一个 Java 工程师的 AI 转型实战路径

很多后端同学想转 AI，第一步就卡在「我要不要去补线性代数和 PyTorch 源码」。我的结论是：对 90% 的应用层岗位，不需要。

先想清楚：你要转的是哪一层

AI 岗位大致分三层：算法研究（改模型）、模型应用（RAG/Agent）、业务落地（把 AI 接到系统里）。Java 工程师最自然的落点是后两层，尤其是第三层——这恰恰是最缺人的地方。

• 算法研究：拼论文、拼算力，门槛最高。
• 模型应用：拼工程，RAG、Agent、评测，Java 功底直接复用。
• 业务落地：拼系统，高并发、稳定性、可观测，这是后端的主场。

我的学习顺序（可抄）

1. 把 LLM 当成一个「会说话的 API」：先跑通一次 chat 调用，理解 token、上下文、温度。
2. 做第一个 RAG：选一个向量库（如 Milvus / pgvector），把自己的一篇博客变成可问答的知识库。
3. 做第一个 Agent：用 LangChain 或 Dify，让模型能调工具、能分步完成任务。
4. 补工程化：缓存、降级、评测集、监控——把你做后端的那套搬过来。

转型不是换赛道，是把原来的底盘接到新引擎上。

简历上怎么写

不要写「熟悉 AI」。写你做过的：用 RAG 把某知识库问答准确率从 X 提到 Y；用 Agent 把某流程从 30 分钟压到 3 分钟。用后端的话语体系讲 AI 项目，反而更可信。