资深工程师转型 AI：12 个月行动计划
核心判断：资深 SWE 不需要从零变成 ML 研究员。市场最缺的是能把 AI 可靠地做进产品的工程师，而这正是你的主场。
你的既有优势（别浪费）
- 系统设计：AI 应用本质是分布式系统 + 概率组件。
- 工程严谨：评估、回归、可观测、成本控制——AI 团队最缺这些。
- 业务理解：知道什么问题值得用 AI 解决，什么不值得。
转型不是抛弃过去，而是在既有能力上叠加 AI 应用层。
三种转型路径
| 路径 | 描述 | 适合 |
|---|---|---|
| A. 内部转岗 | 在现公司接 AI 项目 | 想低风险、有内部机会 |
| B. AI 应用工程师跳槽 | 面向「AI 产品团队」 | 想加速、换环境 |
| C. 独立/创业 | 自己做 AI 产品 | 有想法、能承担不确定性 |
多数人从 A 或 B 起步。作品集是三条路的公共前提。
季度目标
Q1：建立地基 + 第一个作品
- 跑通 LLM 应用基础（见 AI 学习路线）。
- 交付1 个真实可用的 AI 小应用（哪怕内部工具）。
- 开始写技术笔记（就用本知识库），沉淀思考。
Q2：RAG + 深度作品
- 做一个有真实用户的 RAG 应用，收集失败案例并改进。
- 写 2–3 篇有深度的复盘文章，公开发布（博客/GitHub）。
- 参与 1 个开源 AI 项目的 issue/PR。
Q3：Agent + 系统化
- 做一个带工具的 Agent，解决一个具体多步任务。
- 建立评估体系，能量化你的系统质量。
- 更新简历与作品集，突出「交付 + 度量」。
Q4：求职/转岗冲刺
- 定向投递「AI 应用/平台」团队，而非「AI 研究」岗。
- 用作品集讲故事：问题 → 方案 → 度量 → 迭代。
- 系统刷面试（算法 + 系统设计 + AI 应用设计）。
作品集策略（决定成败）
一个好作品 > 十个教程 demo。好作品的标准：
- 解决真实问题（哪怕小众）。
- 有度量：准确率/成本/延迟，附上前后对比。
- 有复盘：写清哪里会失败、你怎么改的。
- 可访问：线上 Demo + 源码 + 一页 README。
简历改写要点
- 把过往经历用 AI 视角重述：你做过的数据管道、平台、可观测系统，都是 AI 基建。
- 量化一切：QPS、成本下降、延迟、准确率。
- 顶部放AI 作品集链接。
常见焦虑与回应
- 「数学不够好？」→ 应用层要的是直觉，不是证明。缺啥补啥。
- 「起步太晚？」→ LLM 应用范式很新，大家都在同一起跑线附近。
- 「怕打杂？」→ 用作品集证明你能交付，而非只会调 API。