文章介绍了大模型发展的两条主线开发/落地侧和算法/Infra侧并针对没有学历和大厂背景的人提供了转行建议。开发侧强调动手实践和交付结果建议先掌握基础工程能力深度使用Claude Code等agent harness通过真实项目积累经验。算法侧则要求更扎实的ML基础关注RSI、Agentic RL等前沿方向。文章还提供了学习资源、项目与变现、学习与精力管理等方面的具体建议鼓励读者通过build in public提升曝光度快速获得反馈和机会。Agent 这条路分两条主线开发 / 落地侧Agent Engineer / FDE用现有模型 harness 把具体场景做成能稳定跑、能交付、能变现的系统。算法 / Infra 侧Agent Algorithm / Research / Infra Engineer做底层能力包括多 agent 调度算法、评估体系、记忆与推理机制、长时程任务、规模化运行的基础设施等。1. 把「必须靠学历和大厂才能转行」那套清掉。学历和大厂经验确实是门槛尤其想进大公司或纯算法岗时更明显。但对初创和很多实际招人的团队来说能被直接验证的交付结果更重要GitHub 上能跑通的项目实际用 AI 做过并赚过钱的案例有真实用户或能演示的产品相关论文或被看到的输出这些东西做得出来而且往往比单纯的学历背景更有说服力。空有概念、没有可验证结果依然没用。2. 先把底线问清楚说不清楚就别开始。 开发侧的路径接近现在的 FDE在真实约束下把东西做出来并交出去。算法侧则更看你有没有扎实的 ML 基础和能被看到的研究或系统产出。你能接受多久没有稳定收入能不能边打工边做项目能不能从写代码、管权限、写 skills、接小单开始3. 信息源重点放在这些地方X、GitHub、OpenAI 和 Anthropic 的官方 Blog、少数高质量 YouTube 频道和视频、HuggingFace daily Paper。中文热搜、大多数「AI资讯」号跟转行没关系看多了只会焦虑。 重点看实际在做交付、有结果的人在发什么以及大厂博客和公众号里关于 harness、agent 能力、评估、部署的技术细节。YouTube 上选那些讲实操、拆代码、讲踩坑的。4. 目标定成「能拿出能被验证的交付结果」而不是「学会了概念」。对没有学历和大厂背景的人来说这是进初创、接项目、被看到的主要路径。算法岗难度更高但同样可以用强项目、开源贡献、论文来补。技能篇开发 / 落地侧优先建议大多数人从这里开始1. 先把基础工程能力练熟能读写代码、能处理 API、能管理状态、能做基本测试和错误处理。这些是 harness 能不能跑稳的前提。2. 现在主战场是 agent harness不是以前那种纯框架。Harness 是包在模型外面的运行时它负责循环调用模型、管工具、管权限、管上下文和记忆、做验证、处理错误。 Claude Code 是目前最有代表性的实现很多人直接在它上面做项目、写 skills、配 hooks、用 subagents。3. 建议先深度使用 Claude Code把它的核心机制吃透理解它是怎么把模型变成能持续干活的 agent 之后再决定是继续在它上面定制还是用 Claude Agent SDK 自己搭更专用的 harness。刻意练习「在有约束的环境里交付」模拟权限限制、错误处理、可验收的输出、交接文档。这和 FDE 日常最接近。CLAUDE.md / 项目记忆Plan ModeSkills可复用能力Hooks工具调用前后的强制检查Subagents / 动态工作流MCP 和权限控制4. 别同时学五个框架。老的 LangGraph、CrewAI 还在但已经不是现在讨论和实际落地的主线。先把一个 harness优先 Claude Code 这一套打深能用它把真实任务稳定跑通比广撒网有用。5. 每天至少 2 小时在真实项目上动手。 从最小可用开始先做一个能帮自己干活的东西再往外扩展。算法 / Infra 侧1. 需要更扎实的基础概率统计、机器学习、优化、评估方法、实验设计。只靠调 API 和写 skills 不够。2. 当前值得关注的方向和具体推荐Coding Agents把 Claude Code、Codex、OpenCode 等作为研究对象。拆它们的 harness 设计、权限系统、上下文管理、工具调用循环。官方博客 实际跑一遍比看十篇综述有用。RSIRecursive Self-Improvement关注 harness 层的自我改进而不是只改模型权重。近期有人在做 Regularized RSI of Agent Harnesses、Terminal-RSI、SwarmRSI 等。从读相关论文 复现小规模实验开始。Agentic RL用强化学习让 agent 在真实 harness 里学会更好的行为。Microsoft 的 Agent Lightning、verl 系列、OpenPipe ART 等都在做这件事。重点看「怎么在不重写整个 agent 的情况下加 RL」。评估与环境可靠的 eval 比模型本身更稀缺。 自己做一个小基准、写清楚失败模式比单纯刷榜更有说服力。Infrasandbox、权限控制、可观测性、长时程状态管理、Managed Agents 一类平台。Claude Managed Agents、开源的 sandbox 方案、以及 Agent Lightning 这类训练侧 infra 都值得看。3. 路径比开发侧更陡。如果目标是算法岗建议先有能跑的强项目有业务背景优先尤其是自己做的评估框架、记忆系统、多 agent 实验、或小规模 RSI/RL 实验再考虑论文或开源贡献。关注实验室和公司在 agent eval、multi-agent、long-horizon、coding agent 上的公开工作和招聘。开发侧积累的真实场景经验反过来对算法侧也有价值知道什么才是真实瓶颈。项目与变现篇1. 先做「自己能用」的东西再做「别人愿意付钱」的东西。前者证明你能把 harness 跑稳后者才是转行的门票。2. 早期变现与路径优先级开发侧接小外包帮人做特定场景的 agent比如客服、数据整理、内容生成、内部知识库做垂直小工具收费或卖源码带着能演示、能讲清楚限制和边界的项目去相关岗位如果有条件关注公司内部的 AI 落地项目或外部 FDE 相关机会有空就打一打黑客松。短时间内强制你把一个 agent 场景跑通、做出能演示的东西还能拿到一些奖金、曝光和人脉。选主题偏实际落地的不要纯概念赛。结束后把代码和文档整理干净放到 GitHub 上这就是可验证的结果。3. 算法侧的项目更看「可复现的实验 清晰的结论」。做评估基准、改进某种协调或记忆机制、开源一个有用的组件、或做小规模的 RSI / Agentic RL 实验比做十个 demo 更有用。4. 场景越具体越好。 通用 agent 很难做出来具体业务场景更容易做出能验收的结果。5. 有余钱就买模型额度和必要的工具别在这里省。调试和迭代是会烧钱的。学习篇1. 关掉无关 App 会员手机和电脑系统语言切到英文强迫自己看英文文档和讨论。2. 每天固定做三件事看一个真实项目或 harness 的实现细节、改自己的项目、记录遇到的问题和解决办法。3. 重点材料Claude Code 官方文档和示例、实际在用的人发的 skills / hooks / 项目仓库、OpenAI 和 Anthropic 博客里的技术文章、少量讲 harness 工程或 agent 评估的高质量 YouTube 内容。算法侧额外看相关论文RSI、Agentic RL、coding agent 评测和实验室公开的工作。看完必须动手复现。4. 书少而精《The Lean Startup》《The Mom Test》这类讲怎么快速验证和交付的就够了。算法侧再补基础 ML 和实验设计相关的材料。健康与精力篇1. 转行期最容易崩的是精力。保证睡眠别用熬夜换学习时间。2. 每周至少 3 次力量训练或游泳保持基础体能。长时间坐着写代码、调权限没有体能会先垮。3. 戒掉高糖饮料和频繁外卖。自己准备蛋白质和蔬菜保证脑子能持续运转。4. 通勤和居住环境能优化就优化。减少无效消耗把时间留给项目。社交与网络篇1. 只跟两类人多聊正在用 harness 做实际项目的人、已经靠相关能力赚钱的人。其他人的建议可以听但别当行动依据。2. 在 X 和 GitHub 上主动输出进展、踩坑、解决办法。被看到比海投简历有用。 建议直接 build in public把项目进展、遇到的问题、怎么解决的、数据或结果都公开写出来。持续输出会带来反馈、人脉和机会比默默做完再找工作有效得多。黑客松现场也是快速认识做实际项目的人的机会。3. 三年不联系的同学发小消息可以不回。把精力留给能互相提供信息或合作机会的人。4. 形象保持基本整洁就行。转行期重点是产出而不是包装。执行节奏建议前 30 天把一个最小 agent 在 Claude Code 上跑通能解决一个自己的真实问题。开始在 X 上简单记录进展。30-60 天做成一个能给别人看、最好能收费的项目并持续迭代记录清楚限制和结果。期间可以找一两个合适的黑客松参加强制产出。继续 build in public把过程公开。60 天后根据结果决定是继续做项目、接单还是去相关岗位开发侧优先考虑 FDE / Agent Engineer算法侧需要更强的项目或研究产出再冲。开发侧门槛相对低、反馈快、变现路径清晰适合大多数人先走。 算法 / Infra 侧门槛更高但长期价值也更大。两条路并不互斥开发侧的真实场景经验对算法侧同样有用。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。