企业官网建设流程全解析

半年技术转型复盘：原定目标、实际进度和意外收获

一、转型计划写得很漂亮，执行起来完全不是那么回事

半年前定的转型计划：3 个月内掌握 AI Agent 开发（LangChain + Function Calling），6 个月内独立交付一个 Agent 产品。实际进度：

• 第 1 个月：看书 + 看视频 + 跑 Demo，感觉学了很多，但动手时发现什么都写不出来
• 第 2-3 个月：做了一个公司内部的小项目（自动周报生成），效果差强人意
• 第 4 个月：项目被产品团队注意到，开始做正式需求
• 第 5-6 个月：产品上线，用户量刚过 1000

对比原计划，进度滞后了约 2 个月，但收获远超预期——不是技术层面，而是对"AI 产品怎么做"的理解。

二、计划 vs 现实的偏差分析

三个主要偏差：理论学习的时间被严重低估（"看懂了"不等于"会用了"）、Demo 和真实产品之间的鸿沟被低估（内部小项目没有用户容错和性能要求）、产品上线后的迭代工作量被完全忽略（开发上线只占 40%，后续迭代优化占 60%）。

这里有一个更深层的反思：原计划里我把"学习"和"做项目"分成了两个阶段，先学再做。但 AI 领域的知识太新、太碎，脱离项目去学就像背单词不看文章——很快会忘。更有效的方式是把学习嵌入到项目中：项目需要什么，就去学什么。比如做智能摘要功能时，遇到了"模型输出格式不稳定"的问题，才去学 JSON Mode 和 Structured Outputs。这种按需学习的记忆效果远超"先把 LangChain 文档从头到尾看一遍"。

三、三条意外收获

收获一：最重要的不是框架，是"场景"

转型初期花了太多时间对比 LangChain vs LlamaIndex vs 自研框架。后来发现，对于一个小团队来说，框架之间的差异远不如"选什么场景"重要。做一个"AI 自动写周报"的小工具和一个"AI 客服 Agent"，前者 2 周上线、用户夸"省事"，后者 2 个月上线、用户骂"答不对"。转型的关键不是学得多深，而是第一枪打在哪里——选一个"90% 规则 + 10% AI"的场景（如模板填充、数据提取），而不是"100% AI"的场景（如自由对话）。

收获二：Prompt 工程比 Fine-tuning 重要 10 倍

初期有个错误的执念：觉得"不开源的模型不够专业"，花了两周研究怎么 Fine-tune Llama。结论是：对于企业场景（不是通用对话），写好 Prompt + RAG 的效果比 Fine-tune 好，而且不需要维护模型。转型的人容易陷入"技术深井"——觉得"不用最先进的方法就是落后"，但产品需要的是"够用且快的方案"。

收获三：非技术能力反而进步最大

写代码的能力变化不大（本来就会），但产品感提升了——知道了 AI 产品的用户期待值管理（不要让用户觉得 AI 应该 100% 正确）、学会了用"幻觉率"而不是"准确率"来和产品经理沟通、理解了 LLM 的 Token 成本模型（每次调 GPT-4 都是在烧钱）。这些不是"AI 技术"，但比"会搭 Attention 机制"更有价值。

还有一项意外的收获：写技术博客的习惯。从转型第二个月开始，我每周写一篇"AI 工程实践"的文章，记录这周学到的、踩坑的、解决掉的问题。最开始只是给自己做笔记，后来被同事转发到技术群里，开始有人来问问题、约交流。到第五个月时，已经有三家公司的 CTO 通过文章找到我，问愿不愿意去他们团队做 AI 方向。这不是因为我技术多强，而是因为"能持续输出工程实践总结"这件事本身，在 AI 这个信息过载的领域里是一种稀缺能力。很多人学得比我多，但学完就完了，没有沉淀。文章就是最好的名片。

四、如果能重来半年的转型计划

修正后的转型路线：

• 第 1 个月：选一个具体场景（如"自动整理会议纪要"），不要学理论，直接动手做。用 OpenAI API + 100 行代码跑通最简版本。80% 的问题会在动手过程中暴露出来。
• 第 2 个月：把 MVP 给 5 个同事用，收集反馈。这时会发现 Prompt 不够好、输出不稳定、Token 成本太高——这些都是真正的学习点。
• 第 3 个月：根据反馈迭代。加入 RAG（当发现 LLM 不知道公司内部信息时）、加入 Function Calling（当需要接入公司系统时）。
• 第 4-6 个月：正式产品化。加入监控、成本控制、错误处理、用户反馈机制。

关键变化：理论学习时间从 3 个月压缩为穿插在实践中的"按需学习"，动手实践从第 4 个月提前到第 1 个月。

五、总结

半年转型最大的收获是认知层面的：AI 工程化的核心不是算法，是产品。技术人的 AI 转型不应该以"学会多少个框架"为目的，而应该以"做出一个有人愿意用的 AI 产品"为目的。实操建议：第一周就用 API 跑一个 Demo，不要等"学完理论"再动手。选场景时优先"规则为主、AI 为辅"的（避免过度依赖 LLM 的不确定性），选用户"低期待、高惊喜"的（内部小工具而不是对外产品）。最重要的是——把每个月花在 API 上的 Token 费用当作学习成本，这笔钱比买课程更值。