作者记录了从传统行业裸辞转行AI大模型的经历，包括转行动机(寻求个人价值、工作缺乏新意、AI行业前景)、准备工作(系统学习AI原理、完成落地项目、经济心理准备)、面试经验(分析优劣势、准备简历、调整心态)。通过三个月系统学习和多次面试，最终成功获得AI大模型方向offer，为想转行的读者提供了实用参考。
今年很重要的一个经历就是裸辞然后顺利转行到了AI大模型方向，回首过去的四个月以及更长的两年，在临近一年结束之时，稍稍记录一下还是很有必要的。
主要从三个方面做一下记录，缘起，讲一下为什么要转，准备，记录一下在裸辞前做了哪些准备，面试，记录一下面试时候的观察和经验。
为啥要转行呢？借用一句流行的话来讲，就是要去旷野自由地探索一番，寻求自己的人生价值。过去的时间，一直在按部就班地上学，工作，尤其是近一年，愈发感觉时间飞逝流淌，而我却一直近乎碌碌无为，没有创造什么有价值的东西。而AI领域我认为未来是很有想象力空间的方向，因此这是我想要转行的根源。
从催化剂上来说，目前的工作虽然薪资尚可，但相比刚入职那一年，越来越没什么新意，未来的几十年可能一直都是在重复类似的东西，再加上工作氛围相比之前差了很多，待的时间越长只会蚕食我向外探索的创造力，于是坚定了我即使裸辞也要离开的决心。
而导火索就是deepseek的爆发，我意识到了成本的大幅降低将会助推AI大模型在各行各业的落地，这个时候越早投入到这个行业越好。
综上，大概今年7月份我裸辞开始了转行之路。
虽然说是裸辞，但这只是指没有在职找到下份工作，并不是完全无准备的冲动之举。下面我就介绍一下我做的准备。
首先是AI大模型方向的知识能力准备，在大三下其实就已经接触学习AI了，只是当时是拿来主义不求甚解地应用了，没有深入理解底层的原理，研究生时本应该深入探索理解的，但因种种原因仍然未能深入；工作的两年我利用周末和节假日真正深入学习总结了其内部的原理，并升级了自己的学习方法，就是跟着问题学，不害怕遇到问题，在解决问题中更加深入地理解；有了这些做基础，裸辞后我又给自己设定了三个月的探索时间，自己制定了一个学习框架，更加系统学习总结AI大模型的底层原理，包含python，传统AI，主流大模型，因为我想做的方向是AI落地应用，因此做了一个落地的应用项目。而且在此期间，我在网上分享了自己的学习笔记，一方面是督促自己稳步地学习，另一方面也是保持和外部的连接，这些学习笔记现在也都放到了github上了，后面我也会继续更新优化，这也算是我创造的第一个有价值的东西了。想要学习的可以看一下，大概率会有助于学习进程。
另一方面的准备则是我对三个月探索期的准备，包括但不限于下面几个。首先最重要的是经济，工作两年也算是攒了一些，可以保证我不用担心探索期间没有收入来源的问题；第二个就是心态，虽然已经做好了准备并制定了详细的规划，但毕竟是从稳定运行了很长时间的轨道跳到旷野中，面对很高的不确定性，是会有相对来说较高的焦虑情绪的，而我应对不确定性情绪的方法，就是每天记录自己完成的任务，同时保持和外部的连接；第三个是环境，裸辞还是尽量不要一个人待在房间里，我住的地方附近有一个图书馆，我每天基本上准时早上去，晚上回，陪伴我度过了孤独的探索期。好的环境一方面保持正常学习生活节奏可以提高学习效率，另一方面也是保持和外部的连接。
经过了大概三个月的探索学习，开始了转行的面试阶段。当前的就业大环境确实整体上感觉是寒冬的，不过大环境里面又有小气候，AI大模型领域作为新兴的一个方向，国家还有企业都在往AI方向去转，所以这个方向的岗位相对来说热度是比较高的。
大环境是一方面，核心还是自己的优劣势，面试之前我先分析了一下自己的优劣势，并设定了自己的结果预期，注意不是单个面试的结果预期，而是找工作的预期，因为单个面试，单个企业的不确定性太高了。
优势首先是有两年的行业工作经验，这可以契合AI和行业的结合这一个方向，因为我初衷就不是要做基座模型的，而是要做应用的，有行业经验在我看来是一个优势，而且更重要的是，即使最后找不到AI方向，也可以在继续在本行业，这在我的预期中属于保底操作；这里多说一句，我发现，找下一份工作的经验年限在2-3年似乎为最佳，不知道是否为真？
第二个优势就是经过探索期，我真正深入从底层理解了AI大模型的原理，并拥有了一个落地项目，后者可以帮助我过一下简历初筛，前者则是在我面试的时候几乎不会像只背八股那样轻易被问住，事实上，后面的面试证明了在原理方面基本上我都可以应对，即使不熟悉的，也可以推理一下。
另一个优势则是相对不错的学历，这可以帮助我过简历初筛，在当前这个环境中，还是很有必要的。
最大的劣势则是工作匹配度的问题，现在几乎所有的社招岗位都是要求工作经历非常匹配，把你上份工作经验能够直接用到现在的工作中，而我缺少AI方面的直接工作经验，虽然自己做了一个落地项目，但这方面确实是最大的劣势。
另一个劣势则是手撕代码的能力退步很大，因为长期没有刷了。事实上也是前期的一个面试中，原理应用啥的聊得都挺好的，面试官非常好地特意选了简单的代码题，但我还是没有做出来，很是遗憾。然后我就抽了一周左右的时间，把之前刷的代码题目回顾总结了一下，后面基本上都能写出来或者说出思路了。
接下来就是密集的面试时间了，其实在面试之前我还制定了一个分行业，分岗位的面试投递节奏，不过真实执行的时候还是因为种种原因没能完全按计划进行，一揽子海投了，这是可以优化的地方。
10月20号我认为探索期虽然还没有尽善尽美，但已经可以结束投简历了，花了大概一周左右的时间投了几家小公司并把我的简历完善了一下，27号正式开始海投，中间就是漫长的面试环节，列出来的这些天，几乎每天都有两到三场面试，11月20号拿到了首个正式的书面通知offer，其实前面也有一些口头的offer，但是有的是方向岗位不匹配，有的可能是公司计划有变动，后续也没消息了（这里稍稍吐槽一下，这种变动HR通知一下给人感受会好很多的），接下来的几天也陆续得到了之前面试的几个offer，我觉得差不多了，也有两个相对来说比较合适的offer，所以10月26号就停止了面试，休息了大概两周左右的时间12月8号就正式入职了。这是我的一个面试时间线，不过企业招聘时间应该是有黄金期的，金三银四，金九银十，现在环境来说也可能是有变化的，就不确定了。
面试经验的总结来说，我觉得第一点对面试的内容是真正搞懂底层的原理了，真正系统的理解了，这个我觉得是非常重要的，这样才可以从容自信地面对每一场面试，不会像只背八股押题那样，会焦虑担心。
另外一个就是要很熟悉简历上的内容，前期可以提前准备可能的一些问题，比如说借助AI，让它根据你的简历内容去问一些问题，然后准备相应的回答，后面面试多了，每一次都要复盘面试的问题，因为面试官他都是根据你的这个简历内容来去问你的，所以很多情况下很多面试官问的内容几乎是大差不差的，越到后面越想是在背诵答案了一样。
另外还有非常值得注意的是心态，尤其是裸辞期间的面试，因为一般面试的周期拉的比较长，一周两周都是有可能的，再加上HR很多时候不会告知你结果，以及面试失败的沮丧，都会不断让人焦虑的，所以制定一个面试总的预期，不要过度关注某场面试，某家公司，面试结果不是对你个人的否定，只是不适合罢了，只要最后的结果符合预期就行了。
另外就是简历一定要好好写，可以根据想去的岗位和行业写不同的简历，把岗位描述上的关键词尽可能和自己的简历内容融合到一起，因为筛选简历的时候很多情况是看关键词匹配的。还有就是现在要求岗位匹配度，所以不要一份简历投所有的岗位。
回过头来看，这次的最终结果在我预期的第二层级，AI方向的深入探索也才刚刚开始，希望自己能够创造出有价值的东西。以上就是我的一个转行记录了，如果能对你有所帮助那再好不过了。
结语：抓住大模型时代的职业机遇
AI大模型的发展不是“替代人类”，而是“重塑职业价值”——它淘汰的是重复性、低附加值的工作，却催生了更多需要“技术+业务”交叉能力的高端岗位。对于求职者而言，想要在这波浪潮中立足，不仅需要掌握Python、TensorFlow/PyTorch等技术工具，更要深入理解目标行业的业务逻辑（如金融的风险控制、医疗的临床需求），成为“懂技术、懂业务”的复合型人才。
无论是技术研发岗（如算法工程师、研究员），还是业务落地岗（如产品经理、应用工程师），大模型都为不同背景的职场人提供了广阔的发展空间。只要保持学习热情，紧跟技术趋势，就能在AI大模型时代找到属于自己的职业新蓝海。
最近两年大模型发展很迅速，在理论研究方面得到很大的拓展，基础模型的能力也取得重大突破，大模型现在正在积极探索落地的方向，如果与各行各业结合起来是未来落地的一个重大研究方向
大模型应用工程师年包50w+属于中等水平，如果想要入门大模型，那现在正是最佳时机
2025年Agent的元年，2026年将会百花齐放，相应的应用将覆盖文本，视频，语音，图像等全模态
如果你对AI大模型入门感兴趣，那么你需要的话可以点击这里大模型重磅福利：入门进阶全套104G学习资源包免费分享！
扫描下方csdn官方合作二维码获取哦！
给大家推荐一个大模型应用学习路线
这个学习路线的具体内容如下：
第一节：提示词工程
提示词是用于与AI模型沟通交流的，这一部分主要介绍基本概念和相应的实践，高级的提示词工程来实现模型最佳效果，以现实案例为基础进行案例讲解，在企业中除了微调之外，最喜欢的就是用提示词工程技术来实现模型性能的提升
第二节：检索增强生成（RAG）
可能大家经常会看见RAG这个名词，这个就是将向量数据库与大模型结合的技术，通过外部知识来增强改进提升大模型的回答结果，这一部分主要介绍RAG架构与组件，从零开始搭建RAG系统，生成部署RAG，性能优化等
第三节：微调
预训练之后的模型想要在具体任务上进行适配，那就需要通过微调来提升模型的性能，能满足定制化的需求，这一部分主要介绍微调的基础，模型适配技术，最佳实践的案例，以及资源优化等内容
第四节：模型部署
想要把预训练或者微调之后的模型应用于生产实践，那就需要部署，模型部署分为云端部署和本地部署，部署的过程中需要考虑硬件支持，服务器性能，以及对性能进行优化，使用过程中的监控维护等
第五节：人工智能系统和项目
这一部分主要介绍自主人工智能系统，包括代理框架，决策框架，多智能体系统，以及实际应用，然后通过实践项目应用前面学习到的知识，包括端到端的实现，行业相关情景等
学完上面的大模型应用技术，就可以去做一些开源的项目，大模型领域现在非常注重项目的落地，后续可以学习一些Agent框架等内容
上面的资料做了一些整理，有需要的同学可以下方添加二维码获取（仅供学习使用）
1万+
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
