五类背景转型 AI 工程/FDE：从你所在的位置出发

开场钩子

转型最快的路径不是"从零开始学 AI"，而是从你已有的技能出发，只补缺口。五类背景的转型成本天差地别：ML 工程师"把调用本地模型换成调用 API"就行；数据工程师顺手得像是职业续作；数据科学家的评估思维是护城河；后端工程师加 AI 即可；前端工程师先补后端、但手握独门优势。这节课对号入座，找到你的最短路径。

一、先看所有人共用的 20/80 核心技能

最重要的 20% 技能，覆盖 80% 的工作：

• LLM 基础：LLM 能/不能做什么；OpenAI/Anthropic API 调用；结构化输出；提示词工程
• RAG 与检索：文本/向量搜索（Elasticsearch、Qdrant）；不同文档类型的分块策略；PDF/字幕/网页等多源处理。练手项目：FAQ 助手、文档问答、内容管理搜索
• AI Agent：函数调用与工具使用；agent 工具调用循环；框架（PydanticAI、OpenAI Agents SDK、LangChain）；MCP（为其他 agent 做工具）；多 agent 系统（路由、管道、协调）。练手项目：网络调研 agent、自动抽取管道、多 agent 工作流
• 测试：给 agent 写测试（工具调用、输出质量）；LLM-as-judge
• 监控与可观测：日志与链路追踪（OpenTelemetry、Logfile/Jaeger）；成本与用量追踪；用户反馈追踪；Grafana 式仪表盘
• 评估：离线评估、检索质量评估、合成数据生成、基于评估结果的提示词优化
• 生产：notebook 转工程项目；部署；云平台；护栏；大数据集并行处理

配套技能（JD 高频但不在核心路径里）：Python 与软件工程基本功（测试/CI/代码评审）；FastAPI、React；至少一朵云 + Docker/K8s；PostgreSQL + 向量库 + Redis；PyTorch 基础、embeddings、微调概念；TypeScript 作为第二语言。

典型 AI 工程技术栈：应用层（React/Next.js/FastAPI）→ AI 编排（LangChain/LangGraph/PydanticAI）→ LLM API → 向量库 → 基础设施（Docker/K8s/云）→ 监控 → 评估。

二、五条转型路径对号入座

**从 ML 工程师——最快路径。**角色高度相似：把"调用本地托管模型"换成"调用 OpenAI"，其余照旧。你已有的模型服务、监控、CI/CD、生产可靠性直接迁移。要补：LLM API、提示词工程与版本化、RAG、agent 循环、LLM 特有的评估（幻觉检测、答案质量、工具使用正确性——和传统 ML 指标不是一回事）。你的优势：模型行为直觉——LLM 表现差时，你能推理是提示词问题、上下文问题还是模型上限。

**从数据工程师——最顺滑的续作。**RAG 需要搜索引擎，搜索引擎需要数据，数据需要摄入管道——这就是你干了半辈子的事。已有：Python、管道、CI/CD、SQL、云、可观测。要补：LLM API、提示词调优、评估（关键新技能）、检索与生成两段。3–4 个月可完成。你的优势：纯 AI 工程师普遍搞不定的数据侧（可靠管道、数据质量、基础设施）正是你的主场——可以先以"贡献数据管道"加入 AI 团队，再渐进转向。

从数据科学家——评估思维是护城河。AI 工程需要科学与工程，但没有真正的建模（模型已存在），主力是提示词调优——而评估对你是老朋友，对软件工程师却要练好几遍才开窍。要补：工程基本功（测试、CI/CD、Git 流程）、Docker 与部署、云、K8s。残酷真话：只会分析、只会训模型、走不出 notebook 的数据科学家，日子已经很难——一次 gpt-4o-mini 调用能替代很多传统建模任务。但加上工程能力就是"全栈数据科学家"，永远找得到工作。

从后端工程师——加 AI 即可。"AI 工程师首先是工程师，AI 其次。"你已有：Python/TS、API、测试、CI/CD、Docker、数据库、云、部署监控、微服务。要补：LLM API、提示词迭代/测试/版本化、RAG、agent、评估（最重要的新技能——多数工程师的初始卡点，做几次就通）、AI 专项监控（输出质量、成本、漂移）。2–3 个月即可产出演练。你的优势：你建得了整个系统，不只是 AI 那部分——研究背景出身的 AI 工程师常在生产工程上挣扎，而这正是你的日常。

**从前端工程师——先补后端，手握独门优势。**两条后端路线：TypeScript 路线（Node/Express 或 Next.js API Routes，无新语言，平滑过渡）；Python 路线（强烈推荐，FastAPI 现代高性能，AI 生态 Python 优先）。有时间就双修：TS 保底、Python 走深。要补：数据库（PostgreSQL/Redis/向量库）、Docker、CI/CD、云，然后是标准 AI 技能链（LLM API → RAG → 评估 → agent）。上手技巧：直接用 Cursor/Claude Code 加速后端学习。你的独门优势：你能端到端闭合全栈——AI 后端、API、用户界面一人打通，多数 AI 工程师做不好前端。创业公司和小团队里，全栈的人往往是该招的第一个 AI 人。

三、技能优先级总表

• 必须有：Python、提示词工程、RAG 模式、至少一朵云、Docker
• 高价值：LangChain/PydanticAI、TypeScript、FastAPI、K8s、CI/CD、PyTorch 基础
• 差异化：agent 框架（LangGraph/CrewAI）、微调、评估框架、向量库深度、多 agent 模式

对 FDE 的启示（1444 对标）

• S4 组合排序与路线规划：五路径的对号入座方法（盘点已有 → 只补缺口 → 时间盒）就是个人能力建设规划的标准流程——先定位你的"已有项"，再按优先级总表排补课顺序。
• B4 趋势研判与战略卡位：所有路径殊途同归于同一条 20/80 清单——这说明 AI 工程/FDE 的核心技能集已收敛，早收敛早卡位，别在非核心项上过度投资。
• D4 知识沉淀与反哺复用：转型计划写下来（已有/要补/时间盒/练手项目四个字段），每完成一项打勾——把学习本身变成一个"可评估的项目"。

本课自测

1. 五类背景的转型成本排序是怎样的？哪条最快、哪条要动的前提最多？
2. 20/80 核心技能清单里，哪四项是所有背景都要补的？
3. 数据科学家的护城河是什么？后端工程师最大的新技能卡点是什么？
4. 前端工程师的"独门优势"是什么？为什么在初创团队尤其值钱？