本文來自微信公眾號： 葉小釵 ，作者：葉小釵，原文標(biāo)題：《混亂，才是普通人轉(zhuǎn)型 AI 最大的機(jī)會》
最近粉絲頻率最高的兩個問題是：
現(xiàn)在學(xué)AI，會不會已經(jīng)晚了？
AI變化實(shí)在太快，但是不是其實(shí)不用學(xué)，反正很快就過時了？
這兩個問題看上去很對立，其實(shí)他們都是在聊一件事：如何系統(tǒng)性去學(xué)習(xí)AI的知識，或者說現(xiàn)在來說AI的知識框架到底迭代到幾點(diǎn)零了。
如果一定要給當(dāng)前的AI學(xué)習(xí)框架標(biāo)一個版本，我認(rèn)為已經(jīng)迭代到3.0了：
最早的1.0階段，大家主要學(xué)習(xí)怎么使用工具，比如寫提示詞、搭Coze、用Dify做知識庫、調(diào)用模型API。
到了2.0階段，學(xué)習(xí)單位逐漸變成了具體的AI項(xiàng)目，比如AI工作流、知識庫、AI客服、數(shù)字分身、Agent。
這個時候，單純會使用某個工具已經(jīng)不太夠了，還要知道一個項(xiàng)目應(yīng)該如何設(shè)計、如何處理數(shù)據(jù)、如何評估效果。
現(xiàn)在則進(jìn)入了3.0階段：圍繞目標(biāo)崗位建立完整的AI知識框架，追求的是AI原生業(yè)務(wù)/組織了。
很多人會害怕學(xué)AI晚了，是因?yàn)樗麄冞€停留在1.0階段，有點(diǎn)跟不上版本，其實(shí)他們腦袋里面都沒版本的概念，只知道自己落后了，所以很慌；
很多人覺得AI變化很快，是因?yàn)樗麄儧]有完整的AI知識框架，在這種場景下，就很容易抓瞎，比如：
今天學(xué)習(xí)提示詞工程，明天又開始討論上下文工程；MCP還沒完全搞懂，Skills、Harness、Agent Loop又冒了出來......
但是，如果從工程角度去看，這些東西并沒有想象中那么多：
CodeX、Claude Code、WorkBuddy、釘釘悟空、字節(jié)Aily、Coze、OpenClaw、Hermes，看上去好像是完全不同的產(chǎn)品，實(shí)際上都屬于一個大的品類，基本框架類似，局部實(shí)現(xiàn)有所差異。
Agent需要理解任務(wù)、獲取上下文、調(diào)用工具、持續(xù)推進(jìn)、處理異常、驗(yàn)證結(jié)果，不同產(chǎn)品只是在這些模塊上做了不同的選擇。
所以，學(xué)習(xí)AI不存在晚不晚的問題，但不能學(xué)習(xí)過時的框架；同樣的，很多同學(xué)喜歡抖機(jī)靈：只要我學(xué)得足夠慢，那就什么都不用學(xué)了；這是一種相當(dāng)錯誤的想法，因?yàn)?/p>
什么都不學(xué)，也就意味著什么AI紅利都與你無關(guān)了
混亂，才是最好的機(jī)會
很多同學(xué)看到行業(yè)混亂，第一反應(yīng)是再等一等，等技術(shù)穩(wěn)定、等崗位清晰、等學(xué)習(xí)路線成熟以后再入場。
但我對這個事情的判斷完全相反：
一個行業(yè)最容易進(jìn)入的時候，往往就是標(biāo)準(zhǔn)還沒有完全形成的時候
多數(shù)同學(xué)其實(shí)沒有意識到，這一輪AI紅利，可能比十幾年前的移動互聯(lián)網(wǎng)紅利更容易吃到。
十幾年前做移動互聯(lián)網(wǎng)，你是真的要會iOS、Android；前端要會Hybrid，還要解決很多瀏覽器兼容問題。所有這些都要求實(shí)打?qū)嵉墓α?，結(jié)果就是很難包裝。
代碼寫不出來就是寫不出來，項(xiàng)目跑不起來就是跑不起來，一個有經(jīng)驗(yàn)的面試官聊一會兒，基本就能判斷候選人的水平。
AI時代的情況有些特殊。
現(xiàn)在大量看得見的門檻已經(jīng)被大模型吃掉了，編程的門檻也被AI Coding大幅降低了。只要會調(diào)用API、會使用CodeX或Claude Code，一個人很快就能做出網(wǎng)站、知識庫、工作流，甚至可以搭一個Agent。
這會讓很多人看上去“差不多”
有多年工程經(jīng)驗(yàn)的人可以做出一個知識庫，剛學(xué)習(xí)一個月的人也可以；做過生產(chǎn)級Agent的人完成的一個Demo，和剛學(xué)會AI Coding的人看上去差不多。
如果只看界面以及幾個預(yù)設(shè)案例，很多公司很難判斷兩者之間的差距。而當(dāng)前多數(shù)公司對AI也是一知半解，所以他們的項(xiàng)目很亂，招聘也很亂。
有些崗位叫AI產(chǎn)品經(jīng)理，工作內(nèi)容接近項(xiàng)目經(jīng)理；有些崗位叫FDE，售前、交付、咨詢、產(chǎn)品什么都要做；還有些公司想招聘AI全棧工程師，崗位要求里面同時出現(xiàn)算法、產(chǎn)品、前端、后端、Agent和行業(yè)經(jīng)驗(yàn)。
看起來要求特別高，實(shí)際上企業(yè)自己也未必清楚哪些能力最重要。
這就出現(xiàn)了一個很詭異的信息差：
求職者覺得AI很難，所以不敢入場；企業(yè)也覺得AI很難，但分不清人才水平，招了一批不合適的人，覺得AI更難了...
企業(yè)為什么看不懂？
這里繼續(xù)說我之前遇到的那個案例。
有一家公司長期為藥企提供市場報告，手里有大量私有數(shù)據(jù)。老板想做一個AI知識庫，結(jié)果收到的報價很夸張：便宜的不到十萬元，貴的三百萬元都打不住。
老板完全不知道應(yīng)該怎么選，最后找了一支報價大幾十萬元、包裝宣傳做得很好的團(tuán)隊(duì)。
這支團(tuán)隊(duì)之前展示過很多看上去很爆炸的案例，比如一鍵生成1000篇文章、十分鐘完成一個網(wǎng)站。至于生成的文章有沒有人看，網(wǎng)站能不能投入生產(chǎn)，這就不知道了...
項(xiàng)目開始一個月以后，Demo很快出來了，效果大概有七十分，老板當(dāng)時還比較滿意。
但三個月過去，效果依舊停留在七十分。
模型幻覺、答非所問、知識召回不完整等問題一直解決不了，技術(shù)團(tuán)隊(duì)表示無論怎么努力都無法再進(jìn)一步，最后只能推倒重來。
后面這個老板輾轉(zhuǎn)找到我，我才知道那支團(tuán)隊(duì)沒有大型AI項(xiàng)目的經(jīng)驗(yàn)，之前主要依靠AI Coding快速完成一些Demo。
這個Case已經(jīng)可以充分展示當(dāng)前AI生產(chǎn)級項(xiàng)目與AI Demo之間的差異性和迷惑性了。
AI技術(shù)的表層確實(shí)很簡單，簡單到就是模型API的調(diào)用，幾乎是個互聯(lián)網(wǎng)人就能入門。
AI項(xiàng)目又極其復(fù)雜，要求關(guān)鍵人員具備復(fù)合型能力，包括業(yè)務(wù)KnowHow、模型能力邊界認(rèn)知、數(shù)據(jù)處理和工程能力。
正因?yàn)橐粋€人一個月就能做出Demo，企業(yè)才會覺得AI項(xiàng)目成本很低。但當(dāng)項(xiàng)目遇到幻覺、對話生硬、答非所問、效果不穩(wěn)定等問題時，很多團(tuán)隊(duì)又會束手無策。
在我過往咨詢的企業(yè)里面，很多老板都會經(jīng)歷幾次認(rèn)知變化：
最開始覺得AI什么都能做；
項(xiàng)目失敗以后又覺得AI什么都不能做；
再過一段時間，發(fā)現(xiàn)某些場景確實(shí)有效；
隨后又開始追問為什么其他場景不能照著做。
行業(yè)還處于這個階段，企業(yè)自然很難建立成熟的招聘標(biāo)準(zhǔn)。
所以當(dāng)前的現(xiàn)實(shí)情況是：
AI行業(yè)進(jìn)入門檻很高，但Demo門檻很低；企業(yè)缺少判斷能力，合格候選人又非常少
這段混亂期，就給普通人留下了很大的操作空間。
先進(jìn)體系，再吃紅利
前兩個月我?guī)湍臣夜菊衅窤I人才。
我們在招聘網(wǎng)站上篩選了大約1000份簡歷，去除學(xué)歷、工作年限等基礎(chǔ)條件以后，最后進(jìn)入候選池的只有十個人。
而這十個人里面，很多人連Coze、Dify、多維表格都沒有真正玩明白，更不用說AI Coding、知識庫設(shè)計和完整的AI項(xiàng)目經(jīng)驗(yàn)了。
所以機(jī)會是真有，合格的人也是真少
很多同學(xué)一看到AI崗位，就覺得自己需要精通算法、模型微調(diào)、Agent、RAG、MCP和各種框架，最后學(xué)了半年，依然不敢投簡歷。
但企業(yè)當(dāng)前大量需要的是應(yīng)用層人才。
你原來有一定專業(yè)能力，再補(bǔ)充主流AI工具，完成一兩個相對完整的項(xiàng)目，同時能把自己的知識體系和項(xiàng)目方案講清楚，就有機(jī)會進(jìn)入公司的AI項(xiàng)目體系。
只要進(jìn)入公司體系，就可以摸著石頭過河，接觸真實(shí)的業(yè)務(wù)、內(nèi)部數(shù)據(jù)、客戶需求和生產(chǎn)環(huán)境。
這些經(jīng)驗(yàn)在網(wǎng)上很難學(xué)到。
很多想轉(zhuǎn)型AI的人，最缺的就是看見生產(chǎn)級AI項(xiàng)目全貌的機(jī)會。
他們在公司里可能只接觸到一些邊角工作，比如整理數(shù)據(jù)、做競品調(diào)研、跑模型評測、配一點(diǎn)提示詞、維護(hù)一點(diǎn)知識庫。
至于項(xiàng)目為什么這樣設(shè)計，架構(gòu)為什么長這樣，為什么這里使用Workflow、那里使用Agent，哪些模塊必須建立數(shù)據(jù)閉環(huán)，歷史上踩過什么坑，通常沒有人會完整告訴他。
所以很多人會陷入一種比較尷尬的狀態(tài)：學(xué)了一堆工具，依舊看不見項(xiàng)目全貌；已經(jīng)進(jìn)入AI團(tuán)隊(duì)，還是摸不到最有價值的部分。
而在當(dāng)前的混亂期，只要能夠進(jìn)入真實(shí)項(xiàng)目，這些經(jīng)驗(yàn)就會快速拉開人與人之間的差距。
這里所謂的機(jī)會，也絕非鼓勵大家靠吹牛混進(jìn)公司。
包裝只能幫助你拿到面試和入場機(jī)會，后面能不能留下來，依舊取決于你的學(xué)習(xí)能力、判斷能力和交付結(jié)果。
更合適的策略，是先達(dá)到應(yīng)用層AI的基本及格線，盡快進(jìn)入真實(shí)環(huán)境，再利用企業(yè)項(xiàng)目補(bǔ)齊自己的知識框架。
而對于我們普通個人來說，要適應(yīng)于技術(shù)框架的迭代，對應(yīng)的能力需求應(yīng)該如何發(fā)展呢？我覺得可以直接去到三個崗位：
AI產(chǎn)品經(jīng)理；
AI全棧工程師；
FDE；
值得關(guān)注的三個崗位
AI產(chǎn)品經(jīng)理；AI全棧工程師；FDE。他們分別承接了AI產(chǎn)品設(shè)計、工程實(shí)現(xiàn)和業(yè)務(wù)落地，也是企業(yè)做AI項(xiàng)目時最缺的三類角色：
AI產(chǎn)品經(jīng)理
AI產(chǎn)品經(jīng)理這條路線，適合原來的產(chǎn)品經(jīng)理、業(yè)務(wù)產(chǎn)品和解決方案人員。
以前產(chǎn)品經(jīng)理的主要工作是需求分析、原型設(shè)計和項(xiàng)目推進(jìn)?，F(xiàn)在研發(fā)的大量工作已經(jīng)交給AI Coding，產(chǎn)品經(jīng)理也需要承擔(dān)更多具體的產(chǎn)品建設(shè)工作。
尤其是Agent產(chǎn)品，單純會畫原型已經(jīng)很難滿足要求。
你要理解Agent的定位、場景和產(chǎn)品邊界，知道生產(chǎn)級Agent包含哪些核心能力；還要學(xué)習(xí)Skill、Tool、Context，理解它們?nèi)绾螀f(xié)同，以及怎樣把業(yè)務(wù)經(jīng)驗(yàn)沉淀成可以重復(fù)使用的能力。
后面還會涉及傳統(tǒng)業(yè)務(wù)如何完成Agent化、Agent的環(huán)境怎樣設(shè)計、AI-native團(tuán)隊(duì)如何協(xié)作。
所以我更愿意把這個崗位叫做Agent產(chǎn)品工程師。
它同時包含產(chǎn)品認(rèn)知、架構(gòu)理解、Skill設(shè)計、工具體系、AI原生組織、業(yè)務(wù)升級和團(tuán)隊(duì)閉環(huán)。技術(shù)深度可以逐步補(bǔ)充，但一定要能夠看懂一個完整Agent系統(tǒng)。
AI全棧工程師
AI全棧工程師更適合有開發(fā)基礎(chǔ)的同學(xué)。
以后大概會逐漸弱化前端、后端、架構(gòu)師以及Java、PHP、JS等語言之間的區(qū)分。這里先強(qiáng)調(diào)一下，這只是我根據(jù)企業(yè)AI原生咨詢得到的趨勢判斷，具體到不同公司，崗位融合速度會有很大差異。
AI Coding已經(jīng)讓工程師可以承擔(dān)更多事情。
以前一個后端工程師主要維護(hù)接口和業(yè)務(wù)邏輯，現(xiàn)在他可能要同時完成前端、后端、模型接入、數(shù)據(jù)處理、Agent開發(fā)和部署。
工作看起來變輕松了，需要掌握的內(nèi)容卻多了很多。
這條路線首先要建立AI知識框架，隨后掌握AI Coding、產(chǎn)品開發(fā)和部署實(shí)踐；接下來還要學(xué)習(xí)Coze、Dify、n8n等AI工作流工具，理解RAG、AI客服、第二大腦和可觀測性。
Agent開發(fā)也繞不過去，至少應(yīng)該親手實(shí)現(xiàn)一個Mini Manus或Mini WorkBuddy，搞清楚模型調(diào)用、Tool、Skill、Memory、任務(wù)循環(huán)和事件流。
再往后，就是復(fù)雜RAG、記憶系統(tǒng)、數(shù)字分身和企業(yè)級AI應(yīng)用。
AI全棧工程師的學(xué)習(xí)量最大，但他的就業(yè)面也比較寬，很多AI項(xiàng)目最終都需要這類人完成工程閉環(huán)。
FDE
FDE更適合項(xiàng)目經(jīng)理、交付經(jīng)理、售前、咨詢顧問、行業(yè)專家，以及溝通能力較強(qiáng)的產(chǎn)品經(jīng)理。
這個崗位當(dāng)前很火，因?yàn)槠髽I(yè)急需有人進(jìn)入業(yè)務(wù)現(xiàn)場，跟客戶一起跑出結(jié)果。
他的垂直技術(shù)難度未必有AI全棧工程師高，綜合復(fù)雜度卻很高。FDE最重要的工作，是把客戶混亂的業(yè)務(wù)、數(shù)據(jù)和流程組織成可執(zhí)行方案。
所以這條路線首先要理解FDE的崗位定位和能力模型，隨后學(xué)習(xí)業(yè)務(wù)梳理、SOP拆解和AI機(jī)會識別。
在這個基礎(chǔ)上，還要完成基礎(chǔ)AI項(xiàng)目和復(fù)雜項(xiàng)目，掌握AI項(xiàng)目評估、ROI與落地方法，最后才能參與AI原生組織和FDE團(tuán)隊(duì)建設(shè)。
有多年行業(yè)經(jīng)驗(yàn)的同學(xué)，尤其值得關(guān)注這條路線。
你的醫(yī)療、法律、制造、零售、HR、供應(yīng)鏈經(jīng)驗(yàn)都可以繼續(xù)使用。再補(bǔ)充AI工具、項(xiàng)目設(shè)計和工程認(rèn)知，很容易形成企業(yè)需要的復(fù)合能力。
之前就有一個十年B端經(jīng)驗(yàn)的項(xiàng)目經(jīng)理，他們公司長期服務(wù)大型央國企。他原來負(fù)責(zé)項(xiàng)目交付，對業(yè)務(wù)流程、客戶需求和項(xiàng)目實(shí)施都很熟悉。
接觸FDE的概念以后，他結(jié)合自己的經(jīng)驗(yàn)向公司提出了一套想法。正巧公司也在考慮類似方向，最后將項(xiàng)目管理、交付實(shí)施、產(chǎn)品運(yùn)營等職能合并交給他管理，希望內(nèi)部孵化出FDE種子團(tuán)隊(duì)。
這種機(jī)會對于純技術(shù)新人可能很難抓住，但對有行業(yè)積累的人來說，轉(zhuǎn)型成本并沒有想象中那么高。
結(jié)語
最終，企業(yè)判斷AI人才，目前還是會回到一個比較原始的競爭力模型：
競爭力=專業(yè)能力×AI工具×項(xiàng)目作品×知識表達(dá)
專業(yè)能力就是你原來積累的行業(yè)KnowHow，比如醫(yī)生問診流程、律師辦案流程、HR招聘流程。
AI工具包含CodeX、Claude Code、Coze、Dify、n8n、AI表格、WorkBuddy等。
項(xiàng)目作品證明你完成過什么，知識表達(dá)則幫助企業(yè)理解你的能力。