🌟 起点：传统CRUD工程师的困境

作为一名在大厂工作的后端程序员，我一直沉浸在CRUD（数据库的增删改查）的世界里。每天的工作就是处理数据、编写API、解决各种业务逻辑问题。

直到有一天，我发现身边的同事们开始讨论AI、大模型、LLM这些我几乎不懂的概念。

这种"知识焦虑"让我感到不安，也让我意识到必须学习新的技术来提升自己的竞争力。

于是，我决定用业余时间，从一个传统的CRUD工程师转型为能够开发和部署AI应用的工程师。同时也尝试不同的副业，为应对职业危机早做准备。

这是一段充满挑战但收获满满的旅程，今天我想和大家分享我的经历和心得。

---

😯 第一次接触AI：从恐惧到好奇

最初接触AI时，我感到非常恐惧。

那些复杂的算法、数学模型、机器学习术语，对我来说就像是天书。我尝试阅读一些AI相关的书籍和文章，但很快就因为内容过于抽象而放弃了。

直到有一次，我偶然发现了Cursor这个AI编程工具。通过简单的自然语言描述，它就能帮我生成代码，这让我对AI的实用性有了全新的认识。

我开始思考：如果AI能帮我写代码，那它还能做什么？这个问题点燃了我学习AI的热情。

---

🚀 第一阶段：实战先行，以练代学

从实践到理论的转变

第一阶段，我没有选择传统的"先学理论再实践"的方式，而是直接从实战入手。

之前自己在研究生时期已经做过图片分类模型的课程实验，从图片中识别数字，识别不同的物体等。

这次，我决定不再从零开始，而是重新复习这个模型，把它作为我的入门项目。

1. 选择实战项目：我选择了重新复习图片分类模型。这个项目既不会太复杂，又能涵盖AI模型开发的基本流程。作为图像识别专业的学生，我对这个领域并不陌生，这让我能够更快地进入状态。
2. 直接上手实践：我没有先去学习理论知识，而是直接下载了Pytorch框架，按照教程一步步实践。
3. 问题驱动学习：在实践过程中，我遇到了很多问题：环境配置、数据预处理、模型训练等。

每解决一个问题，我都感到自己在进步。当我遇到不理解的概念时，我会让AI工具帮我解释背后的原理。

重新复习之前的内容，但是基于更多的知识积累和工程经验。

这个过程让我体会到：AI开发并不像想象中那么神秘和难以企及。通过正确的学习方法和实践，普通人也能掌握AI技术。

---

💡 第二阶段：深入学习，实践进阶

学习AI模型部署与服务化

第二阶段，我把重点放在了AI模型的部署和服务化上。我知道，只懂模型训练是不够的，还要能够将模型部署为可用的服务。

1. 实战部署技术：我没有先学习理论，而是直接尝试将训练好的模型转换为生产环境可用的格式，以及本地部署大模型。

   在这个过程中，我遇到了很多实际问题，比如环境问题、权限问题、性能问题等。

2. 实践MCP协议：我深入学习了MCP(Model Context Protocol)，这是一个让AI模型能够安全调用外部工具和数据的协议。

   通过MCP，我可以让我的AI模型拥有更强大的能力。我直接使用AI工具来帮我理解这个协议的工作原理和实现方法。

3. 构建完整的AI服务：我开始构建一个完整的AI服务，通过云服务器部署API，接入网站，实现AI生图服务。也尝试过借助扣子平台搭建AI服务的API。我通过实战来解决这些问题，而不是先学习理论。

从命令行到可视化：用户体验的提升

在构建AI服务的过程中，我意识到命令行工具的局限性。为了让我的AI服务更加易用，我决定构建一个可视化界面。

我借助AI编程工具，使用Next.js构建了一个现代化的Web界面，通过这个界面，用户可以直观地使用AI服务。

这个过程让我体会到：技术的最终目的是为用户创造价值，而良好的用户体验是实现这一目标的关键。

---

🛠️ 第三阶段：实战项目，巩固技能

实战项目：出海工具站

第三阶段，我决定将所学知识应用到一些实际项目中。看到出海网站的风口，我也决定学习用AI编程搭建网站。

这些项目让我有机会将AI技术与具体场景结合起来，创造真正有价值的应用。通过这个项目，我巩固了所学的AI知识，也提升了自己的项目管理能力。

技术栈的全面升级与开源参与

在这个项目中，我使用了多种技术：

1. AI原型工具：Boltnew，Gemini3
2. AI编程工具：Trae、Cursor、ClaudeCode等
3. 前端框架：使用Next.js构建现代化的Web界面
4. 数据库：使用Supabase存储数据

同时，我也积极参与了一些AI框架的开源项目，通过贡献代码和文档来深入了解这些框架的内部工作原理。这种参与不仅帮助我更好地理解AI技术，也让我有机会与其他AI开发者交流学习。

通过AI快速上线网站

除了开发AI模型应用外，我还尝试使用AI工具来加速网站开发。通过结合AI代码生成工具和传统开发流程，我成功在短时间内完成了几个网站项目的开发和上线。

这种"AI+传统开发"的工作方式大大提高了我的开发效率，也让我能够快速验证自己的想法。

---

🎉 成果展示：五个月的收获

技术能力的提升

经过这段时间的学习和实践，我的技术能力有了显著提升：

1. 智能体开发能力：我基于大模型的API开发一些智能体服务。
2. 模型部署能力：我能够将训练好的模型部署为可用的服务
3. 全栈开发能力：我能够构建完整的AI应用，包括前端界面、后端服务、数据库等
4. MCP协议应用能力：我能够使用MCP协议让AI模型调用外部工具和数据
5. AI自动化工作流搭建能力：我能够通过Coze这样的平台，搭建AI工作流来提效自己的工作。

实际项目成果

在这几个月里，我借助AI完成了多个实际项目：

1. 图片分类模型：重新复习了研究生时期的课程实验，加深了对AI模型的理解
2. 金融数据分析助手：能够分析金融数据，提供投资建议，作为MCP的练手项目
3. MBTI性格测试网站：使用AI工具快速开发的趣味网站
4. AI工具导航站：收集整理了各类实用的AI工具和资源
5. AI图片生成网站：基于大模型API生成图片，构建一个完整的网站并上线

副业反哺主业

起初，由于自己的本职工作都是后端实现业务，和AI并不相关。所以我都是当作副业来做。主要是利用业余时间来学习AI原理，实践AI项目。

但是随着自己能力的提升，公司看到我在AI方面的实践，也逐渐让我从写业务逻辑，到参与更多公司AI项目的开发和实践。

让我的职业生涯插上AI的翅膀，也让我这段时间的所学所想能够更好的创造价值。逐渐从后端程序员转向AI应用工程师。

广泛尝试不同领域的AI产品

在这几个阶段的学习过程中，我不仅开发AI应用，还积极尝试使用各种不同领域的AI产品。

从AI生图、AI写作、AI知识库到AI编程、AI工作流，我都进行了深入体验。

这种广泛的尝试让我对AI技术的应用场景有了更全面的认识，也为我后续的项目开发提供了更多灵感。

---

💡 给想转型AI的程序员的建议

一、从实战开始，循序渐进

如果你也想从传统开发转型到AI领域，我的建议是从实战开始，循序渐进。不要一开始就尝试复杂的项目，而是选择一些简单的项目作为起点，逐步提升难度。先上手做，遇到问题再去学习理论。

二、实践优先，理论为辅

AI技术既有理论基础，也有实践应用。在学习过程中，要注重实践优先，理论为辅。不要花太多时间在理论学习上，而是先动手实践，在实践中遇到问题时，再去学习相关的理论知识。

三、利用AI工具提升学习效率

在学习AI的过程中，可以利用AI工具来提升学习效率。比如，使用Cursor这样的AI编程工具来辅助代码编写，使用ChatGPT来解答疑问，使用AI模型来辅助数据分析等。这些工具可以大大提高学习效率，让学习过程更加轻松。

四、参与开源项目，扩大视野

积极参与AI框架的开源项目，不仅可以深入了解这些框架的工作原理，还可以结识其他AI开发者，扩大自己的技术视野。开源社区的交流和反馈对学习过程有很大帮助。

五、尝试不同领域的AI产品

除了开发AI应用外，也要积极尝试使用各种不同领域的AI产品。这种广泛的尝试可以帮助你了解AI技术的应用场景，为自己的项目开发提供更多灵感。

六、构建个人项目，积累实战经验

学习AI最好的方式就是构建个人项目，积累实战经验。通过实际项目，你可以将所学知识应用到实践中，也可以发现自己的不足，进一步学习和提升。

七、一个人不如一群人

找到志同道合的人一起学习进步，比如我也加入了一些学习社群，大家共同探讨AI的应用，要比自己闭门造车进步的快很多。

---

📝 总结

从CRUD程序员到AI应用工程师，这几个月的转型旅程充满了挑战，但也收获满满。通过实践导向的学习方法，我成功跨越了技术鸿沟，掌握了AI应用开发的能力。

这个过程让我深刻体会到：技术的发展是迅速的，只有不断学习和适应，才能在这个快速变化的行业中保持竞争力。同时，我也认识到：AI技术并不是神秘和难以企及的，通过正确的学习方法和实践，普通人也能掌握AI技术。

虽然要学习的内容仍然很多，我也远远算不上专家，但是有了AI的加持以及清晰的规划路线，即将到来的2026年，我很有信心。

如果你也想从传统开发转型到AI领域，我鼓励你勇敢地迈出第一步。记住，每一个专家都是从初学者开始的，只要你有足够的热情和毅力，你也能实现自己的技术转型。

如何学习AI大模型？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

想正式转到一些新兴的 AI 行业，不仅需要系统的学习AI大模型。同时也要跟已有的技能结合，辅助编程提效，或上手实操应用，增加自己的职场竞争力。

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高

那么针对所有自学遇到困难的同学们，我帮大家系统梳理大模型学习脉络，将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

学习路线

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

👉学会后的收获：👈

• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

1.AI大模型学习路线图
2.100套AI大模型商业化落地方案
3.100集大模型视频教程
4.200本大模型PDF书籍
5.LLM面试题合集
6.AI产品经理资源合集

👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓