程序员转 AI 到底转什么？AI 应用、算法、平台与推理岗位地图
已有开发经验的程序员转 AI，通常不是在“学不学 AI”之间做选择，而是在四类工作中选择主方向：AI 应用开发、算法工程、AI 平台工程、模型推理工程。如果你的优势是业务系统、接口、数据和交付，优先看 AI 应用开发；如果能长期投入数学、实验和训练，才重点看算法；如果擅长基础设施或性能，则分别看平台与推理工程。
这是一张岗位职责地图，不按你的原技术背景给结论。需要结合后端、前端、测试、客户端或运维经历做选择，请继续阅读不同开发背景适合转什么 AI 方向。
四类岗位的核心区别
| 方向 | 主要职责 | 常见日常产物 | 必需能力 | 更适合的已有经验 |
|---|---|---|---|---|
| AI 应用开发 | 把模型、知识和业务流程组合成可用产品 | 模型 Client、RAG 链路、工具接口、评估集、监控面板 | API、数据处理、Prompt/Schema、评估、权限与故障处理 | 后端、前端、测试、客户端、业务平台开发 |
| 算法工程 | 训练、微调或改进模型与算法效果 | 数据集、训练脚本、实验记录、指标报告、模型权重 | Python、数学与机器学习基础、实验设计、训练框架 | 算法、数据科学、研究或强数理背景 |
| AI 平台工程 | 为团队提供模型接入、数据、评估和发布基础设施 | 模型网关、任务平台、特征/数据管道、评估平台、发布流程 | 分布式系统、容器、调度、可观测性、成本治理 | 后端、平台、运维、SRE、数据工程 |
| 模型推理工程 | 让模型以可接受的延迟、吞吐和成本运行 | 推理服务、性能基准、量化方案、调度配置、容量计划 | Linux、GPU/加速器、并行计算、性能分析、模型格式 | 系统、C/C++、高性能计算、基础设施工程 |
同一家公司对岗位名称的使用可能不同。判断岗位时不要只看标题，要看 JD 的主要产物：是在交付业务功能、做训练实验、建设内部平台，还是优化模型运行性能。
AI 应用开发：多数开发者的低迁移成本入口
AI 应用开发解决的是“如何把不确定的模型输出变成可验证、可运营的业务能力”。典型工作包括：
- 封装不同模型供应商，处理鉴权、超时、重试和降级；
- 建设文档加载、切片、检索、重排与引用回答链路；
- 给 Agent 定义工具参数、权限、停止条件和人工审批点；
- 建立样例集和回归流程，避免只凭主观感受调 Prompt；
- 记录延迟、Token、失败原因和用户反馈。
它不等于“调用一次聊天 API”。如果项目没有评估、权限、观测和失败恢复，仍只是 Demo。可以从程序员转 AI 主路线进入完整学习顺序。
算法工程：目标是改模型，而不是只使用模型
算法岗位通常要求通过数据、训练或模型结构改进效果。你需要能够说明实验假设、基线、变量、指标和复现条件，而不仅是使用某个框架。
以下信号说明你更应考虑算法方向：
- 愿意系统补数学、机器学习和深度学习；
- 能接受大量时间用于数据处理、训练和实验复盘；
- 目标 JD 明确要求训练、微调、论文复现或特定模型领域经验；
- 你对改进模型本身的兴趣高于交付业务系统。
如果目标只是 AI 应用开发，不必先按算法研究路线准备。先看没有算法基础能否转 AI 应用开发。
AI 平台工程：把个人 Demo 变成团队能力
平台工程关注多个团队如何稳定、合规、低成本地使用模型。工作对象通常不是单个聊天功能，而是共享的模型网关、评估系统、数据管道、权限体系和发布流程。
适合这一方向的人往往已经熟悉：服务治理、容器与调度、CI/CD、日志指标、容量与成本。需要补的是模型请求特征、Token 预算、评估对象、Prompt/数据版本以及模型供应商的故障模式。
模型推理工程：把模型真正跑快、跑稳
推理工程围绕模型加载、显存、批处理、并行、量化、延迟和吞吐做优化。它与普通 API 开发的距离最大，也最依赖底层系统和硬件知识。
不要因为“推理岗位看起来更底层”就默认它更高级。只有当目标工作明确要求部署或优化模型，且你愿意投入 Linux、GPU、性能分析与模型运行时，才应把它作为主路线。
方向选择决策表
| 你最想交付的结果 | 优先方向 | 先验证什么 |
|---|---|---|
| 一个能解决业务问题的 AI 产品 | AI 应用开发 | 能否完成带评估和失败处理的 RAG/Agent 项目 |
| 可复现的模型效果改进 | 算法工程 | 能否独立完成数据、训练、评估的实验闭环 |
| 多团队共享的模型与评估基础设施 | AI 平台工程 | 能否设计网关、权限、观测和发布流程 |
| 更低延迟、更高吞吐或更低运行成本 | 模型推理工程 | 能否完成基准测试并解释性能瓶颈 |
用一周做方向验证
不要先为四个方向各学一套课程。选择两个候选方向，各做一个最小验证：
- AI 应用：实现一个带引用的问答链路，并记录失败样例；
- 算法：复现一个公开基础实验，完整记录数据、参数和指标；
- 平台：设计模型网关的租户、限流、日志和降级契约；
- 推理：对一个本地模型做基准测试，解释延迟和资源占用。
验证后问自己：我是否理解主要产物？愿不愿意持续处理这类失败？现有经验能否缩短交付路径？
选择后的下一步
确定岗位类型后，不要继续横向收集名词。回到程序员转 AI 主路线，按“模型调用 → RAG → Agent → 工程化 → 项目 → 求职表达”推进；如果仍不确定现有经验如何迁移，再使用五类开发背景方向表做第二次筛选。