AI转岗路线:先学评测,再做RAG项目
AI 总结
一名作者建议,AI转岗者应先对照原有岗位与AI岗位要求,盘点可复用能力和能力缺口,并优先学习评测与迭代,而非直接学习模型训练。建议的路径从小型“数据—训练—推理—评测”闭环开始,再进入内部知识RAG问答项目。文章还讨论了构建100道题的评测集、排查检索与文档切分问题、测试成本和延迟、灰度上线、调用记录、输入校验、超时与重试、数据脱敏和版本回滚。作者称调整后检索准确率回升、成本和延迟下降,但所提供报告未附支持数据,也未获独立验证。
深度见解
该报告提供了一条以评测为起点、通过小型全链路项目验证AI工程能力的具体路径,并强调AI工作应当可评测、可迭代、可运维。
AI赋能转型:从原有岗位到AI相关岗位实践成长之路
一、转岗第一步:先盘点能力差距,再确定学习顺序
转岗最常见的错误,是可以直接去学大模型微调,却没有整理好原有能力。在动笔之前,我先把新旧岗位的能力矩阵列了出来,明确哪些可以复用、哪些必须补齐:
| 能力项 | 原岗位水平 | AI 岗位要求 | 处理方式 |
|---|---|---|---|
| 业务理解 | 熟 | 熟 | 直接复用,作为差异化优势 |
| 数据处理 | 中(Excel/SQL) | 高(Python/Pandas) | 两周内补齐 |
| 工程能力 | 中 | 高(服务化、并发) | 项目驱动补齐 |
| 模型知识 | 零 | 中(原理 + 调参) | 先懂推理链路 |
| 评测与迭代 | 零 | 高 | 必须最先掌握 |
结论:先学评测,再学模型。如果不懂怎么判断输出好坏,写再多 Prompt 也只是凭感觉调整。数学与反向传播只补到能看懂梯度流向、能解释 loss 变化的程度,不追求完整刷完教材。