從傳統開發轉AI方向的面試經歷：自學6個月後拿到AI崗offer

背景介紹

我做了3年Java後端開發，在一家傳統網際網路公司寫著CRUD，過著朝九晚六的日子。2025年下半年，公司開始要求所有專案「擁抱AI」，我被被迫開始接觸大模型應用開發。沒想到這一接觸，我竟然真的對AI產生了興趣。於是我做了一個大膽的決定：自學6個月，轉AI方向。

先說結果：6個月後我拿到了某大廠AI應用開發崗的offer，薪資漲了40%。但這個過程遠沒有結果看起來那麼光鮮——中間有無數次想放棄的時刻，有面試被吊打的經歷，也有自我懷疑的低谷。下面我把這段經歷完整地寫出來，希望能給同樣想轉AI方向的同學一些參考。

面試流程復盤

自學路線：6個月的蛻變

第1-2個月：Python基礎+機器學習入門

作為一個3年Java選手，轉Python其實不難，語法上很快就能上手。難的是思維方式的轉變——Java講究嚴謹的工程化，Python更靈活也更「隨意」。我花了2週熟悉Python語法，然後開始學機器學習基礎。

我的學習路徑是：吳恩達的Machine Learning課程（Coursera）→《統計學習方法》（李航）→ scikit-learn實戰。說實話，吳恩達的課程對新手非常友好，數學推導不會太深，但核心概念講得很清楚。統計學習方法比較硬核，我挑著看了幾章，沒全啃完。

這個階段最大的困難是：我總想搞懂數學原理，結果在推導上花了很多時間，進度很慢。後來我想通了：轉AI應用方向不需要深入數學推導，理解核心概念和適用場景就夠了。這個認知轉變幫我節省了很多時間。

第3-4個月：深度學習+大模型基礎

深度學習我主要跟了兩個資源：3Blue1Brown的神經網路視覺化影片（幫助建立直覺）和動手學深度學習（d2l.ai，李沐老師的書）。d2l這本書真的很好，理論和程式碼結合，適合有程式設計基礎的人。

大模型基礎我主要學了：Transformer架構（Attention Is All You Need論文+各種解讀文章）→ GPT系列原理 → Prompt Engineering → LangChain框架。這個階段我開始做一些小專案練手，比如用LangChain搭一個簡單的RAG系統。

踩坑：一開始我想從頭實現Transformer，結果卡在程式碼細節上花了2週，後來發現完全沒必要。做應用開發，理解原理+會用框架就夠了。

第5-6個月：專案實戰+面試準備

最後2個月我集中做專案。我做了3個專案：

1. 企業知識庫RAG系統：用LangChain+Chroma+GPT-4o-mini搭建，支援文件上傳、向量化檢索、智慧問答。這個專案後來成了我面試的主打專案。

2. 智慧客服Agent：用LangGraph搭建多Agent協作系統，實現自動分類、工具呼叫、人工升級。這個專案展示了我的Agent開發能力。

3. 法律領域微調：用LoRA對Qwen2.5-7B進行法律領域微調。這個專案雖然規模不大，但展示了我的模型調優能力。

這3個專案覆蓋了RAG、Agent、微調三個主流方向，面試的時候可以根據崗位重點講不同的專案。

面試經歷：先練手再衝刺

練手面試1：某AI創業公司（小公司）

這家公司做AI教育產品，崗位是AI應用開發。面試比較簡單，主要聊了RAG系統的實現細節。面試官問了我chunk策略和檢索優化，我答得還行，但被追問「怎麼評估檢索質量」的時候卡殼了。最後沒拿到offer，原因是「專案經驗不夠深入」。

這次面試雖然失敗了，但幫我發現了幾個知識盲區：評估體系、工程化細節、線上運維。這些我後面都重點補了。

練手面試2：某中型網際網路公司AI部門

這次面試分3輪：技術面、專案面、HR面。技術面問了大模型基礎（Transformer原理、RLHF流程、Prompt Engineering技巧），我答得不錯。專案面重點聊了我的RAG系統，面試官追問了向量資料庫選型、混合檢索策略、幻覺控制，這些我準備過，答得比較流暢。最後拿到了offer，但薪資不太滿意，所以沒去。

這次面試給了我很大的信心——原來我的準備是有效的，我確實能過AI崗位的面試。

衝刺面試：某大廠AI應用開發崗

這個崗位競爭很激烈，我投了之後等了2週才收到面試通知。面試一共4輪：

一面（技術面）：問了Java和Python的區別、Transformer的self-attention計算複雜度、位置編碼的作用、LoRA的原理。還問了一個系統設計題：設計一個支援多租戶的AI推理平台。我按照資源隔離、排程策略、彈性伸縮的思路講了，面試官比較滿意。

二面（專案面）：重點聊了我的3個專案。面試官對Agent專案最感興趣，追問了LangGraph的狀態管理、工具呼叫的安全性、多Agent協作的通訊機制。我講得比較詳細，還畫了架構圖。面試官最後說：「你的專案雖然規模不大，但思考深度不錯。」

三面（交叉面）：這輪面試官是另一個團隊的，問的問題更偏工程化：怎麼監控線上RAG系統的檢索質量？怎麼處理大模型API的限流和降級？怎麼做A/B測試比較不同模型的效果？這些問題我之前沒深入想過，但憑藉後端開發的經驗，我給出了還不錯的答案。

四面（HR面）：聊了轉方向的原因、職業規劃、薪資期望。我強調了我在後端工程化方面的經驗對AI應用開發的價值，HR似乎比較認可。

最終拿到了offer，薪資比之前漲了40%。

真題彙總

大模型基礎

- Transformer的self-attention計算複雜度是多少？怎麼優化？

- 位置編碼有哪些方案？RoPE的原理是什麼？

- RLHF的完整流程是什麼？PPO算法的核心思想？

- 什麼是KV Cache？為什麼能加速推理？

- 大模型的temperature、top_p參數分別控制什麼？

RAG相關

- RAG系統的核心組件有哪些？

- 向量資料庫怎麼選型？Milvus、Weaviate、Chroma的區別？

- 混合檢索（向量+關鍵詞）怎麼實現？RRF算法的原理？

- 怎麼評估RAG系統的檢索質量？

- 怎麼處理RAG系統中的幻覺問題？

Agent相關

- ReAct模式的核心思想是什麼？

- LangGraph和LangChain的區別？為什麼選LangGraph？

- 多Agent協作的通訊機制有哪些？

- 怎麼保證Agent工具呼叫的安全性？

- Agent的評估體系怎麼設計？

微調相關

- LoRA的原理？rank和alpha參數怎麼選？

- SFT的資料怎麼準備？資料質量怎麼保證？

- 怎麼判斷模型是否過擬合？

- DPO和RLHF的區別？各自適用場景？

工程化

- 怎麼監控線上大模型應用的質量？

- 大模型API的限流和降級怎麼處理？

- 怎麼做A/B測試比較不同模型的效果？

- 大模型應用的成本怎麼優化？

心得建議

1. 轉AI應用方向，不需要從數學開始。很多人一提到轉AI就想先學線性代數和機率論，其實做AI應用開發完全不需要那麼深的數學基礎。理解核心概念、會用框架、能做專案就夠了。數學可以後面慢慢補。

2. 專案實戰比看課程重要10倍。看100小時課程不如做1個專案。專案能幫你把零散的知識串聯起來，也是面試時最有說服力的證明。

3. 發揮你的傳統開發優勢。後端工程師轉AI應用開發，最大的優勢是工程化能力。很多AI崗位的候選人懂模型但不懂工程，你能把AI系統和工程化實踐結合，這就是差異化競爭力。

4. 先面小公司練手，再衝刺大廠。不要一上來就面大廠，先面2-3家小公司找找感覺、發現知識盲區。小公司面試難度低，容易建立信心，也能幫你發現準備不足的地方。

5. 自學要有節奏感。6個月的自學，最難的不是內容，而是堅持。我的建議是：制定每週學習計劃、加入學習社群互相督促、定期輸出（寫部落格或做分享）來保持動力。

6. 面試時主動講你的轉型故事。轉方向不是劣勢，而是優勢——它展示了你的學習能力和適應能力。面試時主動講你為什麼轉、怎麼學的、學到了什麼，面試官通常會很感興趣。

FAQ

Q：沒有AI專案經驗，簡歷怎麼寫？

做個人專案。RAG系統、Agent應用、微調專案都可以在本機完成，不需要公司資源。把這些專案放到GitHub上，簡歷上寫「個人專案」就行。面試官看重的是你的能力，不是專案來源。

Q：6個月自學夠嗎？

如果目標是大模型應用開發，6個月是夠的。但如果目標是算法崗（訓練模型），6個月遠遠不夠。建議先從應用方向切入，積累經驗後再考慮是否深入算法方向。

Q：轉AI方向要不要讀個碩士？

看你的目標。如果要做算法研究或LLM訓練，碩士幾乎是必須的。但如果做AI應用開發，工作經驗+專案經驗就夠了。我認識好幾個轉方向成功的同事，都沒有AI相關的學位。

Q：面試中被問「你為什麼轉方向」怎麼回答？

真誠回答就好。我的回答是：「在傳統開發中我發現AI工具能大幅提升效率，這讓我對AI產生了濃厚興趣。深入學習後我意識到，AI應用開發是未來的趨勢，而我的後端工程化經驗能幫助我把AI系統做得更可靠、更可維護。」

Q：大廠AI崗的面試難度如何？

中等偏上。技術面考基礎+系統設計，不會特別偏門；專案面看重深度和思考，不會只問表面問題；交叉面偏工程化，考你的實際落地能力。整體來說，準備充分的話是可以過的。