AI工程师祛魅

背景

发现还是有很多牛油对市面上的AI工程师抱有很大的幻想，作为一个年初刚从大数据夹娃工程师转成AI工程师的老兵油子，我很有必要狠狠的戳破这些幻想。

今年年初刚过完年回来，公司宣布组织内部架构调整，成立AI中台，全面拥抱大模型，第一步先内部招聘转岗，楼主脑子一热就从数据中台转岗到了AI中台。当时满脑子都是微调、训练、数据集、验证集等等等高大上的名词，进来之后无非是换个地方增删改查而已。

模型底座

所谓AI中台就是封装各种大模型能力，向其它部门提供公共服务，比如说AI网关、agent管理平台、工作流平台等等，涉及到模型微调，数据集训练的基本不会让半路出家的做。如果想要自行学习了解微调可以通过llama-factory (https://github.com/hiyouga/LLaMA-Factory)现在微调成本低很多了，甚至在windows上就可以，也没什么特别的。

本质上就是根据大量的文本+权重配置让模型遇到类似的文本就会根据权重配置猜出个答案来，这个过程被各路大佬优化封装成各种框架，且这个过程与大部分公司招来的所谓AI工程师都没啥关系。

而且微调模型的效果也不一定都会很好，亲测，我们组根据搜集来的预料给一个小模型做定向text2sql训练，训完啥都不会了，成智障了。拿一些质量不高的数据集训练不如不驯。

AI中台

今年开年回来，个个都都说AI是个风口，半年过去了，这个风口有多大？风目前看来多少有点后继无力的意思，在我看来，目前为止大模型的能力并没有主流媒体吹嘘的那种具有划时代的特性。市面上流行的RAG、MCP等等技术都是为了弥补大模型能力的不足，幻觉导致准确率一直没有完美的解决方案。

所以大部分公司招AI相关的开发都是去做AI应用层的管理功能， 跟业务系统没有什么太大区别，如果负责一些应用开发也就是用一些框架去调模型的api，仅此而已。

祛魅

不要把AI开发想的过于高大上，应届生的牛油们如果不是本科名校或研究生研究方向是AI方向，基本上是不可能做模型底座相关的工作的，做模型应用相关的工作，跟做业务没啥大区别，什么langchain了 springai了，调模型的框架而已，花式调api罢了......

入门项目

浅浅的为自己打个call，如果有牛油想有个优质项目经验，不妨来看看datainkx（https://gitee.com/atuptown/datalinkx），核心在不同的异构数据源中进行数据同步，对同步任务进行管理和维护，支持MySQL、Oracle、ES、Redis、HTTP等数据源之间的数据同步。

并借助大模型能力实现AI助手，通过RAG实现智能问答，通过MCP实现对话指令，通过对话执行对应任务，配置任务级联配置。

浅浅展示一下文档内容，鄙人呕心沥血之作，包含项目整体设计架构与面试套路整合，希望能帮助到牛油，要饭嘛不寒掺~

最后祝各位牛油都能有个好前程~