟不上的话，前期多努力后面都会白费。

第三笔是机会成本账。裸辞之后，我失去了稳定的工作履历和收入，空窗期也是真实存在的。面试时几乎每一轮都会被问“你为什么裸辞”。这个问题本质上不是质疑你的选择，而是考察你的规划能力和抗压能力。所以一定要在裸辞前想清楚一句足够让面试官信服的理由，而不是说“工作没意思”“想换个环境”这种会让HR皱眉头的答案。

1.3 想清楚目标岗位的三种类型

转行之前，先别急着埋头学，得知道自己要打哪个位置。AI大模型相关的岗位大概分成三类：

我自己定位是“大模型应用开发为主，兼顾微调”，因为这个方向能最大化复用我过去的工程经验，同时避开了纯算法岗对顶会论文、数学证明和数据结构硬核手撕的极高要求。事实证明这个定位很有效：我面试碰到的公司，绝大多数要的都是能做应用落地的人，而不是纯研究员。搞清楚岗位类型之后，你再决定花多少时间在训练细节上，多少时间在做项目工程上。

2. 我的AI大模型学习路径全拆解（从零基础到能面试）

2.1 第一阶段：编程与数学地基（约3周）

虽然有几年开发经验，但我之前写Python的机会不多，主要还是Java。因此第一阶段我做了三件事：把Python重新系统过了一遍、把数据结构和LeetCode的Hot 100刷了一遍、把线性代数和概率论捡了起来。

Python方面，我不建议从基础语法开始慢慢学，可以直接奔着“能写数据处理脚本和推理脚本”去。重点是列表推导式、字典操作、装饰器、生成器、常见的内置库（os、sys、json、re），以及import机制和虚拟环境的使用。这些在写模型推理脚本时天天碰到。LeetCode方面，我只做了数组、哈希、双指针、链表、二叉树、图论基础这几个模块，目的不是准备竞赛，而是保证面试时手撕代码不至于冷场。数学方面，我给自己定的标准是：能看懂矩阵乘法、转置、求导的链式法则，理解概率分布、条件概率、贝叶斯公式，知道什么是梯度下降、什么是反向传播的核心思想。

这个阶段不需要钻太深。很多转行者会在这里卡住，觉得线性代数看不懂就不往前走。我的经验是：先让概念在脑子里留个印象，后面在深度学习的代码里反复看到的时候，自然会理解得更透。

2.2 第二阶段：机器学习与深度学习扫盲（约6周）

大模型不是凭空冒出来的，它是深度学习在自然语言处理领域一路演进的结果。所以不能直接跳到大模型，得有经典机器学习的基础。

我学习的顺序是这样：先看经典机器学习教材里关于线性回归、逻辑回归、决策树、随机森林、SVM、K-Means这些核心模型的部分，重点理解损失函数、过拟合与正则化、评估指标这些概念。然后进入深度学习部分，学全连接网络、CNN、RNN、LSTM，重点理解反向传播和参数更新的流程。之后专门花两周把NLP基础补上：分词、词向量、词袋模型、N-Gram、Seq2Seq、注意力机制。这个阶段为了赶进度，我没有自己从零实现所有模型，而是直接在公开数据集上跑现成的代码，改改参数观察结果，比如用PyTorch搭一个简单的文本分类模型。

这个阶段最难的是理解“注意力机制”。我当时看了一堆文章才慢慢体会到：注意力机制就是让模型在预测某个词时，对输入里的不同部分分配不同权重。为了加深理解，我自己手写了一个简化的注意力分数计算过程，拿了几条短文本算了一遍，才算真的搞明白Query、Key、Value这三个矩阵到底在干嘛。

这里有个心得：不要光看视频不写代码。深度学习最忌讳“眼睛会了手不会”，每一段代码都要自己敲一遍，哪怕只是照着抄，也能帮你建立肌肉记忆。我当时每天保证至少写2个小时的代码，在Kaggle和某某数据集平台上找了几个小任务练手。

2.3 第三阶段：大模型专题攻坚（约8周）

有了基础之后，就可以正式进入大模型的学习了。我把这一阶段拆成了几个子模块：Transformer架构、预训练与微调、大模型的推理与部署、大模型应用框架。

Transformer是必须啃下来的硬骨头。我从多头注意力、位置编码、层归一化、残差连接、前馈网络这几个组件逐一拆解，还对照着代码把一条推理路径从头到尾捋了一遍。光看论文不够，我花了一个星期手动推演了Transformer的维度变化，把每一步的张量形状写在纸上，直到能把整个结构默画出来。面试时很多题目都是从Transformer延伸出来的，比如位置编码为什么要分奇偶维度、为什么用残差结构、KV Cache是什么、显存都花在哪里，没有这层基础，后面想补都补不牢。

预训练与微调这块，我最开始也是拿着别人的代码跑，但跑了几个之后发现不把原理搞清楚，出了问题根本不知道怎么调。于是我花了不少时间啃了LoRA和P-Tuning两套主流微调方案的原始论文，用我自己的话理解它们的不同：LoRA是对权重矩阵的增量部分做低秩分解，P-Tuning是往输入侧加一组可学习的连续向量。理解之后再用具体开源大模型实操了一把LoRA微调，才算真正知道学习率、秩、Alpha这些超参对结果的影响。

大模型应用框架这一块，我重点学了提示词工程和RAG。提示词工程看着简单，实际门道很多，怎么写System Prompt、怎么设计Few-shot示例、怎么用思维链引导模型推理，这些都要大量实验才能形成直觉。RAG更是重中之重，我会在项目章节里细讲，这里先强调一点：光会调用框架不行，得理解解析、切分、嵌入、召回、重排、生成这整条链路的每一步在做什么。

2.4 第四阶段：工具链与工程化能力（贯穿全程）

工具链的学习不是单独的一个阶段，而是穿插在整个学习过程中。我用得最熟的工具和库包括：PyTorch、transformers、LangChain、向量数据库、Docker、vLLM、Prometheus和Grafana（做监控用）。建议你也按“够用就好”的原则去学，不用每一个都精通，面试时只要聊到某个工具能讲清楚它的定位和使用场景就够了。

PyTorch是必会的，至少要能写数据加载、模型定义、训练循环和推理脚本。transformers库是生态核心，各种模型都能通过它加载，还能快速实现文本生成、嵌入、分类等任务。LangChain是应用层框架，能帮你把LLM、检索器、记忆组件串起来，但面试官特别喜欢问你“LangChain做了什么，什么没做”，所以别光看文档，一定要亲手搭流程。向量数据库是做RAG的关键组件，推荐选一个主流产品上手，搞清楚索引结构、相似度计算和召回评估。Docker主要是为了部署，面试时会聊到模型的打包、镜像体积、GPU透传这些工程问题。

工具学的节奏要有规划。前期学PyTorch和transformers，中期学LangChain和向量库，后期学部署监控。别想着一天全学会，工具是为项目服务的，每做一个项目就会自然加深一批工具的使用经验。

2.5 我在学习效率上踩过的坑

这块必须单独写一段，因为很多人转行就是死在这里。

第一个坑是无限囤资料。我当时网盘里存了几百个GB的课程和PDF，但真正打开看的不到百分之五。后来我给自己立了个规矩：学习资料只留当前阶段要用的，其他一律删掉。不要用“以后会看”来安慰自己，囤资料本质上是一种焦虑的自我缓解，而不是学习。

第二个坑是只刷视频不写代码。视频教学看着轻松，但知识并没有真正过脑。我规定自己看完一个视频必须完成一个对应的代码练习，哪怕是把示例代码默写一遍，也必须动手。这样学到的知识才有锚点。

第三个坑是过度沉浸细节。比如周一学了损失函数的数学推导，周二又纠结梯度消失的数学原因，一周下来进度几乎为0。转行的关键是“广度优先，深度跟进”，先把主干打通，再回头补细节。你对某个知识点的理解是螺旋式上升的，第一次学个70分就够了，后面做项目时会自然补到90分。

3. 项目实战：转行者怎么攒经验值

3.1 什么样的项目才算“对口”

面试官看转行者，最关心的不是你学了什么课，而是你有没有亲手把一个东西做出来。但项目也不能瞎做，我用三个标准来筛：

第一，它必须覆盖完整的工程链路，而不是只调一个API。比如做一个RAG问答系统，就要有数据解析、文本切分、向量化、向量库召回、上下文组装、LLM生成、效果评估这么一整套流程。完整的链路才能体现你的工程能力。

第二，它要有可以量化的结果。比如问答准确率从70%提升到85%、查询响应时间从3秒降到1秒，这种数据比任何形容词都有说服力。

第三，它要能撑起至少20分钟的深度追问。面试官一定会往死里问项目细节，如果你的项目只是跟着教程敲了一遍，问到“为什么这里用余弦相似度而不用点积”就会当场露馅。

基于这三条，我做了三个项目：一个面向企业内部的知识库问答系统、一个垂直领域的LoRA微调对话模型、一个带评估和监控的Agent工作流。下面分开复盘。

3.2 项目复盘一：企业知识库RAG问答系统

这个项目我花了大概三周，是面试中被问得最多的一个。背景是某企业的合同和制度文档散落在几十个文件夹里，想找一个历史条款特别费劲，我把它做成一个自然语言问答系统。

技术路线如下：先把Word、PDF、Excel解析成纯文本，然后按章节结构切块，控制每块500字左右，并保留段落标题作为元数据。嵌入模型我选了当前效果较好的开源Embedding模型，把切好的文本块转成向量并写到向量数据库里。用户提问时，先把问题也向量化，再在向量库里做近似检索，取Top 20候选块，最后用重排序模型把候选块重新打分，取Top 5送进大模型。

这里有几个细节很容易被问：为什么要做重排序？因为向量检索在长文档场景下召回率尚可但精度不够，Top 20里可能混着大量噪声，必须用重排序模型再筛一遍。为什么要控制切块长度？因为分块太碎，语义不完整；太长则嵌入向量的平均化了，主题不集中，还容易塞爆上下文窗口。

评估上，我自己构建了50条问答测试集，每条都标了标准答案在哪个文档，用来算召回率和答案正确率。初始的准确率只有62%，后来加了重排序之后提升了11个百分点。另外，响应耗时我也做了统计，没加缓存前平均4.2秒，加上语义缓存后首轮命中直接0.8秒返回。面试官特别喜欢问响应耗时和准确率，这两组数字让我在讲项目时底气足了很多。

3.3 项目复盘二：垂直领域LoRA微调对话模型

第二个项目是对某个领域做LoRA微调。我选择了一个公开的中文医疗对话数据集，在这个数据集上微调一个开源基座模型。这个项目主要是为了证明我不只会做应用工程，也懂模型训练的基础流程。

做法上，我先写数据清洗脚本，把原始数据里的空行、特殊符号、超长文本过滤掉，统一Prompt格式：输入是“症状描述”，输出是“医生建议”。然后写数据加载器，把数据转成模型需要的指令格式，并用tokenizer批量处理。微调时用LoRA方法，只训练注意力层的低秩增量权重，这样单卡显存占用大约控制在12GB左右，我用的是按小时计费的云GPU。

训练过程中我记录了两组关键损失曲线：训练损失和验证损失。第一版训练了两个epoch，验证损失还在下降，效果不错；第二版我为了“榨干”数据训了五个epoch，结果验证损失反而上升了，典型的过拟合。因此在最终报告中，我把最佳epoch、学习率和LoRA秩的选择过程都写了出来，还放了两个case作为对比：一个是模型用通用话术回答“不太清楚”，另一个是微调后给出了更谨慎但有用的建议。

面试时关于这个项目的问题一般集中在：LoRA为什么能降低显存需求？秩的大小怎么定？如何避免过拟合？为什么选这个数据集？有没有做数据去重？这些问题我都能接住，因为整个训练过程都是自己跑的，不是抄的。

3.4 项目复盘三：带评测与监控的Agent工作流

第三个项目是做Agent工作流。当时我给自己提了一个任务：做一个多轮对话助手，它能根据用户意图选择调用“天气查询”“日程安排”“百科搜索”三个工具，并在对话中根据上一轮回复决定下一轮动作。这个项目主要帮我补齐了提示词工程、工具调用和观测评估的能力。

用LangChain做Agent有个方便之处，它内置了很多工具组件。但真正写起来发现，问题在于怎么设计工具的描述和触发逻辑。模型怎么知道“今天下午三点的会改到明天”需要调用日程工具？本质上靠的还是模型对自然语言的理解以及工具描述写得够不够清晰。所以我花了很大力气去打磨工具描述，把触发条件、参数格式、返回格式都写清楚，然后人工测试了大量语料。

工作流做好之后，我又给它加了一个评估模块：把真实对话语句标注好意图，跑一遍工作流，算意图识别准确率和工具调用成功率。上线测试的准确率从79%提到了91%。之后我还接入了简单的监控指标，记录每次调用的Token数、耗时和错误类型，用一张Dashboard展示出来。这个项目让我在聊“AI应用的可观测性”时有了真实案例支撑，面试官能感受到我不只是停留在Demo阶段，而是考虑过生产环境的事。

3.5 项目结束之后，别急着删代码

很多人做完项目就扔了，这非常可惜。我在每个项目结束时都要完成三件事：

写一份项目文档，内容包括项目背景、架构图、关键实现细节、实验过程和踩坑记录。把每个实验的超参数、数据集、跑分结果整理成一张表格，方便面试前快速回忆。把项目中最能拿得出手的两个数据点和一个有深度的技术细节单独抽出来，作为面向面试官的重点讲述素材。比如RAG项目里，我会重点讲重排序模块的效果提升和切分策略的考量，这两个话题最容易跟面试官深聊起来。

4. 简历、作品集与投递策略

4.1 简历上怎么呈现裸辞转行

裸辞转行在简历上是个双刃剑，写得好是加分项，写不好就是减分项。我的做法是：不在简历里主动提“裸辞”这两个字，也不刻意隐瞒空窗期。在“工作经历”里按时间正常列，最后一段在职时间写到离职月份；在“个人总结”里用一句话强调转行的主动规划：“为转型AI大模型方向，系统性完成XX项目、XX课程与XX学习”。

面试时被问到裸辞原因，我的固定回答套路是：先承认这是一个经过长期评估的决定，然后补充我在职期间已经做了哪些准备（比如晚上和周末学了基础课、刷了算法题、用休息时间做了小Demo），最后强调离职后我把全部时间投入到系统学习和项目实战中，目标非常明确。这个回答的重点是“规划感”，而不是渲染对前公司的负面情绪。

简历的排版因人而异，但有一条红线：不要为了把简历填满而堆技术名词。我见过很多转行者的简历把ChatGPT、RAG、LoRA、Agent、向量数据库全都写上去，看起来面面俱到，实际上面试官一眼就知道是“名词党”。正确的做法是：在项目经历里用动词+技术+结果的方式写，比如“基于开源Embedding模型构建向量检索链路，配合重排序策略将问答准确率从62%提升至73%”。有数据、有动作、有结论，比单纯罗列名词有说服力得多。

4.2 作品集怎么组织才不像培训班作业

面试官收到简历之后，大概率会打开你附的项目链接看一眼。如果打开是一个充斥着README模板和教程痕迹的仓库，第一印象就毁了。我的作品集组织方式是这样的：

每个项目单独一个仓库，根目录放README.md，开头写清楚这个项目解决什么问题、技术架构什么样子、跑起来需要什么环境。README之后放一份doc文件夹，里面有项目报告PDF和关键实验数据表格。代码分模块组织，比如data、model、service、eval，命名一目了然。最关键的是，一定有个demo/文件夹放动图或截图，让面试官30秒内看懂你的系统长什么样。

再强调一点，不要只给GitHub仓库链接，最好把部署好的Demo地址放上去。如果没有服务器，可以放一段录屏在文档里。面试官想看的不是你的代码多漂亮，而是你有没有真正跑通全流程的能力。

4.3 投递节奏与岗位定位

投递策略也很讲究。我面试了大概三周，陆陆续续投了30多家公司，有AI创业公司，有互联网大厂，也有传统行业里的AI团队。建议你按照“先练兵、再冲目标”的顺序安排：

第一批可以投几家中等偏上的公司，作为面试练手，重点感受面试官会问什么、自己的薄弱点在哪里。第二批投自己真正想去的大厂和目标岗位，因为这时候你已经有了几轮面试经验，状态也更稳。第三批可以投一些传统行业的技术团队，这类公司对转行者的接受度往往比想象中高，而且更看重工程落地能力。不要把最想去的公司放在第一个投，不要在自己还没进入面试状态时就浪费最宝贵的机会。

岗位定位上，我真心建议转行者优先考虑“大模型应用开发”而不是“算法研究”。后者对学历、论文和数学的要求非常苛刻，竞争烈度完全不是一个量级；前者则更看重你能不能把一个模型用在真实场景里，工程经验在这里能得到最大限度的认可。先入行，再慢慢往模型侧深挖，这也是我给自己铺的路径。

5. 面试经验实录：我被问到的高频题和背后的考点

5.1 技术面试第一轮：基础扎实度测试

第一轮一般是技术面试，主要考察计算机基础和机器学习基础。我遇到的题可以分为三类：语言与系统、机器学习、深度学习。

语言与系统类问题包括：Python的GIL是什么？列表和元组的区别？装饰器的执行过程？进程和线程的区别？内存泄漏怎么排查？这些只要平时写代码时留心就能答上来。机器学习类问题包括：什么是过拟合？如何判断过拟合？L1和L2正则化有什么区别？为什么逻辑回归用交叉熵而不用均方误差？SVM的核函数是干什么的？这类问题我建议用自己的话准备一遍，不要背答案，面试官特别反感“背书感”。

深度学习类问题是重头戏。我几乎每一场都被问到：Transformer相比RNN的优势是什么？自注意力机制的时间复杂度是多少？为什么需要多头注意力？LayerNorm和BatchNorm的区别？训练时学习率设太大会怎样？这些问题没有标准答案死记硬背，但是每个问题背后其实都在考察你有没有真正理解模型的运行逻辑。比如“为什么需要多头注意力”的完整回答，会拆成“多头让模型在不同语义子空间里并行关注不同部分，最后拼接后通过线性变换整合”，这比只说“可以关注不同位置”要有说服力得多。

5.2 技术面试第二轮：项目深挖与应变

第二轮通常是项目面试，面试官会拿着简历上的项目一个一个追问。哪怕你只写了三行项目描述，他也能问出二十分钟的内容。

以我的RAG项目为例，被追问过的问题包括但不限于：为什么选择这个Embedding模型？它的向量维度是多少？和另一个模型比效果差多少？切块是固定长度还是按结构切？为什么？召回Top K是怎么选的？有没有做过参数扫描？重排序模型是什么架构？在什么数据上训练的？如果你把这块切掉，准确率掉多少？向量数据库里的索引类型是什么？为什么选HNSW而不选IVF？并发访问时性能怎么样？

这些问题如果没亲自调过参，没跑过对比实验，根本接不住。所以我在前面强调项目一定要自己从头到尾做一遍，做的时候还要有意识地记录每个决策背后的理由。你在做项目时觉得很麻烦的实验记录、参数对比，到了面试时全变成了你的弹药库。

另外，面试官有时候会故意问一个你没听过的方法，比如某个最新技术。这时候诚实比硬编靠谱。正确姿势是：“这个方向我还没有深入实践过，但我理解它大概是解决XX问题的，如果给我几天时间，我可以通过读原始论文和跑源码把它搞清楚。”这种回答既展示了你的学习能力，又不会让人觉得你在吹牛。

5.3 手撕代码与场景设计题

代码题我遇到的难度整体不高，集中在LeetCode中等偏下。高频题包括：反转链表、合并两个有序数组、二叉树的层序遍历、无重复字符的最长子串、两数之和、手写快排、手写一个线程安全的单例。但有一道题印象很深：给我一段文本，要求统计每个单词出现的频率，并按频率排序输出。看似简单，实际上考查了正则表达式、字典操作、排序，以及内存和时间复杂度分析。我建议把LeetCode热题100的常考题型手写三遍，速度就会上来。

场景设计题更难一些，但也更有意思。有一次面试官让我设计一个“面向法律领域的智能问答系统”，要从数据准备到上线监控全链路讲一遍。我按三步走：第一，先明确用户场景和技术指标，比如回答准确率、召回率、延迟；第二，设计离线链路，包括文档采集、解析、切块、向量化、索引构建；第三，设计在线链路，包括问题改写、检索、重排、LLM生成、答案校验和兜底策略。最后还补了评估方案：建立一批黄金问答对做离线评测，上线后用用户点击反馈做线上监控。这种题考察的不是某个技术的掌握程度，而是你有没有形成一套完整的应用设计方法论。

5.4 HR轮与谈薪的几个关键点

HR面主要考察稳定性、沟通能力和求职动机。裸辞这件事一定会被问到，我的回答重点放在“这是一个经过充分思考的决定”上，同时展示出我对转行方向的坚定程度。如果HR问“你会不会干两年又转回老本行”，我会笑着说：我连裸辞都赌上了，没打算再走回头路。这种略带幽默但立场坚定的回答，反而能让HR放心。

谈薪是个技术活。转行者往往不敢开价，容易自卑。我的经验是：先通过招聘软件和朋友打听到目标岗位的薪资范围，再结合自己的项目经历定一个合理区间。比如目标公司给到20K到30K，我会开“25K以上，可以沟通”，既不太低让HR觉得你没自信，也不太高把自己聊死。面试中表现好的话，可以适当提一档，因为你的项目数据摆在那里，机会是自己争取的。

HR问职业规划时，我的回答是三个层级：入职第一年先把业务场景摸透，沉淀一套属于自己的落地方法论；第二年往模型侧深入一些，尝试微调和部署优化；第三年希望成为能把模型和应用打通的人，带小团队解决复杂问题。这种回答既务实又有野心，大部分HR的反馈都不错。

6. 转行途中那些没人提前告诉我的坑

6.1 裸辞最大的成本不是钱

裸辞之前，我以为最困难的是钱不够花。真正裸辞之后才发现，经济压力只是明面上的，最折磨人的是无处安放的自我怀疑。

那段时间我每天对着电脑学习，但进度缓慢的时候，心里会冒出一个声音：“你放着好好的工作不要，跑来从头学一个不确定的领域，万一最后什么都捞不到怎么办？”这种焦虑在投出简历没人回的时候达到顶峰。我应对的办法有两个：一是把学习任务切得足够小，小到今天只要完成一个章节的笔记，就不会因为任务太大而瘫软；二是每天给自己设定一个“交付物”，哪怕只是一段代码、一张实验表，也能让成就感慢慢累积起来。身边如果有条件，最好能找到一起转行的伙伴，哪怕只是在群里打卡交流，也比一个人扛着强太多。

6.2 技术更新太快，怎么避免焦虑

大模型这个领域，每周都有新模型、新论文、新框架冒出来。我一度陷入“学不完、跟不上”的焦虑，看到别人晒新模型的效果就觉得自己的知识库过时了。

后来我给自己定了一套信息管理原则：固定每周只看一次行业动态，不看实时热搜，不追每个新模型。重点把基础搞扎实，因为二八法则在这个领域同样适用——看懂Transformer、预训练、微调、RAG、Agent这五根支柱，就能理解80%的新东西。新技术来了，我只要知道它属于哪根支柱、解决了什么问题、和我已有的知识有没有关联，就够了。真正需要深入了解的，永远是自己正在做、正在面试需要的那些。不要让信息流绑架你的学习进度。

6.3 转行上岸之后：这只是起点

拿到Offer不是终点，而是另一个阶段的起点。入职后的前几个月，我明显感觉到了身份转变带来的冲击：以前写代码是完成业务需求，现在写代码得先跟模型、数据、评测打交道，工作方式完全不同。很多时候，你调了一天的Prompt，效果还是不稳定；你推理一个模型，速度就是上不来。这些新问题，在面试时的项目里远远没有暴露得那么充分。

好在转行过程中养成的学习能力和调试能力还在。对我来说，最管用的方法依然是四个字：动手快、记录勤。遇到一个新的技术组件，先跑通Demo，再读官方文档，再想怎么优化。遇到解决不了的问题，先记录现象，再拆原因，不靠感觉瞎调。这套方法论是我在裸辞转行的几个月里锤炼出来的，它比任何一个具体技术都更值钱。

最后分享一个小感受。裸辞转行AI大模型的这五个月，是我工作以来过得最累但也最充实的一段日子。累是因为每一步都是未知，充实是因为每一天都在朝自己想要的方向靠近。如果你也在纠结要不要走这条路，我的建议是：先别急着辞职，用一个月的时间，每天晚上花两个小时按我上面的路径试学一遍。如果你能把基础部分坚持下来，并且真的对模型的工作方式产生了好奇，再考虑All in也不迟。如果试学阶段就痛苦到无法坚持，那留在原地也许才是更适合你的选择。转行这种事，不是靠一腔热血，而是靠一点一点做出来的。