30岁Java后端被裁，我用3个月转Agent开发上岸了

关注

原创最新推荐文章于 2026-10-17 10:53:12 发布 469 阅读 AI 写同款· GEO 优化 ›

CP2102 USB 转 UART 模块 PCB 设计项目不幸的是，我的笔记本电脑只有 USB 端口，所以我需要在 USB 端口和 UART 接口之间进行转换。PCB 布局将足够小，因此我们不一定需要高速布线 USB 线路，但我们将在此将其作为一个简单的示例来实现，以展示如何在这种类型的电路板上实现它。相反，我们只使用屏幕左侧的电路。在这里，我们利用对之间的间距和到 L1 上的铜灌注的距离将差分阻抗设置为目标值。初始布局分为两个部分：USB 连接器和 USB 线路的 TVS 二极管放置在电路板左侧，带有二极管 D4 和 D5 的引脚接头放置在电路板右侧。阅读详情

去年年底，公司突然通知要裁员。看到消息那一刻，脑子一下子懵了。

30 岁，6 年 Java 后端，我一直觉得自己是老员工——会写接口、懂微服务、能扛线上事故，裁员怎么着也轮不到我。

可现实就是，名单里有我。

更难受的是，不是不努力，而是不知道未来该怎么办了。这几年后端岗位越来越卷，很多活儿能被 AI 接手，加上 30 岁这个年龄标签，危机感压得喘不过气。

那段时间还没正式离职，白天照常上班，晚上回家就疯狂刷招聘、研究 AI 相关的方向。刷到不少 Agent 开发的内容，有个前同事转过去之后薪资也更好。请教了一圈，最后我决定：给自己三个月时间，转 Agent 开发。

00 先说一句不好听的：三个月，是"学会"，不是"上岸"

我不想骗你。

三个月能让你从"看不懂他们群里在聊什么"，变成"能独立交付一个上线跑着的 Agent"。但三个月不能保证你拿到 offer——我从开始学到拿到 offer，中间还隔着投了 38 份简历、面了 4 家、挂了 2 家的过程。

所以下面这三个月，我给每一站都定了一条验收线：做不到就是没过，别自己骗自己往下走。

时间	这一站	交付物	验收线
第 1 周	Python	能对话的命令行脚本	说清 temperature / max_tokens / stream 分别管什么
第 2-3 周	FastAPI / API 视角	带流式输出的接口服务	断网、超时都不白屏
第 4 周	Prompt 工程	文本 → 固定 JSON 抽取工具	跑 10 次，格式 10 次都稳
第 5-6 周	LangChain	手写一个 RAG，再回头用框架	能说清框架替你干了啥
第 7-9 周	RAG	能问答的知识库 Agent	20 个真实问题答对 15 个以上
第 10-11 周	LangGraph	多步任务编排	中途打断、改需求、重进都能接上
第 12 周	MCP	把自己的服务包成工具	改一版工具描述，模型就会调
第 13 周	GitHub 项目	完整可跑的仓库	陌生人 clone 下来 10 分钟跑得起来

这张表你可以截图。三个月里我唯一坚持的规则是：每一站结束时，手里必须多一个能演示的东西。

不是"学完了"，是"交出来了"。

01 第一个月：Python → FastAPI → Prompt，我没碰任何框架

别学 LangChain，别碰那些"三天包会"的教程。第一件事是把这三样打通。

第 1 周，Python。

我只学了三样：async、pydantic、venv。

不是因为 Python 只要学这么多就够了，而是转行的人最容易被语言拖死。你不需要变成 Python 高手，你需要的是能跑起来。

而且这三样对后端来说几乎是白送的：

async ≈ 你写过的 CompletableFuture；
pydantic ≈ Bean Validation + Jackson 换了件衣服；
venv ≈ 一个隔离的依赖环境，别再全局装包了。

一周内跑通一次大模型调用，这一站就过了。

第 2-3 周，FastAPI + 换个视角看 API。

FastAPI 就是 Python 版的 Spring Boot——路由、依赖注入、参数校验，你闭着眼都能猜到它在哪。

真正要学的是流式输出。Agent 的回答是几个字几个字往外吐的，不是一次性返回的。实现方式就是我们熟得不能再熟的 chunked 响应，换个名字叫 SSE。

验收线我定得很死：断网、超时都不能白屏。 这一条后面救了我第二次命。

第 4 周，Prompt 工程。

我把 Prompt 当成接口来设计：先定返回的 DTO（JSON Schema），再写实现。

手搓那两周踩的坑，全是框架不会让你看到的：

system 消息放错位置，模型就不认了；
Function Calling 返回的字段名，跟文档上写的不是一回事；
上下文超 token 限制，模型直接把前面的指令全截了——我一度以为它"忘了"我说过什么。

验收线是：同一个输入跑 10 次，JSON 格式 10 次都能解析通过。第 7 次才稳下来。

框架是拐杖，不是腿。先学会不用它走路。

02 第二个月：RAG，我做了第一个真能用的东西

第 5-6 周，我先手写了一遍 RAG，才允许自己用 LangChain。

这是我这三个月做得最对的一个决定。

先用最笨的方式写一遍：切分 → 向量化 → 检索 → 拼进 Prompt → 生成。写完你才知道，LangChain 那些链式调用背后每一步在干什么。

反过来的顺序（先学框架）我也试过，结果是被 LCEL 的管道挡住了日志，出问题完全定位不到是哪一步炸的。先会手搓，框架才是加速器；不会手搓，框架就是黑盒。

第 7-9 周，做一个真能回答问题的东西。

不是本地跑的 demo。我把自己 6 年攒下的技术笔记、项目的运维手册、还有一堆官方文档喂进去，做了一个能问答的 Agent。

我准备了 20 个真实问题当评估集——就是我自己当年真问过的那些。

第一版，20 题只答对 7 个。

根因不是模型不行，是我按固定长度硬切，把一个完整的操作步骤从中间切成了两半，模型拿到的永远是半截话。

改了切分策略（按语义段落切 + 保留标题路径）、加了重排之后：15 个。又补了引用回溯（回答必须标出来自哪一段）之后：18 个。

评估集就是回归测试。你写过单测，你懂的——没有评估集的 Agent 优化，全是在瞎调。

上线第三天，翻车了。

但不是我以为的那种翻车。

我以为会栽在"模型胡说八道"上，结果先崩的是超时和账单：

有个用户把一整篇报错日志贴进去问，一次调用的 token 直接冲到上限，响应 30 多秒，页面白屏，用户以为服务挂了；
当晚我看成本，一天烧掉的钱够我吃半个月。

后来我加了四件事：

流式输出——先出字，用户就不觉得卡；
上下文裁剪 + 历史摘要——超长的对话自动压缩，别全量重发；
相同问题缓存——同一个问题第二次问，直接走缓存；
每个请求打成本日志——单次多少钱、用了多少 token，全部落盘。

改完之后：P95 从 8 秒压到 1.5 秒，单次成本从 4 毛多压到 9 分钱。

Agent 就是一个把数据库换成了模型的后端系统。
模型会超时、会返回脏数据、会被限流——跟你对接过的任何一个不靠谱的第三方服务，一模一样。

03 第三个月：编排、MCP、工程化，然后开始投简历

第 10-11 周，LangGraph：让 Agent 能干多步的活。

单轮问答只是玩具。真正有价值的是"拆任务 → 调工具 → 看结果 → 决定下一步"这条链。

LangGraph 对后端来说一点都不陌生：它就是个工作流引擎。状态机、节点、边、条件分支，你做过流程编排的话，看图就能懂。

我最在意的是 Checkpoint——任务跑到一半断了，能不能接着跑。这不就是断点续跑 + Saga 补偿吗。

验收线：中途打断、用户改需求、服务重启，再进来都能接上。

第 12 周，MCP：把自己的服务包成工具。

MCP 说白了就是服务注册 + 接口契约。你把自己的服务暴露成工具，让模型自己决定调哪个。

这里有个坑我卡了两天：工具描述写得含糊，模型根本不会调它。

我当时写的是 query_data，模型从来不调。改成"查询指定时间段内的订单数据，入参是起止日期，返回订单列表，适合用户问’最近卖得怎么样’这类问题"之后，调用率立刻上来了。

工具描述就是接口注释。 你写的注释如果别人看不懂，凭什么指望模型看得懂？

然后，我把做后端那套全搬了过来。

服务降级：模型接口超时，自动切本地缓存兜底，宁可回答得笨一点，也不能白屏；
监控告警：输出乱码、调用频率异常、当天成本超标，告警直接弹到群里；
异步任务：不重要的 Agent 任务扔进消息队列慢慢跑，不让用户干等着。

这三条我一行新东西都没学。它们全是我做了 6 年后端的肌肉记忆。

也正是那一刻我想明白一件事：Agent 开发最缺的不是懂 AI 的人，是懂工程的人。

第 13 周，把项目放到 GitHub 上。

验收线只有一条：陌生人 clone 下来，10 分钟能跑起来。 依赖锁死、一份能照抄的 README、一个 .env.example。

然后开始投简历。这次不一样了。

我简历上没写"精通 LangChain"“熟悉 RAG”。我写的是——

独立搭建了一个文档问答 Agent，上线两周回答 300+ 真实问题；自建 20 题评估集，准确率从 35% 提到 90%；通过流式输出、上下文裁剪与缓存，把 P95 从 8 秒压到 1.5 秒、单次成本从 0.4 元降到 0.09 元；模型超时自动降级到本地缓存，上线零白屏。

面试的时候，面试官问的也不是"你用过什么框架"，而是"你怎么保证它稳定"“成本怎么控”“模型挂了怎么办”。

这些东西我每一个都能讲十分钟——因为每一个都是我亲手踩出来的。

投了 38 份，面了 4 家，挂了 2 家，最后拿了 2 个 offer。选了一家做企业 Agent 的，薪资比被裁之前高了一截。

04 最后，说几句掏心窝子的话

第一，别从框架开始学。

我知道这很反直觉——觉得"先学最流行的工具，效率最高"。

但框架把坑都藏起来了，你学完只会调包，出了问题连往哪查都不知道。手搓两周，能省你后面两个月的排查时间。

第二，你的 6 年后端经验不是包袱，是筹码。

这是我这三个月最想说的一句话。我列张表，你对照看看：

你做了 6 年的事	在 Agent 里叫什么
微服务拆分、接口设计	多工具编排、Tool schema
超时 / 重试 / 熔断	模型调用的多级降级
JVM 调优、容量规划	Token 成本与上下文管理
线上事故复盘	效果回归、坏 case 追因
单元测试、回归测试	评估集、Prompt 版本管理
消息队列、异步化	长任务编排、断点续跑

面试的时候我发现：纯 AI 背景的人聊不到工程落地，后端背景的人聊不到模型原理。但面试官更缺的，是能把它上线的人。

原理不会可以学，工程思维长不出来。

第三，别等"准备好了"再投简历。

我投简历的时候，评估集才做到 15/20，成本还没压下来，一堆问题没解决。但我还是把这段经历写进去了。

面试官问"你怎么控制成本"，我如实说：“一开始也没控住，上线第三天一天烧掉半个月饭钱，后来加了流式、裁剪、缓存、成本打点四件事才压下来。”

他听完说：“你继续说。”

因为他知道，能把一个不完美的东西迭代到更好的人，比只会展示完美 demo 的人，值钱得多。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。