非科班+本科目前正在做AI工程师，说说我这3年。。。

写这篇之前我犹豫了挺久。一方面是怕被人骂，"又一个收割焦虑的转行帖"；另一方面是看了太多用 GPT 套娃出来的「学习路线」文章，AI 味重得让人没法读完。所以这篇全是亲身踩过的坑，时间线、用过的项目、当时的心路全都尽量原样写出来。如果你是大学生在迷茫要不要转 AI，或者已经在转的路上，希望能给点参考。

一个反共识的开场：你以为进 OpenAI 的人都是博士？

先讲个故事，跟我没关系，但跟所有想转 AI 的人都有关系。

OpenAI 的 Sora 团队（就是搞文生视频那个）一共 13 个人。这里面有两个人特别有意思：

Will DePue，密歇根大学计算机系，直接辍学了。17 岁开始编程，高三创办了一家社区数据分析公司，公司被收购，然后 2023 年 7 月加入 OpenAI，那时他 20 岁。现在他自己又拉了个新团队，搞 ASI（人工超智慧）。

Gabriel Petersson，瑞典一个 5000 人的小镇出身，17 岁高中辍学。他自己说过一句话："我以前觉得自己太笨了根本搞不了 AI"。后来他用 ChatGPT 自学数学和机器学习，去了 Midjourney，2024 年 12 月加入 OpenAI Sora 团队。他进 OpenAI 的方式更野——花了一周时间 16 小时/天，给 Midjourney 写了一个定制网站，录了视频走查代码发过去，就这么换来了面试。23 岁，年薪六位数美元。

OpenAI 团队里本科、硕士、博士的比例是 33%、30%、37%。你没看错，本科占比 33%，跟博士几乎一样多。这跟传统大厂研究院（本科占比通常不到 5%）完全是两个数量级。

我第一次看到这些数据的时候挺受触动的。这一波 AI 浪潮真正在重写的，是「什么样的人能做 AI」这件事。

我自己就是一个非常普通的样本——非科班本科，3 年时间从对 AI 一无所知，做到能在公司独当一面、做开源贡献被国际项目接收。下面是真实路径！

2022 年 11 月底：被一个 App 击穿了

时间倒回 2022 年 11 月 30 日。ChatGPT 上线的那天。

那时候我还在读本科，专业不是计算机也不是 AI（具体啥不重要，反正就是那种"看似稳定但你心里清楚自己一点都不喜欢"的传统专业）其实就是传统的「机械制造及其自动化」。对未来挺迷茫的，但也没多迷茫，就是那种"再混一年大概就该考研考公了"的状态。

第一次用 ChatGPT 是同学发了个链接给我。我当时随便问了几个问题——有学业上的、生活上的、甚至有些纯属瞎扯——它都能答上来。而且不是那种搜索引擎甩链接给你让你自己去看，是直接跟你聊。

我记得很清楚那个感觉：这玩意儿是不是有点过分了？

不是被某一个具体功能震到，是整体的"你竟然可以这样"的震撼。一个 App 居然能直接跟你对话、解释复杂概念、帮你写代码（虽然当时它写的代码也挺烂）、还能讨论哲学问题。那一瞬间，我对自己原本想走的路全部失去了兴趣。这种感觉很难描述，有点像你一直觉得自己未来就是要在某条河里游泳，突然看到天上有人飞过去了。

接下来几天我整个人都在用它。后来想想这其实就是「ChatGPT 时刻」，全世界很多人都在那个时间点经历了类似的认知崩塌。OpenAI 自己后来也披露，ChatGPT 是历史上用户增长最快的消费应用，5 天破百万用户，2 个月破 1 亿。这事儿不是个案，是一代人的集体觉醒。

但大部分人觉醒完就过去了，继续刷短视频。我那时候不知道哪根筋搭错了，决定去搞清楚这玩意儿到底是怎么实现的。

第一阶段（2022 年底-2023 年 5 月）：6 个月闭关，DataWhale 救了我

兴趣是最好的老师，这话挺俗的，但确实是我自驱力的源头。

我做的第一件事很朴素：让 ChatGPT 自己教我 ChatGPT 是怎么做出来的。

它告诉我背后是 LLM，LLM 来自机器学习里的深度学习分支，深度学习的核心是神经网络，然后你想入门要先学 Python、再学机器学习基础、再学深度学习、再到 NLP、最后才到 LLM。它甚至给我列了一堆资料和视频。

但它给的资料质量参差不齐，我那时候也分不清哪些是好的哪些是垃圾。直到我发现了 DataWhale（github.com/datawhalechina）。

如果非要说我转行路上有什么贵人的话，DataWhale 算一个。这是国内最大的开源学习组织，所有学习材料免费开源。从 Python 入门到机器学习、深度学习、再到 LLM、Agent、RAG、强化学习……基本上你能想到的方向都有完整教程，而且全是国内顶尖学校和大厂的人在贡献。我至今觉得这是中国开源社区最值得尊敬的项目之一。

我一个人在家闭关学了 6 个月。说"闭关"有点夸张，但那段时间确实没怎么社交，每天就是对着电脑啃文档、跑代码、问 ChatGPT 不懂的地方、再回到 DataWhale 的项目里实践。

中间有几个我现在回头看挺关键的转折：

从学习者变成助教。DataWhale 的学习项目都有「学习者 + 助教」的模式，助教需要带新人、答疑、维护项目。我学完一期就报名当助教。这个角色逼我把知识点从"我大概懂了"变成"我能讲明白"。这两个状态之间的鸿沟，比你想象的要大得多。

从助教变成项目贡献者。再后来开始给一些项目提 PR、修文档、加示例代码。第一次 PR 被 merge 的时候我截图发给我妈，她完全不知道我在说什么，但礼貌地回了个"真棒"。

这 6 个月最大的体感是：Learning by Doing。我尝试过先看完所有理论再动手，结果发现根本看不进去——大脑会自动屏蔽那些"还用不到"的信息。后来我换了打法：拿一个小项目当目标，做到哪步缺什么就补什么。效率立刻翻倍。

我现在跟所有想入门的人都说：别去找"完美的学习路径"，那是个伪命题，会让你永远停留在准备阶段。直接挑一个你觉得有意思的小项目，开干，缺啥补啥。

第二阶段（2023 年中）：第一份 AI 实习——小公司，但学到的东西超乎想象

闭关 6 个月之后，我开始投实习。

实习投得没那么顺，因为我当时的简历真的没啥东西——就一个"非科班、6 个月学习、几个 GitHub 小项目、DataWhale 助教经历"。大公司基本没动静，最后是一家小公司给了机会。

我特别感谢这家小公司。后来跟很多人交流我才意识到，对转行者来说，第一份工作的核心价值不是 title 和薪水，而是有没有真实的项目让你练手、有没有人愿意带你。

那时候是 2023 年中，整个行业还在"ChatGPT 套壳"阶段。我们做的也是这类活：用 RAG 结合 Dify 搭建知识问答机器人、售后客服机器人。技术栈现在看起来朴素得不行，但当时已经算"AI 应用"的主流形态了。

入职第一天我就经历了一次大型公开处刑：我连 FastAPI 是什么都不知道。

不夸张，那种感觉就是我以为自己已经准备好了，结果项目一打开发现满屏都是没见过的东西——FastAPI、Docker、Nginx、Redis、各种 Python 包管理工具的版本冲突、向量数据库的部署……知识缺口像漏斗一样在我面前张开。

那段时间我对 AI 的依赖程度达到了一个极致：几乎所有不会的东西都问它。但 2023 年的 AI 还远没现在这么强，它给的代码经常是错的，需要自己在项目里反复调。这反而成了我学得最快的时期——因为你不能只信它，你必须看懂它在写什么、为什么这么写、哪里可能出问题。

这个过程培养了一种很重要的能力：和 AI 协同工作的判断力。这种判断力，比"会用 AI"重要得多。

实习还让我接触到了开源贡献。带我的同事提了一句"你可以试试给一些开源项目提 PR"，我那时候不太懂这个圈子的玩法，硬着头皮去看了几个项目，发现读优秀项目的源码本身就是一种顶级的学习方式。这是个大坑，一头扎进去就出不来了，到现在也是我业余时间最大的乐趣之一。

第三阶段（2024 年初）：拿到正职，赶上 Agent 元年

实习结束之后顺利转正，或者更准确地说——我用实习这段经历找到了一份新公司的正职。

那个时候市场上对 AI 应用工程师的要求已经明显升级了。岗位 JD 里基本都要求：

• LLM 底层原理（不要求训模型，但要懂 transformer、attention、tokenizer 这些基础）
• Dify、Coze 这类低代码 Agent 平台的实战经验
• LangChain、LangGraph、AutoGen 等开发框架
• 向量数据库、RAG 工程化经验
• Prompt Engineering（这词其实有点过时了，但你懂的）

2023 年 3 月，AutoGPT 在 GitHub 上线，几个月就攒了 10 万 star，也是从那个时候开始 AI Agent 这个概念彻底火出圈。但 2023 年大部分公司还在观望，真正在产品里 All in Agent 的并不多。我加入的这家公司在这件事上做得很激进。

当时市场上 90% 的公司都在做"套壳 ChatGPT"的聊天助手，UI 都长得差不多，无非就是改个 logo 改个 prompt。我们的判断是这条路没有壁垒，迟早被 OpenAI 和大厂自己卷死。所以我们选择了更难但更有想象空间的方向：用 Multi-Agent 解决短视频生产效率低的问题。

这个项目让我第一次完整地走了一遍 AI 产品从 0 到 1 的全流程：

• 调研用户在短视频生产环节的真实痛点
• 拆解工作流，识别哪些环节可以被 Agent 替代或加速
• 设计 Multi-Agent 架构（不同 Agent 负责不同子任务，比如选题、文案、画面、剪辑指令）
• 给 Agent 配工具调用能力（让它能调外部 API、查资料、生成素材）
• 前后端开发（这部分对我这种非科班来说挑战不小，但当时已经是 AI First 工作模式，前端代码很多是边问边写）
• 上线、用户反馈、迭代

整个项目我承担了相当大的开发工作。说实话能独当一面，一半靠我自己学，一半靠 AI 协同。我后来反复想这件事——如果没有 AI 帮我快速补齐前端、运维、各种我不熟悉的栈的知识，我大概率不可能在这个时间点完成这种规模的项目。

2024 年 3 月：Cursor 横空出世，编程方式被改写

这里要插一段我觉得很重要的事。

2023 年 3 月 Cursor 第一个版本发布（顺便说一句，做 Cursor 的 Anysphere 公司是从 OpenAI 加速器出来的，4 个 MIT 朋友创业搞的）。但真正让全行业意识到"编程方式要变了"的，是 2024 年初到 2024 年中那段时间。Cursor 在没有营销预算的情况下，20 个月做到了 1 亿美元 ARR。

我用 Cursor 之前，写代码的工作流是这样的：在编辑器里写 → 卡住 → 复制问题到 ChatGPT → 拿到答案 → 复制粘贴回编辑器 → 改 → 再卡住 → 重复。我管这个叫"古法编程"。

用了 Cursor 之后整个工作流变成：直接在编辑器里跟 AI 对话，AI 知道我整个项目的上下文，能直接读我的代码、改我的代码、跑我的代码。这不是工具升级，这是范式革命。

我大概是 2024 年第一批重度使用 Cursor 的人。最直观的变化是：我开始能做以前完全不敢碰的项目。比如纯前端的复杂动画、比如 K8s 部署、比如各种我没系统学过的语言写的开源项目。AI 把我的"能力半径"扩大了 5 倍不止。

到 2025 年，Claude Code、Codex 这类「Agent 全能干活牛马」级别的工具又把这件事推到了新的高度——你不再需要一行一行盯着 AI 写代码，可以直接派一个任务给它，让它自己规划、自己执行、自己跑测试、自己提交。这一年我做的开源贡献量，是过去两年的总和。

第四阶段（2025 年至今）：扎进开源社区

这部分是我最想分享的，因为我觉得它对一个程序员的成长价值被严重低估了。

工作之外的时间，我开始系统性地参与开源项目。我的 GitHub：github.com/fancyboi999

参与过的一些项目：

• OpenClaw：一个 Agent 框架方向的项目
• DeerFlow：字节跳动开源的多 Agent 工作流框架
• MemOS：长期记忆系统，让 AI 跨会话记住你 参与开源给我带来的东西，是任何课程都给不了的： 第一，你会被迫去读真正高质量的代码。这些项目的核心 contributor 大多是行业里很厉害的人，他们写代码的方式、思考问题的角度，跟你自己闷头写完全不一样。读懂别人的好代码，比写 100 个自己的小项目更有价值。

第二，你会进入一个真实的全球协作网络。我提的 PR 被来自不同国家的人 review 过，有时候 review 意见比 PR 本身价值还高。这是国内大学和大部分公司里你很难接触到的环境。

第三，简历上多一行"X 项目 contributor"，比"精通 Python/Java/C++"管用 100 倍。招聘方最在意的不是你说自己会什么，而是有没有可以被验证的证据。开源贡献就是最硬的证据之一。

讲真，如果你现在是大学生想转 AI，我给你的第一个建议就是：找一个你感兴趣的开源项目，硬着头皮去贡献。哪怕只是修个文档错字、加个示例。这件事的复利效应大到难以想象。

接下来回答几个被问爆了的问题

每次跟人聊我的转行经历，被问得最多的就是这几个。集中答一下。

Q1：本科生真的能做 AI 工程师吗？

能。但不是"拿个学位投简历就能"的能。

我前面提到的 Will DePue 和 Gabriel Petersson 是极端样本，正常路径是这样的：

1. 大一大二：把 Python 学到能跑通项目，把 LLM API 调用、Prompt 工程搞熟（一个月够了）
2. 大二大三：在 GitHub 攒 1-2 个有点 star 的项目（哪怕是 50 个 star 也比 0 强），写技术博客（掘金、知乎、CSDN 都行，国内的"个人品牌"主要在这几个平台）
3. 大三：找一个 AI 公司的实习，哪怕是 20 人的小公司也行，有真实项目经验远比公司大小重要
4. 大四：要么秋招拿 offer，要么继续 build 自己的产品考虑创业

国内现在 AI 应用工程师的市场缺口很大（工信部数据 2025 年缺口 47 万），但缺的是"能解决实际问题"的工程师，不是"会背八股文"的求职者。区分这两者的，是项目，是项目，是项目。

Q2：怎么学？学什么？

我个人觉得，2026 年想入门 AI 工程师，按这个顺序走最快：

第 1-2 个月：Python + LLM API 调用 + Prompt 工程

• 目标：能用 OpenAI/Claude/通义千问的 API 写一个能用的小工具
• 资源：DataWhale 的 LLM 入门教程

第 3-4 个月：RAG 系统

• 目标：搭一个公司知识库问答机器人
• 资源：DataWhale 的 all-in-rag 项目，从 0 到 1 全栈

第 5-6 个月：Agent + Function Calling + LangGraph

• 目标：做一个能调多个工具完成复杂任务的 Agent
• 重点：理解 ReAct、Function Calling、MCP 这些核心概念

第 7-8 个月：模型微调（LoRA/QLoRA）+ 评估

• 目标：在开源模型上微调出一个垂直领域专家
• 注：这一步可选，看你是想做应用还是想往算法侧走

第 9-12 个月：工程化部署（vLLM、Docker、K8s）

• 目标：把你做过的项目部署成可被人付费使用的 SaaS

核心原则：每个阶段必须有可被 demo 的产物。学完不做，等于没学。

Q4：非科班是劣势吗？

我曾经以为是。现在我觉得它正在从劣势变成中性资产，未来几年甚至会变成小优势。

原因很简单：当 AI 应用大量进入垂直行业（医疗、法律、教育、金融、设计、新媒体），跨学科背景反而稀缺。一个学过医又会 AI 的人，比一个只学过 AI 的 CS 学生，在医疗 AI 公司更值钱。

我自己虽然不是哪个特别"硬核"的专业，但本科那几年学到的一些通用能力（写作表达、逻辑思维、对人和需求的理解），在做产品和跟团队协作的时候反而成了优势。别把自己的过去当包袱，把它当差异化定位。

最后想说的几句

这篇写到这里其实还有很多没展开的——比如简历怎么写、面试被问过哪些题、面试官真正关注什么。下一篇我会专门写求职那部分（如果反响不错的话）。

写到结尾我想了想，真正想留给你的不是一份学习路线——任何路线在 6 个月之后都会过时——而是几个反共识的判断：

1. 不要先学完再做。边做边学，用项目当目录。
2. 不要追求"系统全面"。AI 这个领域每 3 个月知识体系都在重构，"系统全面"是个伪命题。深度做完一个完整项目，比上 10 门课更值钱。
3. 不要等准备好。简历没东西可写的时候就该开始投实习、接外包、做副业。反馈本身就是教程。
4. 不要把 AI 当工具，把它当协作者。这两种心态产出的工作质量，差着一个数量级。
5. 不要把"非科班"当包袱。你的本专业 + AI = 别人补不上的护城河。

当年那个被 ChatGPT 震撼到的我，肯定想不到 3 年后的自己会在做这些事。我也不知道再过 3 年会变成什么样——这个行业变化太快了，每个月都有让人头皮发麻的新东西出来。

但我现在很笃定一件事：这是我们这代人最值得 All in 的方向。如果你也被 ChatGPT 或者后来的某个 AI 时刻击穿过，请相信那个直觉。然后开始动手。

就这些。