作者从银行风控系统后端转型至美的Agent开发岗，分享两个月去魅经历。初期主要进行检索系统迁移、数据清洗、接口排查等传统后端工作，后发现核心在于评测、数据判断及AI嵌入存量系统。文章强调Agent开发需具备工程能力与数据链路知识，转型者应正确预期，利用现有技能实现职业平移与提升。建议收藏，获取程序员转Agent开发完整学习路线。
入职之前，我以为Agent开发岗是这样的：每天写提示词、编排工作流、调试模型，坐在AI浪潮的正中心，做的事和两年前的自己完全不在一个世界。
入职两个月之后，我发现这个岗位更像是：上午对着配置后台改字段，下午和一个接口的返回格式搏斗，晚上复盘为什么那批调用失败了千分之三。
没错，我入职美的的Agent开发岗，两个月，正在经历一场彻底的去魅。
先说结论：去魅不是坏事。恰恰相反，我觉得这是转型路上必须经历的一步——你只有真的坐进这个岗位，才知道它到底由什么组成。
先交代背景。我，34岁，在一家银行的信用卡中心做了六年Java后端，做的是风控系统。去年底行业收缩，整个风控条线开始优化，我拿了赔偿金出来，花了三个月准备转型，主攻Agent开发。今年九月入职美的，做的也是Agent开发相关的工作。
为什么选美的？说实话，当时手里有两个offer，另一个是一家同体量的互联网大厂，薪资差不多。我最后选了美的，除了离家近，还有一个很重要的原因：美的的AI业务是真的在往业务里落，不是PPT创新。面试的时候，面试官给我看了一页内部材料，说的是他们把Agent用在售后和供应链场景，一年省下来的人力成本是算得出来的。我当时就觉得，这个岗位有实物，不是空气。
入职第一个月，我的感受是"这也算Agent开发？"
我原来在银行写风控，一个策略上线，需求评审、方案设计、开发、测试、灰度、全量，一步不落。我以为Agent开发会更"智能"——不就是设计个流程，让模型自己干活吗？
结果入职第一周，leader给我的第一个任务是：把内部知识库的一个检索模块从旧版ES迁移到新版，同时保证召回率不掉。没有模型，没有提示词，没有Agent，就是一次很朴素的检索系统迁移。
我当时心里是有点落差的。然后第二周，是给一个工单分类的Agent补历史数据的清洗脚本。第三周，是排查为什么某个工具调用的成功率从97%掉到了91%，最后发现是上游一个字段悄悄改了枚举值。
一个月下来，我干的事和"AI"两个字的关系，大概只有20%。剩下的80%，是检索、清洗、排查、监控、对接——全是后端老本行。
但转折发生在第二个月。
第二个月，我开始接触到这个岗位真正核心的东西，才发现自己第一个月的落差，其实是误解。
比如，那个检索模块迁移完之后，leader让我做一次召回率对比评测。我搭了个评测集，三百条真实query，分场景打标，新旧两版各跑一遍，出了一个对比报告。过程比想象中麻烦得多：有二十几条query，两版召回的结果都不一样，业务方说"感觉新版的更好"，但说不出来好在哪。我把这二十几条一条条拉出来人工对，最后发现其中一大半是业务方自己的标注口径不一致。报告交上去，leader看完说了一句话，我到现在还记得：“你搭的这套评测，比模型本身重要。模型随时可以换，评测集是攒出来的资产。”
这句话我在银行听过一模一样的版本。风控那边管这个叫"策略资产"，模型可以换，样本和标签不能丢。原来隔了一个行业，方法论是通的。
比如，那个工具调用成功率的问题，我顺着排查下去，发现上游改字段之前没有任何通知机制。我没有止步于修好这次，而是顺手写了一个字段变更的监听脚本，接进了告警群。后来leader把这件事报给了平台组，说要在整个Agent平台层面推。
再比如，月底的时候，组里在讨论要不要给某个客服Agent加一个"转人工"的兜底策略。会上吵了很久，业务方觉得加了会显得"AI不行"，算法侧觉得不加风险太高。最后是拿数据说话的：我把过去一个月的会话日志拉出来，四万多条，按"模型置信度"分了五档，算出每一档的转人工率和用户满意度，做了一页对比。结论很清楚：置信度最高的两档，人工介入率不到百分之一，满意度反而比均值高；最低那一档，满意度直接掉了一半。第二天方案就定了——只对最低两档开转人工，成本和体验都兜住了。
那一刻我突然明白：Agent开发岗的去魅，去的是"每天都在跟模型对话"的魅，留下来的，是工程能力和判断力。
这两个月的失败数据，我也照实记了一笔：第一周迁移ES，因为没估准索引重建的时间，召回验证拖了三天，被leader点名了一次；第二周写数据清洗脚本，漏了一个字段的历史空值处理，跑批失败回滚了一次；第三周排查成功率下跌，方向先猜错了模型版本，浪费了半天。三次都是后端时期就见过的坑，坑没变，变的只是场景。
说白了，这个岗位的真相是：模型是买来的，提示词是几天就能学会的，真正稀缺的，是三样东西——
第一，让Agent稳定运行的能力。上线只是开始，字段变更、上游超时、脏数据、并发毛刺，任何一样都能让你的Agent在凌晨三点发疯。能兜住这些的人，才是团队里不可替代的人。
第二，用数据做判断的能力。加不加兜底、换不换模型、阈值设多少，这些问题的答案都不在模型里，在数据里。会拉日志、会搭评测、会把模糊的业务争议变成一页可对比的数字，这是硬通货。
第三，把AI嵌进存量系统的能力。任何一个真实业务里的Agent，都不是凭空长出来的，它要长在已有的ES集群、已有的工单系统、已有的权限体系上。六年风控后端在这件事上的优势，比我想象中大得多。
所以如果你问我，两个月去魅之后，还推荐转这个岗吗？
我的答案是：推荐，但请带着正确的预期来。
先泼冷水劝退一部分人。如果你现在的工作很安稳，只是因为"Agent"三个字听起来时髦就想跳过来，我劝你冷静。这个岗位现在招人，看重的不是你会不会调模型，是你的后端基本功：分布式、稳定性、数据链路、线上排查。这些能力没有三五年攒不下来。指望三个月速成一个"提示词工程师"然后拿高薪的路，今年已经基本走不通了，面试官问的都是实打实的工程问题。
但如果你是像我这样，后端做了五六年以上，正赶上行业收缩或者天花板到了，那Agent开发值得认真看一眼。因为如果你把Agent开发理解为"给AI当后端工程师"，用你最熟悉的工程能力，去解决Agent的稳定性、可观测性和评测问题——那这个岗位对你来说不是转型，是平移，而且是往上升的平移。你过去几年攒下的那些"不性感"的能力，恰好是这个新兴岗位上最稀缺的东西。
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。
