毕业找工作时，我做了一个很多人不太理解的决定：放弃已经准备了一段时间的后端开发方向，转向AI大模型应用开发。

我叫林然（化名），是普通本科计算机科学与技术专业的应届毕业生。在校期间学过数据结构、算法和机器学习，也有一段互联网后端开发实习经历。按照原来的计划，我毕业后应该会继续找Java或后端开发相关工作。

但真正进入求职市场后，我发现传统开发岗位的竞争比想象中激烈。很多岗位不仅要求技术栈全面，还希望应届生具备完整的项目和实习经历。与此同时，大模型应用开发、模型微调和部署相关岗位开始频繁出现，我逐渐意识到，继续在原来的方向上硬挤，并不是唯一的选择。

一开始，我以为自己学过Python、机器学习和算法，转向大模型开发不会太难。真正接触后才发现，学校里的基础知识和企业需要的项目能力之间，还有很大距离。

Prompt工程、模型微调、数据处理、接口开发、模型部署，这些内容单独看都能找到教程，但要真正连接起来，完成一个可以运行的项目，并没有那么简单。我能看懂部分代码，却没有把握独立完成开源模型微调，更不知道如何把模型部署成可调用的服务。

为了补齐这部分能力，我报名了近屿智能的课程。相比再听一遍理论，我更希望完成一些能够真正用于求职的项目。

学习过程中，我重新梳理了大模型架构、微调技术、Prompt工程和部署优化等内容，并参与了开源模型微调、垂直领域模型适配和API接口开发等实战项目。

真正开始做项目后，问题也随之出现。数据处理不规范、训练过程报错、参数调整后效果不理想、本地可以运行但部署失败，这些情况都遇到过。

最开始，我习惯直接搜索报错信息，照着网上的方法修改。但大模型项目的环境、数据和参数各不相同，别人的解决方案并不一定适用。有一次模型训练持续报错，我反复修改仍然没有解决，只能把报错信息、参数配置和已经尝试的方法整理出来，请教助教和讲师。

在老师的帮助下，我重新定位问题、分析原因，再逐步修改。类似的调试过程经历多了，我关注的也不再只是“代码能不能运行”，而是开始思考：为什么选择这个模型，数据应该怎样处理，参数为什么这样设置，部署失败可能发生在哪个环节。

完成项目训练后，我开始正式投递AI大模型开发岗位。此时遇到的第一个问题不是技术，而是简历。

原来的简历主要围绕后端实习和常规项目展开，企业很难看出我已经完成了方向转换。在就业指导老师的帮助下，我重新梳理了简历，把重点放在Python、大模型微调、深度学习框架和项目实践上。

项目描述也不再只是罗列技术名词，而是说明项目解决了什么问题、我负责了哪些环节、遇到了什么难点，以及最终如何完成模型适配和部署。

模拟面试同样暴露了不少问题。虽然项目是自己做的，但面对参数选择、微调流程和部署细节的连续追问，我经常回答得没有重点。

经过多轮复盘，我逐渐学会按照项目背景、技术方案、个人工作、问题处理和最终结果介绍项目。面试官真正关心的，也不是我听过多少技术名词，而是项目是不是自己做的，是否理解其中的运行逻辑，遇到问题后能不能独立分析。

正式投递后，我陆续收到了企业的面试邀请。每次面试结束，我都会记录问题，再回到项目中确认细节，并根据反馈调整表达方式。

最终，我通过了上海一家AI技术公司的面试，拿到了AI大模型开发工程师Offer。

这次转型并不是把过去全部推倒重来。原有的Python基础、算法思维和软件开发经验，依然是我学习大模型开发的重要基础。近屿AI学的项目训练，只是帮助我把这些分散的能力重新组合起来，变成企业能够看见、能够判断的项目经验。

拿到Offer并不代表我已经成为经验丰富的大模型工程师。我仍然只是刚刚进入这个行业，还有很多技术需要继续学习。

但至少，我已经不再停留在“对AI感兴趣”或“了解一些大模型知识”的阶段。我完成过项目，解决过训练报错和部署故障，也能够在面试中讲清楚自己做过什么。

对我来说，这份Offer更像是一次确认：转型不是否定过去，而是把已有的基础，放到一个更适合自己的方向上。