为什么我离开舒适区：Staff Engineer AI first Engineer

Source: Dev.to

背景

我已经做了 18 年多的软件工程师，专注于分布式系统、数据管道、流式基础设施以及大规模后端服务。我构建过处理 TB 级数据的系统，设计过每秒处理数百万请求的平台。我对自己的工作很在行。

为什么我要在 AI/ML 领域重新起步

公司转型

公司开始招聘 AI/ML 工程师。会议里突然充斥着关于嵌入、微调和检索增强生成（RAG）系统的讨论。我可以点头附和，但根本不知道他们到底在构建什么。拥有 18 年经验的我，竟然无法在公司最重要的项目中贡献力量，这让我很受打击。

Claude Code 的体验

我开始使用 Claude Code，结果彻底改变了游戏规则：以前需要几天才能完成的概念验证现在几小时就搞定，新功能的交付速度提升了 2–3 倍，从 0 到 1 的项目几乎不费吹灰之力。问题是，我根本不明白它是怎么工作的。我在使用 AI，却没有参与构建，无法解释它的决策，也无法判断解决方案是真正优秀还是仅仅看起来很有说服力。

当有人问：“Claude Code 实际是怎么工作的？”我竟然没有答案。那一刻让我意识到，我必须回到基础。

领悟

我一直相信，掌握基础才能解决复杂问题。当我真正学会分布式系统——不仅仅是会用 Kafka，而是理解分区、复制和共识时，我不再只是使用工具，而是开始构建系统。这种转变让我变得更有价值。

我需要在 AI 领域做同样的事：不仅仅使用它，更要理解它并亲手构建。

目标

• 成为 AI‑first 工程师——参与讨论，而不是仅仅点头附和。
• 从零构建 AI 系统——理解模型、架构和权衡。
• 设计生产级 AI 解决方案——设计、部署并维护可靠的 AI 服务。

具体目标

1. 学习 Claude 等模型的实际工作原理。
2. 从头开始构建 AI 系统。
3. 在生产环境中主导或参与 AI 项目。

计划

我决定从头开始系统学习 AI/ML 基础——不走捷径，不采用“只会用框架不懂原理”的方式。我会公开记录整个过程，分享成功、困难、困惑和突破。

• 第 1 周： 从核心概念入手（线性代数、概率、优化）。
• 持续进行： 深入模型架构（Transformer、扩散模型）、训练流水线和部署策略。

我没有固定的时间表，唯一的承诺就是坚持这段旅程本身。

行动号召

如果你也在向 AI/ML 领域转型，欢迎在评论区分享你的经历。让我们一起学习。