混乱，才是普通人转型AI 最大的机会

本文来自微信公众号： 叶小钗 ，作者：叶小钗，原文标题：《混乱，才是普通人转型 AI 最大的机会》

最近粉丝频率最高的两个问题是：

1. 现在学AI，会不会已经晚了？

   
   

2. AI变化实在太快，但是不是其实不用学，反正很快就过时了？

   
   

这两个问题看上去很对立，其实他们都是在聊一件事：如何系统性去学习AI的知识，或者说现在来说AI的知识框架到底迭代到几点零了。

如果一定要给当前的AI学习框架标一个版本，我认为已经迭代到3.0了：

最早的1.0阶段，大家主要学习怎么使用工具，比如写提示词、搭Coze、用Dify做知识库、调用模型API。

到了2.0阶段，学习单位逐渐变成了具体的AI项目，比如AI工作流、知识库、AI客服、数字分身、Agent。

这个时候，单纯会使用某个工具已经不太够了，还要知道一个项目应该如何设计、如何处理数据、如何评估效果。

现在则进入了3.0阶段：围绕目标岗位建立完整的AI知识框架，追求的是AI原生业务/组织了。

很多人会害怕学AI晚了，是因为他们还停留在1.0阶段，有点跟不上版本，其实他们脑袋里面都没版本的概念，只知道自己落后了，所以很慌；

很多人觉得AI变化很快，是因为他们没有完整的AI知识框架，在这种场景下，就很容易抓瞎，比如：

今天学习提示词工程，明天又开始讨论上下文工程；MCP还没完全搞懂，Skills、Harness、Agent Loop又冒了出来......

但是，如果从工程角度去看，这些东西并没有想象中那么多：

CodeX、Claude Code、WorkBuddy、钉钉悟空、字节Aily、Coze、OpenClaw、Hermes，看上去好像是完全不同的产品，实际上都属于一个大的品类，基本框架类似，局部实现有所差异。

Agent需要理解任务、获取上下文、调用工具、持续推进、处理异常、验证结果，不同产品只是在这些模块上做了不同的选择。

所以，学习AI不存在晚不晚的问题，但不能学习过时的框架；同样的，很多同学喜欢抖机灵：只要我学得足够慢，那就什么都不用学了；这是一种相当错误的想法，因为

什么都不学，也就意味着什么AI红利都与你无关了

混乱，才是最好的机会

很多同学看到行业混乱，第一反应是再等一等，等技术稳定、等岗位清晰、等学习路线成熟以后再入场。

但我对这个事情的判断完全相反：

一个行业最容易进入的时候，往往就是标准还没有完全形成的时候

多数同学其实没有意识到，这一轮AI红利，可能比十几年前的移动互联网红利更容易吃到。

十几年前做移动互联网，你是真的要会iOS、Android；前端要会Hybrid，还要解决很多浏览器兼容问题。所有这些都要求实打实的功力，结果就是很难包装。

代码写不出来就是写不出来，项目跑不起来就是跑不起来，一个有经验的面试官聊一会儿，基本就能判断候选人的水平。

AI时代的情况有些特殊。

现在大量看得见的门槛已经被大模型吃掉了，编程的门槛也被AI Coding大幅降低了。只要会调用API、会使用CodeX或Claude Code，一个人很快就能做出网站、知识库、工作流，甚至可以搭一个Agent。

这会让很多人看上去“差不多”

有多年工程经验的人可以做出一个知识库，刚学习一个月的人也可以；做过生产级Agent的人完成的一个Demo，和刚学会AI Coding的人看上去差不多。

如果只看界面以及几个预设案例，很多公司很难判断两者之间的差距。而当前多数公司对AI也是一知半解，所以他们的项目很乱，招聘也很乱。

有些岗位叫AI产品经理，工作内容接近项目经理；有些岗位叫FDE，售前、交付、咨询、产品什么都要做；还有些公司想招聘AI全栈工程师，岗位要求里面同时出现算法、产品、前端、后端、Agent和行业经验。

看起来要求特别高，实际上企业自己也未必清楚哪些能力最重要。

这就出现了一个很诡异的信息差：

求职者觉得AI很难，所以不敢入场；企业也觉得AI很难，但分不清人才水平，招了一批不合适的人，觉得AI更难了...

企业为什么看不懂？

这里继续说我之前遇到的那个案例。

有一家公司长期为药企提供市场报告，手里有大量私有数据。老板想做一个AI知识库，结果收到的报价很夸张：便宜的不到十万元，贵的三百万元都打不住。

老板完全不知道应该怎么选，最后找了一支报价大几十万元、包装宣传做得很好的团队。

这支团队之前展示过很多看上去很爆炸的案例，比如一键生成1000篇文章、十分钟完成一个网站。至于生成的文章有没有人看，网站能不能投入生产，这就不知道了...

项目开始一个月以后，Demo很快出来了，效果大概有七十分，老板当时还比较满意。

但三个月过去，效果依旧停留在七十分。

模型幻觉、答非所问、知识召回不完整等问题一直解决不了，技术团队表示无论怎么努力都无法再进一步，最后只能推倒重来。

后面这个老板辗转找到我，我才知道那支团队没有大型AI项目的经验，之前主要依靠AI Coding快速完成一些Demo。

这个Case已经可以充分展示当前AI生产级项目与AI Demo之间的差异性和迷惑性了。

AI技术的表层确实很简单，简单到就是模型API的调用，几乎是个互联网人就能入门。

AI项目又极其复杂，要求关键人员具备复合型能力，包括业务KnowHow、模型能力边界认知、数据处理和工程能力。

正因为一个人一个月就能做出Demo，企业才会觉得AI项目成本很低。但当项目遇到幻觉、对话生硬、答非所问、效果不稳定等问题时，很多团队又会束手无策。

在我过往咨询的企业里面，很多老板都会经历几次认知变化：

1. 最开始觉得AI什么都能做；

   
   

2. 项目失败以后又觉得AI什么都不能做；

   
   

3. 再过一段时间，发现某些场景确实有效；

   
   

4. 随后又开始追问为什么其他场景不能照着做。

   
   

行业还处于这个阶段，企业自然很难建立成熟的招聘标准。

所以当前的现实情况是：

AI行业进入门槛很高，但Demo门槛很低；企业缺少判断能力，合格候选人又非常少

这段混乱期，就给普通人留下了很大的操作空间。

先进体系，再吃红利

前两个月我帮某家公司招聘AI人才。

我们在招聘网站上筛选了大约1000份简历，去除学历、工作年限等基础条件以后，最后进入候选池的只有十个人。

而这十个人里面，很多人连Coze、Dify、多维表格都没有真正玩明白，更不用说AI Coding、知识库设计和完整的AI项目经验了。

所以机会是真有，合格的人也是真少

很多同学一看到AI岗位，就觉得自己需要精通算法、模型微调、Agent、RAG、MCP和各种框架，最后学了半年，依然不敢投简历。

但企业当前大量需要的是应用层人才。

你原来有一定专业能力，再补充主流AI工具，完成一两个相对完整的项目，同时能把自己的知识体系和项目方案讲清楚，就有机会进入公司的AI项目体系。

只要进入公司体系，就可以摸着石头过河，接触真实的业务、内部数据、客户需求和生产环境。

这些经验在网上很难学到。

很多想转型AI的人，最缺的就是看见生产级AI项目全貌的机会。

他们在公司里可能只接触到一些边角工作，比如整理数据、做竞品调研、跑模型评测、配一点提示词、维护一点知识库。

至于项目为什么这样设计，架构为什么长这样，为什么这里使用Workflow、那里使用Agent，哪些模块必须建立数据闭环，历史上踩过什么坑，通常没有人会完整告诉他。

所以很多人会陷入一种比较尴尬的状态：学了一堆工具，依旧看不见项目全貌；已经进入AI团队，还是摸不到最有价值的部分。

而在当前的混乱期，只要能够进入真实项目，这些经验就会快速拉开人与人之间的差距。

这里所谓的机会，也绝非鼓励大家靠吹牛混进公司。

包装只能帮助你拿到面试和入场机会，后面能不能留下来，依旧取决于你的学习能力、判断能力和交付结果。

更合适的策略，是先达到应用层AI的基本及格线，尽快进入真实环境，再利用企业项目补齐自己的知识框架。

而对于我们普通个人来说，要适应于技术框架的迭代，对应的能力需求应该如何发展呢？我觉得可以直接去到三个岗位：

1. AI产品经理；

   
   

2. AI全栈工程师；

   
   

3. FDE；

   
   

值得关注的三个岗位

AI产品经理；AI全栈工程师；FDE。他们分别承接了AI产品设计、工程实现和业务落地，也是企业做AI项目时最缺的三类角色：

AI产品经理

AI产品经理这条路线，适合原来的产品经理、业务产品和解决方案人员。

以前产品经理的主要工作是需求分析、原型设计和项目推进。现在研发的大量工作已经交给AI Coding，产品经理也需要承担更多具体的产品建设工作。

尤其是Agent产品，单纯会画原型已经很难满足要求。

你要理解Agent的定位、场景和产品边界，知道生产级Agent包含哪些核心能力；还要学习Skill、Tool、Context，理解它们如何协同，以及怎样把业务经验沉淀成可以重复使用的能力。

后面还会涉及传统业务如何完成Agent化、Agent的环境怎样设计、AI-native团队如何协作。

所以我更愿意把这个岗位叫做Agent产品工程师。

它同时包含产品认知、架构理解、Skill设计、工具体系、AI原生组织、业务升级和团队闭环。技术深度可以逐步补充，但一定要能够看懂一个完整Agent系统。

AI全栈工程师

AI全栈工程师更适合有开发基础的同学。

以后大概会逐渐弱化前端、后端、架构师以及Java、PHP、JS等语言之间的区分。这里先强调一下，这只是我根据企业AI原生咨询得到的趋势判断，具体到不同公司，岗位融合速度会有很大差异。

AI Coding已经让工程师可以承担更多事情。

以前一个后端工程师主要维护接口和业务逻辑，现在他可能要同时完成前端、后端、模型接入、数据处理、Agent开发和部署。

工作看起来变轻松了，需要掌握的内容却多了很多。

这条路线首先要建立AI知识框架，随后掌握AI Coding、产品开发和部署实践；接下来还要学习Coze、Dify、n8n等AI工作流工具，理解RAG、AI客服、第二大脑和可观测性。

Agent开发也绕不过去，至少应该亲手实现一个Mini Manus或Mini WorkBuddy，搞清楚模型调用、Tool、Skill、Memory、任务循环和事件流。

再往后，就是复杂RAG、记忆系统、数字分身和企业级AI应用。

AI全栈工程师的学习量最大，但他的就业面也比较宽，很多AI项目最终都需要这类人完成工程闭环。

FDE

FDE更适合项目经理、交付经理、售前、咨询顾问、行业专家，以及沟通能力较强的产品经理。

这个岗位当前很火，因为企业急需有人进入业务现场，跟客户一起跑出结果。

他的垂直技术难度未必有AI全栈工程师高，综合复杂度却很高。FDE最重要的工作，是把客户混乱的业务、数据和流程组织成可执行方案。

所以这条路线首先要理解FDE的岗位定位和能力模型，随后学习业务梳理、SOP拆解和AI机会识别。

在这个基础上，还要完成基础AI项目和复杂项目，掌握AI项目评估、ROI与落地方法，最后才能参与AI原生组织和FDE团队建设。

有多年行业经验的同学，尤其值得关注这条路线。

你的医疗、法律、制造、零售、HR、供应链经验都可以继续使用。再补充AI工具、项目设计和工程认知，很容易形成企业需要的复合能力。

之前就有一个十年B端经验的项目经理，他们公司长期服务大型央国企。他原来负责项目交付，对业务流程、客户需求和项目实施都很熟悉。

接触FDE的概念以后，他结合自己的经验向公司提出了一套想法。正巧公司也在考虑类似方向，最后将项目管理、交付实施、产品运营等职能合并交给他管理，希望内部孵化出FDE种子团队。

这种机会对于纯技术新人可能很难抓住，但对有行业积累的人来说，转型成本并没有想象中那么高。

结语

最终，企业判断AI人才，目前还是会回到一个比较原始的竞争力模型：

竞争力=专业能力×AI工具×项目作品×知识表达

专业能力就是你原来积累的行业KnowHow，比如医生问诊流程、律师办案流程、HR招聘流程。

AI工具包含CodeX、Claude Code、Coze、Dify、n8n、AI表格、WorkBuddy等。

项目作品证明你完成过什么，知识表达则帮助企业理解你的能力。