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岗位类型核心工作适合背景门槛程度算法工程师偏模型预训练、微调、数据处理、评测有深度学习研究基础或竞赛经验高大模型应用开发工程师RAG、Agent、Prompt工程、API调用有工程背景熟悉Python和Web开发中AI平台/推理部署工程师模型量化、推理加速、服务化部署熟悉GPU、容器、分布式系统中高我自己定位是“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。
