6 年前端打下了软件工程基础刚开始工作的时候我主要做前端Vue、React、JavaScript、TypeScript 这些基本都接触过。那时候关注的事情比较具体比如页面怎么实现、组件怎么抽象、接口怎么调用、工程怎么构建以及项目怎么部署。做了几年之后我慢慢发现前端真正让我感兴趣的并不只是写页面而是整个软件是怎么被构建出来的。一个需求从产品设计到前端、后端再到数据库、部署和上线中间其实涉及很多东西。所以后来我开始逐渐往前端基础设施方向走。2 年前端基础设施让我开始关注“效率”做了大概 2 年前端基础设施主要技术栈开始转向 Node.js。这个阶段接触了很多工程化相关的东西比如脚手架、构建工具、组件库、自动化、CI/CD、Node 服务等。这个阶段对我影响比较大的一点是让我开始关注一个问题开发者真正的价值是不是不应该只是不断写代码而应该想办法让很多代码根本不用写比如一个团队有几十个人如果大家每天都在重复做一些事情那么与其让几十个人一直重复不如花时间把这个过程自动化掉。现在回头看这其实已经和我后来做 AI 有一些联系了。Agent、Workflow、自动化本质上也在做类似的事情只不过以前我们用程序把流程固定下来现在开始尝试让 AI 根据目标自己完成一部分流程。后来做了 2 年数据分析之后我又进入了数据分析领域大概做了 2 年。这段经历和前面的前端、Node 看起来差别很大但现在看来它反而给我后面做 AI 打下了另外一块基础。这期间主要接触了 NumPy、Pandas、Spark、Airflow 等技术开始真正处理大量数据也开始关注数据清洗、分析、计算和任务调度。以前做前端的时候我更关注的是“数据怎么展示出来”做数据分析之后我开始关注“这些数据到底意味着什么”。而 AI 企业落地恰恰又离不开数据。企业知识库需要数据RAG 需要数据Agent 需要上下文自动化流程需要业务数据最后连 AI 应用的效果评估也需要数据。所以现在回头看这 2 年数据分析经历并没有让我偏离开发路线反而让我补上了以前比较欠缺的一块能力。真正开始进入 AI 企业落地我开始帮助公司做 AI 的企业落地。这个阶段的工作方式和以前发生了比较明显的变化。以前接到需求通常是产品经理告诉我需要开发什么功能然后我负责把功能实现出来。但现在遇到的问题经常不是“帮我开发一个功能”而是“这个业务问题能不能用 AI 解决”这两种问题其实完全不同。比如一个企业内部有大量文档员工每天需要查询资料那么我们会考虑是不是可以搭建知识库让 AI 帮员工快速找到答案如果某个岗位每天需要整理大量信息那么就会考虑能不能用 Agent 或 Workflow 把这个过程自动化如果 AI 需要访问企业内部系统就还需要考虑工具调用、权限、数据安全以及整个工作流怎么设计。所以现在我的工作越来越接近 FDE也就是 Forward Deployed Engineer。简单理解就是技术人员不只是坐在研发团队里开发产品而是直接进入真实业务场景理解企业的问题然后利用现有的技术把问题真正解决掉。从 Pi、DSH到 Agent这半年我也开始接触和实践越来越多的 AI 工具和框架比如 Pi、DeepSeek Harness、LangChain 等。以前开发软件我们通常会把流程明确写出来第一步做什么第二步做什么第三步做什么。现在 Agent 的出现让软件开始具备了一定的自主执行能力。比如以前一个自动化流程可能是 A → B → C → D所有步骤都是开发者提前定义好的。而 Agent 的思路则更接近于告诉 AI 一个目标然后让它根据当前的信息决定下一步应该做什么。当然这并不意味着以后不需要写代码。恰恰相反当 Agent 真正进入企业生产环境之后对工程能力的要求反而更高了。模型怎么选、上下文怎么管理、工具怎么设计、权限怎么控制、失败怎么重试、成本怎么控制、结果怎么评估这些都会变成新的工程问题。知识库可能是企业 AI 落地最常见的入口企业开始使用 AI 后一个很现实的问题很快就会出现AI 不知道公司的内部知识怎么办公司可能有大量 PDF、Word、Excel、产品文档、技术文档、业务资料、制度文件和历史项目资料。这些东西以前都是给人看的现在需要让 AI 也能够理解和检索。于是就开始涉及知识库、Embedding、向量搜索、RAG 等技术。但真正做下来以后会发现知识库远远不是“把文件丢进去然后让 AI 搜索”这么简单。文档怎么解析怎么切分怎么建立索引检索结果怎么排序什么时候应该检索什么时候不应该检索最终生成的答案怎么评估这些都是实际落地过程中需要解决的问题。这也是我觉得 AI 应用开发和传统软件开发比较大的一个区别传统软件强调确定性而 AI 系统需要开始处理概率性。从“开发功能”到“构建工作流”我现在越来越感兴趣的其实不是单独做一个 AI Chat而是把 AI 放进企业原来的工作流程里面。比如一个员工以前需要自己查资料、复制数据、分析数据、写报告最后再把报告发给领导。AI 真正落地以后可以尝试把这个过程变成一个自动化 Workflow用户提出需求AI 理解需求然后查询知识库、调用工具、分析数据、生成报告最后完成后续动作。这样 AI 就不再只是一个聊天机器人而开始变成企业工作流中的一个“执行者”。我觉得这可能才是企业 AI 真正有价值的地方。回头看现在回头看自己的经历6 年前端2 年前端基础设施2 年数据分析最近半年 AI 企业落地。如果只看技术栈确实感觉跨度很大。但如果看我一直在解决的问题其实是一条连续的路线。前端解决的是“怎么把产品做出来”基础设施解决的是“怎么让开发效率更高”数据分析解决的是“怎么从数据中获得价值”而现在做 AI则开始解决“怎么让 AI 真正参与业务”。所以我现在越来越不觉得这是一次传统意义上的“转行”。更像是不断扩大自己的能力边界。以前我是一个前端开发后来开始关注工程效率又开始理解数据现在又开始研究模型、Agent、知识库和自动化工作流。这些东西并不是互相割裂的而是在慢慢拼成一个完整的能力体系。AI 时代开发者到底应该往哪里走这是我最近经常思考的一个问题。以前我们很容易给自己贴标签前端、后端、Python 开发、数据工程师、算法工程师。但 AI 出现以后这些边界正在越来越模糊。现在一个AI 应用可能同时涉及软件工程、数据、模型、Agent、RAG、Workflow、自动化、部署以及具体的业务场景。所以我现在越来越觉得未来开发者的竞争力可能不只是“会多少技术”而是能不能把技术真正转化成结果。会调用大模型 API只是开始会搭一个 RAG也只是开始真正困难的是你能不能进入一个真实的业务场景找到一个值得解决的问题然后把模型、数据、知识库、Agent、Workflow 和企业系统连接起来最终让这个东西真正跑起来。这也是我现在转向 AI 之后最大的感受。资料展示下面是我整理的AI大模型 学习资料和工具包预览适合收藏后按主题逐步学习 干了 6 年前端，我是怎么一步步转型到 AI 的？
6 年前端打下了软件工程基础刚开始工作的时候我主要做前端Vue、React、JavaScript、TypeScript 这些基本都接触过。那时候关注的事情比较具体比如页面怎么实现、组件怎么抽象、接口怎么调用、工程怎么构建以及项目怎么部署。做了几年之后我慢慢发现前端真正让我感兴趣的并不只是写页面而是整个软件是怎么被构建出来的。一个需求从产品设计到前端、后端再到数据库、部署和上线中间其实涉及很多东西。所以后来我开始逐渐往前端基础设施方向走。2 年前端基础设施让我开始关注“效率”做了大概 2 年前端基础设施主要技术栈开始转向 Node.js。这个阶段接触了很多工程化相关的东西比如脚手架、构建工具、组件库、自动化、CI/CD、Node 服务等。这个阶段对我影响比较大的一点是让我开始关注一个问题开发者真正的价值是不是不应该只是不断写代码而应该想办法让很多代码根本不用写比如一个团队有几十个人如果大家每天都在重复做一些事情那么与其让几十个人一直重复不如花时间把这个过程自动化掉。现在回头看这其实已经和我后来做 AI 有一些联系了。Agent、Workflow、自动化本质上也在做类似的事情只不过以前我们用程序把流程固定下来现在开始尝试让 AI 根据目标自己完成一部分流程。后来做了 2 年数据分析之后我又进入了数据分析领域大概做了 2 年。这段经历和前面的前端、Node 看起来差别很大但现在看来它反而给我后面做 AI 打下了另外一块基础。这期间主要接触了 NumPy、Pandas、Spark、Airflow 等技术开始真正处理大量数据也开始关注数据清洗、分析、计算和任务调度。以前做前端的时候我更关注的是“数据怎么展示出来”做数据分析之后我开始关注“这些数据到底意味着什么”。而 AI 企业落地恰恰又离不开数据。企业知识库需要数据RAG 需要数据Agent 需要上下文自动化流程需要业务数据最后连 AI 应用的效果评估也需要数据。所以现在回头看这 2 年数据分析经历并没有让我偏离开发路线反而让我补上了以前比较欠缺的一块能力。真正开始进入 AI 企业落地我开始帮助公司做 AI 的企业落地。这个阶段的工作方式和以前发生了比较明显的变化。以前接到需求通常是产品经理告诉我需要开发什么功能然后我负责把功能实现出来。但现在遇到的问题经常不是“帮我开发一个功能”而是“这个业务问题能不能用 AI 解决”这两种问题其实完全不同。比如一个企业内部有大量文档员工每天需要查询资料那么我们会考虑是不是可以搭建知识库让 AI 帮员工快速找到答案如果某个岗位每天需要整理大量信息那么就会考虑能不能用 Agent 或 Workflow 把这个过程自动化如果 AI 需要访问企业内部系统就还需要考虑工具调用、权限、数据安全以及整个工作流怎么设计。所以现在我的工作越来越接近 FDE也就是 Forward Deployed Engineer。简单理解就是技术人员不只是坐在研发团队里开发产品而是直接进入真实业务场景理解企业的问题然后利用现有的技术把问题真正解决掉。从 Pi、DSH到 Agent这半年我也开始接触和实践越来越多的 AI 工具和框架比如 Pi、DeepSeek Harness、LangChain 等。以前开发软件我们通常会把流程明确写出来第一步做什么第二步做什么第三步做什么。现在 Agent 的出现让软件开始具备了一定的自主执行能力。比如以前一个自动化流程可能是 A → B → C → D所有步骤都是开发者提前定义好的。而 Agent 的思路则更接近于告诉 AI 一个目标然后让它根据当前的信息决定下一步应该做什么。当然这并不意味着以后不需要写代码。恰恰相反当 Agent 真正进入企业生产环境之后对工程能力的要求反而更高了。模型怎么选、上下文怎么管理、工具怎么设计、权限怎么控制、失败怎么重试、成本怎么控制、结果怎么评估这些都会变成新的工程问题。知识库可能是企业 AI 落地最常见的入口企业开始使用 AI 后一个很现实的问题很快就会出现AI 不知道公司的内部知识怎么办公司可能有大量 PDF、Word、Excel、产品文档、技术文档、业务资料、制度文件和历史项目资料。这些东西以前都是给人看的现在需要让 AI 也能够理解和检索。于是就开始涉及知识库、Embedding、向量搜索、RAG 等技术。但真正做下来以后会发现知识库远远不是“把文件丢进去然后让 AI 搜索”这么简单。文档怎么解析怎么切分怎么建立索引检索结果怎么排序什么时候应该检索什么时候不应该检索最终生成的答案怎么评估这些都是实际落地过程中需要解决的问题。这也是我觉得 AI 应用开发和传统软件开发比较大的一个区别传统软件强调确定性而 AI 系统需要开始处理概率性。从“开发功能”到“构建工作流”我现在越来越感兴趣的其实不是单独做一个 AI Chat而是把 AI 放进企业原来的工作流程里面。比如一个员工以前需要自己查资料、复制数据、分析数据、写报告最后再把报告发给领导。AI 真正落地以后可以尝试把这个过程变成一个自动化 Workflow用户提出需求AI 理解需求然后查询知识库、调用工具、分析数据、生成报告最后完成后续动作。这样 AI 就不再只是一个聊天机器人而开始变成企业工作流中的一个“执行者”。我觉得这可能才是企业 AI 真正有价值的地方。回头看现在回头看自己的经历6 年前端2 年前端基础设施2 年数据分析最近半年 AI 企业落地。如果只看技术栈确实感觉跨度很大。但如果看我一直在解决的问题其实是一条连续的路线。前端解决的是“怎么把产品做出来”基础设施解决的是“怎么让开发效率更高”数据分析解决的是“怎么从数据中获得价值”而现在做 AI则开始解决“怎么让 AI 真正参与业务”。所以我现在越来越不觉得这是一次传统意义上的“转行”。更像是不断扩大自己的能力边界。以前我是一个前端开发后来开始关注工程效率又开始理解数据现在又开始研究模型、Agent、知识库和自动化工作流。这些东西并不是互相割裂的而是在慢慢拼成一个完整的能力体系。AI 时代开发者到底应该往哪里走这是我最近经常思考的一个问题。以前我们很容易给自己贴标签前端、后端、Python 开发、数据工程师、算法工程师。但 AI 出现以后这些边界正在越来越模糊。现在一个AI 应用可能同时涉及软件工程、数据、模型、Agent、RAG、Workflow、自动化、部署以及具体的业务场景。所以我现在越来越觉得未来开发者的竞争力可能不只是“会多少技术”而是能不能把技术真正转化成结果。会调用大模型 API只是开始会搭一个 RAG也只是开始真正困难的是你能不能进入一个真实的业务场景找到一个值得解决的问题然后把模型、数据、知识库、Agent、Workflow 和企业系统连接起来最终让这个东西真正跑起来。这也是我现在转向 AI 之后最大的感受。资料展示下面是我整理的AI大模型 学习资料和工具包预览适合收藏后按主题逐步学习