如果古法编程岗位消失了，我们还能干什么？我做了一张技能迁移表

随着 AI 越来越火爆，很多开发者会有这样的疑问："我传统研发做了七八年，这些经验在 AI 时代还有没有用？"

这个问题我也有过。两年前我转 AI 开发的时候，也带着同样的顾虑。今天这篇文章，给你一个明确的答案。

读完，你会知道：自己现在站在哪里，从事 AI 开发差的是哪里，接下来该做什么。

一、迥然不同的行情

上个月，一个在某头部电商的朋友跟我说，他们组从 8 个人缩到了 3 个，有裁员的，也有合同到期不续签的。

这两年很多大小厂陆续在收缩传统研发团队，业务系统的核心功能基本稳定了，用不了那么多人持续开发了。

与此同时，AI 工程师的招聘需求却在爆发。

不只是大模型公司，国内的内容、电商、金融、医疗行业，只要业务跟 "内容 + 用户" 沾边，都在招能落地 AI 应用的工程师。

这里藏着一个让很多传统研发工程师陷入焦虑的误判：

"AI 开发是全新的领域，我要从零学起。"

事实上，这是一种错误的想法!

二、AI 工程师到底在干什么

我已经转型 AI 开发两年了，根据这两年学习的技能，整理了一张 传统研发工程师和 AI 工程师的技能对照表 。

在看迁移表之前，先花两分钟搞清楚一件事：AI 工程师每天的工作，到底是什么 ？

很多人一听 "AI 工程师"，脑子里浮现的是：好像很复杂啊，是不是要研究算法，搞推导损失函数、GPU 集群什么的……非也，那叫模型研究员 ，不是 AI 应用工程师。

模型研究员和 AI 应用工程师这两个岗位的关系，就像 Linux 系统开发和应用开发者的关系：

• Linux 系统开发者负责设计操作系统、优化底层性能，做的是底层那层的事。
• 应用开发者调用系统提供的 API，写业务逻辑，做的是上层应用的事

两边互相不需要懂对方的细节。

AI 应用工程师做的，和后者如出一辙：拿 OpenAI、DeepSeek 这些公司训练好的模型，调它们的 API，解决真实业务问题 —— 搭一个企业知识库、做一个智能客服、写一套内容自动生成系统。

我们使用各类成熟开发组件的时候，不需要懂它底层的实现细节。同样的，做 AI 应用，也不需要知道 Transformer 内部怎么运算。

所以说，AI 工程师 = 会写代码 + 知道怎么用好大模型 。

前半部分，是我们已经有的

三、技能迁移对照表：你的传统研发经验值多少

我把自己过往积累的研发技能，逐一对照了 AI 应用工程师实际工作中用到的技能。

按迁移难度分三档：直接复用 / 小幅学习 / 需要新学 。

3.1 这些是能直接复用的

3.2 需要小幅学习的

3.3 需要新学，但没你想象的复杂

可以看到，从传统古法研发到 AI 应用开发，直接复用的经验约 60%，小幅学习的大概 20%，真正要新学的只剩 20%。

而那 20%，核心就是三个概念：Embedding、RAG、Agent。

四、需要新学什么，以及转型路上最常踩的坑

先把三个新概念建立认识，快速过一遍。

Embedding（向量化）

你玩过英雄联盟吗？每个英雄都有攻击力、防御力、法力值这几个数字来描述他的特征 —— 两个特征相近的英雄，数字组合也接近。

Embedding 做的是同一件事：把一段文字变成一组数字。"今天天气真好" 和 "今天阳光明媚" 变出来的数字很接近，因为语义相近。"今天天气真好" 和 "我要吃火锅" 就差很多。语义越像，数字越近，这就是语义搜索的原理。

实际 AI 业务里，向量化不仅仅用在 RAG，还会用于特征提取、搜推等场景。

RAG（检索增强生成）

不论大模型怎么发展，业务私有的知识它始终无法感知。一旦要用到内部知识，就需要用到 RAG 。

它把闭卷考试改成开卷：用户问问题之前，先去资料库里搜出相关内容，把它一起塞给大模型，让它对着这些资料回答。

这就是为什么做企业知识库、智能客服、私有数据问答，都离不开 RAG。

Agent（智能体）

在 AI Native 组织的终极形态里，一定是 AI Agent 作为执行任务的主题。

很多公司已经明确了未来的岗位，基本就两类：做智能体的和用智能体的。

Agent 其实也不复杂，以前是我们代码里写死执行路径，尔 Agent 是让大模型来决定执行路径。

好，这是要学习的几个点的基本概念。

下面说三个转型 AI 开发常踩的坑。

坑一：以为会写 Prompt 就等于会做 AI 开发

Prompt 只是 AI 应用开发的一小部分。

会写 Prompt，你只是能用好 ChatGPT。但企业里的 AI 系统，要处理上下文截断、要对接私有数据、要保证稳定性和线上可观测性 —— 这些都需要写代码解决，不是调整几句 Prompt 能搞定的。

坑二：跳过 RAG 直接学 Agent

Agent 是建在 RAG 之上的。很多人觉得 Agent 更高级、更酷，直接去学 LangGraph 多智能体，学到一半发现根本不知道工具的数据从哪来、怎么检索。

正确学习顺序是：LLM API 调用 → 上下文管理 → RAG → Agent 。

按着顺序来才能学的扎实。

坑三：只看教程，不跑真实数据

AI 工程里的大量问题，只有在真实数据面前才会暴露。

我在公司做第一个 RAG 项目的时候，本地测试召回率 90%，信心满满上线。结果切换到真实用户的提问数据，直接掉到 60%。排查了将近两个星期，才把问题收敛到文本分块策略上 —— 用户的问题太口语化，和我们按标准段落切的内容对不上。

这个教训是：不跑真实数据，你不知道自己到底学会了没有。

五、总结

总结一下这篇文章，主要讲了：

• 传统研发工程师转 AI 的迁移成本，比大多数人想象的低 ——60% 的技能可以直接继承，真正需要新学的只有 Embedding / RAG / Agent 编排这三块
• 学习顺序比学什么更重要：LLM API → 上下文管理 → RAG → Agent，一步步来
• Prompt 工程是起点，不是终点；Agent 是高阶，不是入门
• 教程里的 Demo 不算数，上线跑过真实数据才算真正学会

知道了要学什么，接着怎么学呢？

我还有一张学习地图。前面的对照表，就是那张地图的第一页。

图片

下一步，是把表格右边那一列真正跑通 —— 从调第一个 LLM API，到搭出一个生产级 RAG 系统，到写出能自主决策的 Agent。

如果你想系统学习 AI 应用开发 ，欢迎看看我在做的 AI 工程师专栏，完整覆盖从 API 调用到 Multi-Agent 的全链路，每一步都有可以直接跑起来的代码和真实项目。

学完你就能得到至少 3 个可以直接上线的 AI 项目，直接丰富你的 AI 项目经历：

1. 多模态大模型应用：支持文本聊天、图片 / 视频生成的全功能多模态聊天应用，还自带短期 + 长期记忆功能，是当下最热门的可落地 AI 应用形态
2. 复杂 RAG 企业级系统：基于进阶 RAG 技术实现的电商智能客服，用到了本地向量模型、检索重排等生产级技术，完美适配企业私有数据问答场景
3. 代码编排 Agent：复刻精简版 Claude Code，能根据你的需求自动生成代码、编排任务执行，掌握当下最前沿的 Agent 落地能力

这些项目全部有完整的可运行代码，跟着做下来，你不仅能学会技术，还能直接拥有拿得出手的 AI 项目经历，帮你节省大量的 AI 学习时间。

摘取几个读者反馈：

图片

图片

体系化的 AI 技能干货更新完成后，每月更新还会最新 AI 技术发展和工具教程，比如 OpenClaw、HarnessEngineering 等。