文章介绍了大模型发展的两条主线：开发/落地侧和算法/Infra侧，并针对没有学历和大厂背景的人提供了转行建议。开发侧强调动手实践和交付结果，建议先掌握基础工程能力，深度使用Claude Code等agent harness，通过真实项目积累经验。算法侧则要求更扎实的ML基础，关注RSI、Agentic RL等前沿方向。文章还提供了学习资源、项目与变现、学习与精力管理等方面的具体建议，鼓励读者通过build in public提升曝光度，快速获得反馈和机会。
Agent 这条路分两条主线：
- 开发 / 落地侧（Agent Engineer / FDE）：用现有模型 + harness 把具体场景做成能稳定跑、能交付、能变现的系统。
- 算法 / Infra 侧（Agent Algorithm / Research / Infra Engineer）：做底层能力，包括多 agent 调度算法、评估体系、记忆与推理机制、长时程任务、规模化运行的基础设施等。
- 1. 把「必须靠学历和大厂才能转行」那套清掉。学历和大厂经验确实是门槛，尤其想进大公司或纯算法岗时更明显。但对初创和很多实际招人的团队来说，能被直接验证的交付结果更重要：
- GitHub 上能跑通的项目
- 实际用 AI 做过并赚过钱的案例
- 有真实用户或能演示的产品
- 相关论文或被看到的输出
这些东西做得出来，而且往往比单纯的学历背景更有说服力。空有概念、没有可验证结果，依然没用。
2. 先把底线问清楚：
说不清楚就别开始。 开发侧的路径接近现在的 FDE：在真实约束下把东西做出来并交出去。算法侧则更看你有没有扎实的 ML 基础和能被看到的研究或系统产出。
- 你能接受多久没有稳定收入？
- 能不能边打工边做项目？
- 能不能从写代码、管权限、写 skills、接小单开始？
- 3. 信息源重点放在这些地方：X、GitHub、OpenAI 和 Anthropic 的官方 Blog、少数高质量 YouTube 频道和视频、HuggingFace daily Paper。
中文热搜、大多数「AI资讯」号跟转行没关系，看多了只会焦虑。 重点看实际在做交付、有结果的人在发什么，以及大厂博客和公众号里关于 harness、agent 能力、评估、部署的技术细节。YouTube 上选那些讲实操、拆代码、讲踩坑的。
- 4. 目标定成「能拿出能被验证的交付结果」，而不是「学会了概念」。对没有学历和大厂背景的人来说，这是进初创、接项目、被看到的主要路径。算法岗难度更高，但同样可以用强项目、开源贡献、论文来补。
技能篇
开发 / 落地侧（优先建议大多数人从这里开始）
1. 先把基础工程能力练熟：能读写代码、能处理 API、能管理状态、能做基本测试和错误处理。这些是 harness 能不能跑稳的前提。
2. 现在主战场是 agent harness，不是以前那种纯框架。Harness 是包在模型外面的运行时：它负责循环调用模型、管工具、管权限、管上下文和记忆、做验证、处理错误。 Claude Code 是目前最有代表性的实现，很多人直接在它上面做项目、写 skills、配 hooks、用 subagents。
3. 建议先深度使用 Claude Code，把它的核心机制吃透：
理解它是怎么把模型变成能持续干活的 agent 之后，再决定是继续在它上面定制，还是用 Claude Agent SDK 自己搭更专用的 harness。刻意练习「在有约束的环境里交付」：模拟权限限制、错误处理、可验收的输出、交接文档。这和 FDE 日常最接近。
- CLAUDE.md / 项目记忆
- Plan Mode
- Skills（可复用能力）
- Hooks（工具调用前后的强制检查）
- Subagents / 动态工作流
- MCP 和权限控制
4. 别同时学五个框架。老的 LangGraph、CrewAI 还在，但已经不是现在讨论和实际落地的主线。先把一个 harness（优先 Claude Code 这一套）打深，能用它把真实任务稳定跑通，比广撒网有用。
5. 每天至少 2 小时在真实项目上动手。 从最小可用开始：先做一个能帮自己干活的东西，再往外扩展。
算法 / Infra 侧
1. 需要更扎实的基础：概率统计、机器学习、优化、评估方法、实验设计。只靠调 API 和写 skills 不够。
2. 当前值得关注的方向和具体推荐：
- Coding Agents：把 Claude Code、Codex、OpenCode 等作为研究对象。拆它们的 harness 设计、权限系统、上下文管理、工具调用循环。官方博客 + 实际跑一遍比看十篇综述有用。
- RSI（Recursive Self-Improvement）：关注 harness 层的自我改进，而不是只改模型权重。近期有人在做 Regularized RSI of Agent Harnesses、Terminal-RSI、SwarmRSI 等。从读相关论文 + 复现小规模实验开始。
- Agentic RL：用强化学习让 agent 在真实 harness 里学会更好的行为。Microsoft 的 Agent Lightning、verl 系列、OpenPipe ART 等都在做这件事。重点看「怎么在不重写整个 agent 的情况下加 RL」。
- 评估与环境：可靠的 eval 比模型本身更稀缺。 自己做一个小基准、写清楚失败模式，比单纯刷榜更有说服力。
- Infra：sandbox、权限控制、可观测性、长时程状态管理、Managed Agents 一类平台。Claude Managed Agents、开源的 sandbox 方案、以及 Agent Lightning 这类训练侧 infra 都值得看。
- 3. 路径比开发侧更陡。如果目标是算法岗，建议：
- 先有能跑的强项目，有业务背景优先（尤其是自己做的评估框架、记忆系统、多 agent 实验、或小规模 RSI/RL 实验），再考虑论文或开源贡献。
- 关注实验室和公司在 agent eval、multi-agent、long-horizon、coding agent 上的公开工作和招聘。
- 开发侧积累的真实场景经验，反过来对算法侧也有价值（知道什么才是真实瓶颈）。
项目与变现篇
1. 先做「自己能用」的东西，再做「别人愿意付钱」的东西。前者证明你能把 harness 跑稳，后者才是转行的门票。
2. 早期变现与路径优先级（开发侧）：
- 接小外包（帮人做特定场景的 agent，比如客服、数据整理、内容生成、内部知识库）
- 做垂直小工具，收费或卖源码
- 带着能演示、能讲清楚限制和边界的项目去相关岗位
- 如果有条件，关注公司内部的 AI 落地项目或外部 FDE 相关机会
- 有空就打一打黑客松。短时间内强制你把一个 agent 场景跑通、做出能演示的东西，还能拿到一些奖金、曝光和人脉。选主题偏实际落地的，不要纯概念赛。结束后把代码和文档整理干净放到 GitHub 上，这就是可验证的结果。
3. 算法侧的项目更看「可复现的实验 + 清晰的结论」。做评估基准、改进某种协调或记忆机制、开源一个有用的组件、或做小规模的 RSI / Agentic RL 实验，比做十个 demo 更有用。
4. 场景越具体越好。 通用 agent 很难做出来，具体业务场景更容易做出能验收的结果。
5. 有余钱就买模型额度和必要的工具，别在这里省。调试和迭代是会烧钱的。
学习篇
1. 关掉无关 App 会员，手机和电脑系统语言切到英文，强迫自己看英文文档和讨论。
2. 每天固定做三件事：看一个真实项目或 harness 的实现细节、改自己的项目、记录遇到的问题和解决办法。
3. 重点材料：Claude Code 官方文档和示例、实际在用的人发的 skills / hooks / 项目仓库、OpenAI 和 Anthropic 博客里的技术文章、少量讲 harness 工程或 agent 评估的高质量 YouTube 内容。算法侧额外看相关论文（RSI、Agentic RL、coding agent 评测）和实验室公开的工作。看完必须动手复现。
4. 书少而精：《The Lean Startup》《The Mom Test》这类讲怎么快速验证和交付的就够了。算法侧再补基础 ML 和实验设计相关的材料。
健康与精力篇
1. 转行期最容易崩的是精力。保证睡眠，别用熬夜换学习时间。
2. 每周至少 3 次力量训练或游泳，保持基础体能。长时间坐着写代码、调权限，没有体能会先垮。
3. 戒掉高糖饮料和频繁外卖。自己准备蛋白质和蔬菜，保证脑子能持续运转。
4. 通勤和居住环境能优化就优化。减少无效消耗，把时间留给项目。
社交与网络篇
1. 只跟两类人多聊：正在用 harness 做实际项目的人、已经靠相关能力赚钱的人。其他人的建议可以听，但别当行动依据。
2. 在 X 和 GitHub 上主动输出进展、踩坑、解决办法。被看到比海投简历有用。 建议直接 build in public：把项目进展、遇到的问题、怎么解决的、数据或结果都公开写出来。持续输出会带来反馈、人脉和机会，比默默做完再找工作有效得多。黑客松现场也是快速认识做实际项目的人的机会。
3. 三年不联系的同学发小，消息可以不回。把精力留给能互相提供信息或合作机会的人。
4. 形象保持基本整洁就行。转行期重点是产出，而不是包装。
执行节奏（建议）
- 前 30 天：把一个最小 agent 在 Claude Code 上跑通，能解决一个自己的真实问题。开始在 X 上简单记录进展。
- 30-60 天：做成一个能给别人看、最好能收费的项目，并持续迭代，记录清楚限制和结果。期间可以找一两个合适的黑客松参加，强制产出。继续 build in public，把过程公开。
- 60 天后：根据结果决定是继续做项目、接单，还是去相关岗位（开发侧优先考虑 FDE / Agent Engineer；算法侧需要更强的项目或研究产出再冲）。
开发侧门槛相对低、反馈快、变现路径清晰，适合大多数人先走。 算法 / Infra 侧门槛更高，但长期价值也更大。两条路并不互斥，开发侧的真实场景经验对算法侧同样有用。
大模型的知识又多又杂，到底怎么学？
做这行久了，被问最多的问题就一个：大模型的知识又多又杂，我到底先学啥？翻了一堆资料，看啥都像重点，结果啥都没学进去。今天把我自己一路摸出来的顺序捋一遍，零基础、应届生、转行的都适用。跟着走，至少方向不乱、不瞎忙，学完拿得出手。
第一阶段（10天）：初阶应用
这一阶段就一个目标：把大模型真正"玩明白"，不是只会聊天那种，而是能调教它、能用代码把大模型和业务接起来。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段（30天）：高阶应用
这阶段正式进实战，目标很实在：做出两个能拿出手的东西——一个私有知识库，一个 agent 对话机器人。
为什么要做 RAG
搭建一个简单的 ChatPDF
检索的基础概念
什么是向量表示（Embeddings）
向量数据库与向量检索
基于向量检索的 RAG
搭建 RAG 系统的扩展知识
混合检索与 RAG-Fusion 简介
向量模型本地部署
…
走完这 30 天，Python 或 JavaScript 背景的基本能独立做一套 RAG 应用，简历上也敢写"大模型应用开发"了。
第三阶段（约20天）：动手微调
学到这，你已经开始 “造” 模型了 —— 通过微调，搞出垂直领域的专用小模型。
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你从 “只会用” 变成 “能造” 的 AI 小子。那么你还想往下探索吗？
想要入局AI大模型赛道、抢占行业红利的朋友，微信扫描下方CSDN官方认证二维码，即可100%免费领取全套学习资料！
第四阶段（20天）：商业闭环，部署落地
技术学完，落地才算数。这阶段带你搞明白大模型怎么真正跑起来、用起来。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身：基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例：如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
想要入坑大模型的朋友，给大家准备了一份2026 年最新 AI 大模型全套学习资料：
1、大模型系统化学习路线
2、大模型学习视频教程
3、大模型学习书籍&电子文档
4、AI大模型最新行业报告
5、大模型项目实战&配套源码
6、2026大模型大厂面试真题
7、为什么要学习大模型？
我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年，人才缺口已超百万，凸显培养不足。随着AI技术飞速发展，预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。
8、适合谁学？
- 传统后端 / Java / 前端开发，想转型 AI 应用
- 大学生、应届生，想拿更好的 offer
- 产品经理、运营，想武装职业竞争力
- 技术负责人，想给团队落地提效
学习是反人性的，但回报是真金白银。技术会更新，赛道会切换，但只要你先动手，机会就永远站在你这边。
9、这些资料真的有用吗？
这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。
资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。
想要入局AI大模型赛道、抢占行业红利的朋友，微信扫描下方CSDN官方认证二维码，即可100%免费领取全套学习资料！
好了，就写到这。路线是死的，人是活的，卡住了随时来问我。觉得有用就点个收藏，别让它进收藏夹吃灰——动起来比啥都强。
