事情发生得比想象中平静
今年七月,我在大厂满六年。七月十五号上午,HR 约我去一间小会议室,桌上放着一份文件,会议全程二十三分钟。
赔偿按 N+1 算,条款写得很干净。我甚至有点恍惚——不是愤怒,是一种"原来是这样"的平静。因为我早就隐约感觉到,团队的新需求在减少,评审会上讨论的更多是"能不能用 AI 生成一版"。
后来我去查了数据,才明白自己踩在什么位置上:2026 年普通业务开发岗需求同比下降 52%,初级前端岗位需求下降 65%,初级后端薪资从 18-25k 砍到 8-12k。截至 2026 年 8 月中旬,全球科技行业裁员 12.6 万人,超过 2025 年全年,其中近一半岗位直接归因于 AI 替代。
我不是运气不好。我是在那条向下的曲线上。
我把原因归结成一句话
那段时间我反复想一个问题:我六年到底积累了什么?
答案很扎心:我积累的是"把需求翻译成 CRUD"的能力,而且这套能力在过去两年被 AI 学走了。谷歌内部 75% 的新增代码由 AI 生成,腾讯 90% 的工程师日常使用 AI 助手,项目交付周期平均缩短 40%。当 AI 能写 80% 的代码,我引以为傲的编码速度,从优势变成了标配。
更准确地说:我的经验不是六年,是同一年经验重复了六次。 这就是 2026 年"不成长的经验等于负资产"这句话的真实含义,也是薪资倒挂的成因——很多工作四五年的程序员跳槽薪资不涨反跌,因为企业买的不是年限,是能解决多复杂的问题。
投简历的第一周,我撞了三堵墙
第一堵:投递量换不来面试。 前两周我海投了七十多份,收到两个笔试。普通业务开发岗的面试通过率已经不足 5%,海投基本等于无回应。
第二堵:面试内容和我准备的不一样。 我以为要手写算法,背了一堆题。结果面试里基础业务逻辑的手写代码考核占比已经从 50% 骤降到 15%-20%,死记硬背 API 的权重从 60% 降到 20%-30%,笔试分值整体缩减 25%-40%。真正的重头戏变成了系统设计和项目深挖。
第三堵:项目讲不出来。 面试官问我:“你做的这个订单系统,QPS 峰值多少?瓶颈在哪?怎么优化的?崩过吗?怎么排查的?” 我答得磕磕巴巴——因为我六年里做的都是"上线即交付",从来没认真复盘过线上问题。项目深挖占面试时间 80%,而我的项目没有细节可挖。
给还在岗位上的人三个提醒
复盘写到这里,顺便给还没被裁、但隐约感到不安的人三个提醒。这是我用二十三分钟的会议室换来的。
第一,别用"忙"代替"成长"。 我曾经连续两年每周工作六十小时,看起来很充实,但那两年我做的所有事都是同类需求的重复。忙不等于在积累资产,可能只是在延长同一年经验的寿命。每个月问自己一句:这个月我学到了什么去年不会的东西?答不上来,就是危险信号。
第二,主动接"边界外"的活。 系统设计、AI 工具落地、跨团队的技术方案——这些在 2026 年能力模型里权重最高的部分(系统设计 30%、AI 协作 25%),恰恰不在日常 CRUD 的范围内。等到被安排,就晚了。
第三,把线上问题当资产而不是麻烦。 我以前最讨厌半夜被告警叫醒。现在回头看,那些事故才是唯一能写进简历的硬素材——项目深挖占面试 80% 时间,考官问的全是"崩过吗、怎么排查的"。没有事故记录的六年,在面试里等价于一年。
转折点:我发现企业在考什么
被拒了十几次之后,我开始认真研究 2026 年的招聘要求变化,才发现能力权重已经彻底重构了:
传统编码时代:编码 70%、沟通 20%、业务理解 10%。
2026 年 AI 协同时代:系统设计 30%、AI 协作 25%、工程治理 20%、业务抽象 15%、编码 10%。
编码从核心竞争力变成了基础门槛。而 AI 工具能力从 2025 年的 5% 占比飙到 2026 年的 25%——字节、百度考 AI 工具在业务场景的应用和 Prompt 工程(RICE 原则写提示词、评估 AI 代码首次可用率),阿里、腾讯考 AI 辅助代码审查和逻辑错误定位,蚂蚁技术岗 85% 与 AI 相关、超 70% 直接相关,美团超 80% 岗位要求 AI 能力。
系统设计则从附加题升级成全岗位终面必考,权重提升到 35% 以上,四大评分维度:方案可行性 25%、边界异常处理 20%、场景权衡分析 25%、技术落地储备 30%。而且模板化答案拿不到分——同一款组件在千万日活和百级用户场景里选型完全相反,考官要的是工程判断力。
我的自救方案:三个月做了四件事
第一件:换叙事,不再当"通用开发"。 我原来简历写"负责订单、支付、结算模块开发",改成聚焦一条线:AI 应用工程化。理由很实际——后端转 AI 应用工程化、大模型部署与优化、RAG 系统搭建,是 2026 年最现实的一条迁移路径,门槛低于硬转算法,又能复用我的工程底子。
第二件:做了一个能讲的 RAG 项目。 我把公司原来那份内部文档整理成知识库,做了完整的检索增强应用:文档切分、向量化、混合检索、重排、生成、评估。不是为了炫技,是为了有一套能被深挖两小时的细节——切块边界为什么这么定、召回率从多少到多少、哪些 case 失败、怎么改的。
第三件:把线上问题复盘补起来。 我翻出六年里记得的所有线上事故,逐个写成复盘:现象、排查路径、根因、修复、后续预防。这一批笔记成了我面试里最值钱的东西。面试官问"线上崩过吗",我终于能讲出五个具体案例,每个都有时间线和根因。
第四件:把 AI 工具用成习惯,而不是玩具。 每天用 AI 写模板代码、查报错、做代码审查。面试时我主动讲怎么用 RICE 原则写提示词、怎么评估 AI 生成代码的首次可用率、怎么定位 AI 代码里的逻辑错误——这恰好是四维评分量表(需求工程、代码审查与调试、评估与决策、整合与创新)考的东西。
结果和一点感慨
第八周,我拿到两个 offer:一个是二线互联网的 AI 应用工程岗,一个是传统企业的 AI 平台岗。年包都在 35 万上下——比我被裁前的 48 万低,但比第四档的 20-30 万高,而且站在了增长的业务线上。
我接受了后者。不是因为它更好,是因为它让我从向下的那一撇,挪到了向上的那一撇。
回头看这三个月,我最想说的是:2026 年的市场不是不给中年人机会,是不给"停在原地的人"机会。AI 岗位数量同比增长约 12 倍,占新经济岗位比重从 2.29% 升到 26.23%;企业招 AI 人才看重的是数学与算法基础(60.3%)、项目/实习经历(52.5%)、工程落地能力、业务理解能力,名校学历只排第五(28.8%)。
这四项目前两项我补不上,后两项我补上了。所以路还在。
如果你现在还在那条向下的曲线上,我的建议只有一句:别等裁员通知,先给自己做一次资产盘点。 你手上的能力里,有多少是 AI 三个月就能学会的?剩下的那些,才是你的下一份工作。
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。
这份完整版的大模型 AI 学习资料已经上传优快云,朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】


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。


大模型入门到实战全套学习大礼包
1、大模型系统化学习路线
作为学习AI大模型技术的新手,方向至关重要。 正确的学习路线可以为你节省时间,少走弯路;方向不对,努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划,带你从零基础入门到精通!

2、大模型学习书籍&文档
学习AI大模型离不开书籍文档,我精选了一系列大模型技术的书籍和学习文档(电子版),它们由领域内的顶尖专家撰写,内容全面、深入、详尽,为你学习大模型提供坚实的理论基础。

3、AI大模型最新行业报告
2025最新行业报告,针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估,以了解哪些行业更适合引入大模型的技术和应用,以及在哪些方面可以发挥大模型的优势。

4、大模型项目实战&配套源码
学以致用,在项目实战中检验和巩固你所学到的知识,同时为你找工作就业和职业发展打下坚实的基础。

5、大模型大厂面试真题
面试不仅是技术的较量,更需要充分的准备。在你已经掌握了大模型技术之后,就需要开始准备面试,我精心整理了一份大模型面试题库,涵盖当前面试中可能遇到的各种技术问题,让你在面试中游刃有余。

适用人群

第一阶段(10天):初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识,对大模型 AI 的理解超过 95% 的人,可以在相关讨论时发表高级、不跟风、又接地气的见解,别人只会和 AI 聊天,而你能调教 AI,并能用代码将大模型和业务衔接。
- 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
该阶段我们正式进入大模型 AI 进阶实战学习,学会构造私有知识库,扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架,抓住最新的技术进展,适合 Python 和 JavaScript 程序员。
- 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
- …
第三阶段(30天):模型训练
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。你已经成为了一名“AI小子”。那么你还想往下探索吗?
- 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
- …
第四阶段(20天):商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知,可以在云端和本地等多种环境下部署大模型,找到适合自己的项目/创业方向,做一名被 AI 武装的产品经理。
- 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
- …
学习是一个过程,只要学习就会有挑战。天道酬勤,你越努力,就会成为越优秀的自己。
如果你能在15天内完成所有的任务,那你堪称天才。然而,如果你能完成 60-70% 的内容,你就已经开始具备成为一名大模型 AI 的正确特征了。
这份完整版的大模型 AI 学习资料已经上传优快云,朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】

330



被折叠的 条评论
为什么被折叠?



