后端岗如何拥抱ai应用开发？双非硕方向转换实录(附学习路径)

本文以有java后端基础/python基础如何转向ai开发岗进行讨论分析。

个人bg : 专升本，26届双非硕，硕士转码，25.6 - 26.2 小厂ai应用开发实习，入职前ai相关项目 * 1 ，春招面试时含公司实习项目共计10+ai相关项目(简历体现4个)，ai相关内容学习实习前累计1m左右，深入了解时长等同于实习时长。

重要经历 ：实习期间参与三个ai项目开发，垂直领域涉及金融审核相关业务(涵盖文档、检索、分析、agent等)

1. ai应用开发岗是什么？涉及什么？

ai应用开发岗作为新兴岗位，主要分为两部分:

• 上游任务(偏向于算法) : 模型后训练，微调(SFT,QLora) ,场景定制化模型开发 - 如 : 标题分级，内容抽取，舆情检测等细分领域场景模型二次开发优化等，语言以python为主；
• 下游任务(偏向应用层) ：针对指定任务进行下游开发，主要以RAG，MCP，Agent，prompt Engineering为主，最近新兴的Skill，Clawdbot等也归为此类，在这类任务中，框架以springAi，Langchain(Langchain4j)为主，数据库主要采用Mineru，postgreSql等。

在多数公司中，上下游基本不进行分离或进一步细分，如某公司岗位jd所示。

同时，有的同学存在一定的误区，认为后端开发与ai应用开发是完全区分开的岗位，但实际上，ai应用开发不止要了解ai相关内容，同时对于后端的内容也必须尽可能的扎实，因为在实际业务场景中要进行落地，那后端开发一定是必不可少的，甚至在部分场景中，后端的内容要占据一大半——即适合场景的才是最好的，比如在文档指定字符检索类任务时，如果完全依赖ai，那么首先幻觉问题无法解决，同时业务的总耗时会达到一个非常夸张的数字，而此时采用ac自动机模式进行匹配，整体耗时甚至可以达到大模型的1/100，且只是简单的字符匹配，不考虑文档跨页的情况下，准确率可以达到100%。

2. 后端如何转向ai应用开发岗？路径简析

正如前文所言，后端岗位与ai应用开发岗位并非分离，而是相互依存的关系，所以后端在转向ai应用开发岗位时整体而言用时较短且难度较低(一定一定要有后端经验)。以下是个人转岗学习路径:

（bg: 暑期实习面试成功的岗位即ai应用开发岗，所以属于是边干边学，干中学了）

2.1 语言以什么为主？

在实际的开发中，Java和Python通常都会用到，实际应用层在多数公司中会选择java，而在ai层(如后训练模型，微调后模型)通常会选择python然后通过fastapi暴露相关接口来进行调用，所以两个语言尽量都需要掌握，可以选择一个自己更为精通的进行深入，就目前而言，RAG、MCP、Agent等在python上的生态更为成熟，但是java依托于spring ai等框架，两者相差不大，所以语言可以按需选择，不需要太过纠结。

2.2 项目如何选择

目前github上的开源项目极多，也有非常多的知识星球，目前来看多数知识星球均有ai相关项目，所以在项目上大家可以自由选取，按照自己手头的资源来进行就可以。

个人项目学习路径顺序建议 :

1. RAG : 在这一部分完整实现一个项目，且同时必须要了解掌握包括但不限于以下内容:
1. Embedding , 要了解什么是embedding，为什么要embedding，选取什么embedding模型，每个模型的优缺点是什么；
2. Chunk(文本切块)，要了解什么是文本切块，为什么需要文本切块，都有哪些策略；
3. 选用什么向量数据库，每个向量数据库的特点是什么；
4. 如何计算文本相似度，都有哪些算法；
5. re-ranking，Top-K是什么
6. 不同格式文档如何处理
7. prompt engineering - 压缩查询，自查询等如何实现，如何通过修改prompt使得模型表现更好
8. 如何评估rag性能
9. …………
2. MCP ：在这一部分完整实现一个项目，这一部分强烈建议自己改造一个java微服务项目为MCP，会对业务理解的更为深入， 且同时必须要了解掌握包括但不限于以下内容:
1. 整体流程是什么，什么是MCP协议，如何进行项目改造
2. 如何确保工具调用的准确性，降低调用幻觉，如何进行实际执行，prompt设计，参数传递，以及大模型在这里扮演了什么角色
3. 项目改造完成后，如何替换原有加载方式，如何排查配置加载失败的问题，如何进行动态更新，如何保证原有性能
4. 如何与其他项目进行有机结合？如何设计降级、熔断方案？
5. 如何评估mcp整体性能？
3. Agent ：agent目前相关生态非常丰富，大家可以结合自己的实际项目进行生态引入，如Prometheus等，也可以在开源的基础上进行自己的二次开发和改造，但还是建议找一个项目从零开发，玩具项目的意义就在与构建对整体的理解:
1. 如何实现对话历史的管理和持久化？如果原生框架不支持，可以通过哪些方法进行自主实现？
2. 如何实现multi-agent？
3. react范式/Plan-and-Execute 范式的区别及如何选取
4. 如何与其他生态进行有机结合？
5. 如何优化指定场景下的agent性能？
6. 如何对原生agent性能进行测试？
7. 多模态场景下如何进行推理？
8. AutoGPT如何实现自主决策？
9. …………

以上为项目学习路径的简单规划，可以按照自己手头的资源进行项目选择然后进行开发，实际上在我学习的过程中，对于网课或视频的依赖程度并不高，多数在不了解相关内容时按需搜索查看，从我的经验来看的话，如果按部就班的看视频 -> 做项目 -> 背八股，这条路径所花的时间成本极高，同时收益不一定会更好，ai应用开发的相关内容并不多，边做边学可能效果会更好，结合开源项目和付费项目，做完几个项目对于整体的理解程度已经足以进行面试了。

在面试过程中，面试官对于实际项目的兴趣点会更高，对于论文/八股的兴致缺缺，而且机会比较大(综合来看)，如果有ai实习的话，基本进面率会非常高(没有实习的情况个人不太了解)，所以有后端经验的同学可以深入学习项目。

预祝大家前程似锦，都找到心仪的offer！