我之前是在医疗行业做了好几年，说实话，刚开始考虑转AI的时候，我自己也很纠结。

毕竟医疗和AI产品经理看起来完全是两个方向。以前每天接触的是医疗业务、行业流程和具体场景，突然开始看大模型、Prompt、RAG、Agent这些东西，第一感觉就是：我是不是得从零开始？

而且当时身边也有人劝我，AI产品经理最好还是计算机、互联网背景的人去做，医疗行业经验和AI好像没什么关系。

但真正开始准备以后，我才慢慢发现，事情并不是这样。

我最后成功转到AI产品经理岗位，现在月收入36K+，最大的感受就是：转行并不是把过去的经历全部扔掉，而是找到过去经验和AI之间的结合点。

🔥 第一个月：我没有急着学技术，而是先搞懂AI产品经理到底做什么

刚开始我也犯过一个错误。

看到AI岗位JD以后，就开始疯狂补技术，Python、Prompt、RAG、Agent、LangChain什么都想学。

结果学了一段时间以后，反而越来越乱。

后来我重新看了一遍AI产品经理的招聘要求，才发现企业真正想要的并不是一个会写代码的产品经理。

更重要的是，你能不能理解业务，能不能发现适合AI解决的问题，能不能把需求拆清楚，再把AI能力真正落到产品里面。

所以我第一阶段主要补的是LLM基础。

先搞懂大模型是什么、Token和Context是什么、Prompt怎么设计、模型为什么会产生幻觉，以及传统产品和AI产品到底有什么区别。

🤖 第二阶段：重点学Prompt + RAG + Agent

基础搞明白以后，我开始集中学习AI产品经理最常用的几个能力。

先学Prompt。

不是为了成为Prompt工程师，而是为了知道怎么和模型沟通，怎么设计输入输出，怎么让模型稳定完成任务。

然后开始学RAG。

这一块我觉得AI产品经理一定要懂基本原理。

不用自己去研究复杂算法，但至少要知道文档怎么进入知识库、怎么检索、为什么会召回错误，以及RAG适合解决什么问题。

再往后就是Agent。

重点理解Agent和普通Workflow有什么区别，什么时候适合用Agent，什么时候其实一个规则流程就够了。

这些东西真正懂了以后，你和普通产品经理讨论AI需求的时候，思路会完全不一样。

🏥 第三阶段：我开始重新利用自己的医疗行业经验

这其实是我转行过程中最大的转折点。

以前我一直觉得自己的医疗背景是“包袱”，因为互联网公司的AI产品经理可能更喜欢互联网产品经验。

后来我突然意识到：

医疗本身就是一个非常适合AI落地的行业。

医疗知识复杂、信息量大，而且存在大量知识检索、问答、辅助决策、内容生成和流程协作场景。

所以我没有再刻意把自己包装成一个“纯互联网产品经理”。

反而开始思考，如果把AI放进自己熟悉的医疗场景里，可以解决什么问题？

比如医疗知识库、智能问答、医疗内容辅助生成、患者服务、内部知识助手等等。

这样一来，我过去积累的行业经验就变成了优势。

因为一个纯AI背景的人可能知道RAG怎么做，但不一定知道医疗业务到底有哪些痛点。

而我恰好知道。

📚 第四阶段：开始做AI产品项目，把学习内容全部串起来

到了这个阶段，我没有继续无止境地看课程。

而是开始做项目。

我会从需求分析开始，把一个完整AI产品走一遍：用户是谁、痛点是什么、为什么要用AI、产品流程怎么设计、Prompt怎么写、RAG有没有必要、Agent应该放在哪里、模型答错以后怎么办。

重点不是把Demo做得多复杂。

而是能够完整解释：

为什么这么设计，而不是为什么这个功能能跑。

因为后来面试的时候，我发现产品经理岗位真正拉开差距的就是这一点。

面试官可能给你一个业务场景，让你现场设计一个AI产品。

这个时候，单纯会几个AI工具其实没什么用。

你得先理解用户，再判断场景，最后选择合适的AI方案。

🎯 第五阶段：最后开始准备简历和面试

准备求职的时候，我没有把自己的医疗经历藏起来。

反而把它放到了简历里比较重要的位置。

因为我的目标不是和那些有多年互联网产品经验的人拼一样的东西。

而是突出自己的差异化：

医疗行业经验 + 产品能力 + AI应用能力。

面试的时候也是一样。

如果被问到为什么从医疗转AI，我不会说“因为AI是趋势”。

而是会告诉面试官，我熟悉什么业务场景，看到过什么问题，以及为什么觉得AI可以解决这些问题。

这样整个转行逻辑就顺了。

💡 转行成功以后，我最大的一个感受

以前我一直觉得，转AI就是要把自己重新归零。

后来真正转成功以后才发现，根本不是。

你过去的行业经验、业务理解、沟通能力、产品思维，甚至是你以前踩过的坑，都可能成为你新的竞争力。

AI只是给了这些能力一个新的应用场景。

所以如果你也是传统行业，甚至觉得自己的专业和AI八竿子打不着，我反而建议你不要急着否定自己的过去。

先想一件事情：

你的行业经验，能不能和AI结合起来？

如果能，那可能就是你转AI最好的切入点。

💣 最后说句真心话

如果你现在也在考虑从医疗、教育、金融、制造或者其他传统行业转AI产品经理，我不建议你一上来就疯狂学技术。

先把大模型基础、Prompt、RAG、Agent这些核心能力搞懂，然后结合自己原来的行业经验去做项目。不要想着把自己变成一个纯技术的人。

你真正应该做的，是让自己变成一个懂业务、懂产品、又懂AI应用的人。这才是我觉得普通人转AI产品经理比较现实的一条路线。

那么，如何系统地学习大模型 LLM？

作为一名从业五年的大模型算法工程师，我经常会收到一些评论和私信：
“我是零基础，学习大模型应该从哪里开始？”
“自学大模型完全没有方向，怎么办？”
“这个知识点我怎么都学不会，该怎么办？”
如果你也遇到过类似的问题，那这篇内容一定要继续看下去。因为大模型的知识体系非常庞杂，想靠三言两语把它讲明白，确实不太现实。所以，我把大模型涉及的核心知识点重新梳理了一遍，整理了一套比较完整的大模型零基础学习教程。
在制作这套教程之前，我也特意站在一个大模型小白的角度，重新梳理整个学习过程，把基础知识和实战项目结合起来。
整个过程历时3个月，最终才整理出这套完整的学习内容。希望大家学完之后，不只是“知道几个概念”，而是真正能够建立起属于自己的大模型知识体系。
由于篇幅有限，如果你需要完整的《2026全新制作的大模型全套资料》，可以扫码获取：

整的大模型学习体系。

9周成为大模型工程师

第1周：基础入门

这一周主要建立大模型基础认知。

• 了解大模型基本概念与发展历程
• 学习 Python 编程基础
• 掌握 PyTorch / TensorFlow 基础
• 理解 Transformer 架构核心原理

第2周：数据处理与模型训练

开始进入模型训练相关内容。

• 学习数据清洗、数据标注与数据增强
• 掌握分布式训练与混合精度训练
• 实践小规模模型微调，例如 BERT、GPT-2

第3周：模型架构深入

进一步理解主流大模型的内部结构。

• 分析 LLaMA、GPT 等主流大模型架构
• 学习注意力机制优化，例如 Flash Attention
• 理解模型并行与流水线并行技术
  

第4周：预训练与模型微调

这一阶段重点学习模型训练和适配。

• 掌握全参数训练以及 LoRA、QLoRA 等高效微调方法
• 学习 Prompt Engineering 与指令微调
• 实践不同领域的模型适配，例如医疗、金融等场景

第5周：模型推理与部署

从“会训练”进一步走向“会部署”。

• 学习模型量化，例如 INT8、FP16
• 了解模型剪枝与推理优化
• 掌握 vLLM、TensorRT 等推理加速工具
• 使用 FastAPI、Docker 完成模型部署

第6周：大模型应用开发

开始进入大模型应用落地阶段。

• 学习 RAG（检索增强生成）系统
• 开发 Agent 类应用，例如 AutoGPT
• 实践多模态模型，例如 CLIP、Whisper

第7周：安全与模型评估

开始关注模型上线后的安全性和效果。

• 学习大模型安全与对齐技术
• 掌握 BLEU、ROUGE、人工评测等常见评估方式
• 分析模型幻觉、偏见等常见问题
  

第8周：行业实战

把前面学到的知识应用到真实项目中。

• 参与 Kaggle、天池等大模型相关竞赛
• 复现最新大模型论文，例如 Mixtral、Gemma
• 完成企业级项目实战，例如智能客服、代码生成等

第9周：前沿技术拓展

最后进一步了解大模型领域的发展方向。

• 学习 MoE、长上下文等前沿技术
• 探索 AI Infra 与 MLOps 技术体系
• 根据自己的方向制定个人技术发展路线

👉最后福利👈

课程视频里的相关学习素材，我也给大家整理好了。

包括：

• AI 开发环境搭建资料
• 大模型学习计划表
• 学习路线图
• 电子书
• 课程课件
• 项目实战资料
• 其他大模型学习素材

几十上百 G 的学习资料，我也已经统一整理并上传到 CSDN。如果你需要，可以通过下方 CSDN 官方认证二维码免费领取。保证100%免费，不需要额外付费。