Java / 后端 → 大模型开发转行指南
后端工程师是目前从公开面经看最主流的转行群体：缺口方向明确（AI 应用、RAG、Agent），迁移成本在所有背景里最低。
你的存量优势盘点
| 已有能力 | 在 AI 岗位里的映射 |
|---|---|
| 接口设计与微服务 | LLM API 封装、模型服务编排 |
| 数据库与缓存 | 向量库、对话记忆存储、语义缓存 |
| 高并发经验 | 流式输出（SSE）、限流熔断、多模型路由 |
| 单元测试 / CI | Prompt 回归测试、LLM 输出质量评测 |
这就是为什么训练推理之外的路线页里"适合谁"一栏反复出现后端——你不是从头开始，而是增量升级。
差距清单（按优先级）
- LLM 认知层：Token、上下文窗口、采样参数、幻觉成因 → LLM 基础概念⭐题；
- Python 最小集：语法半天、asyncio 与 FastAPI 一周即可上岗 → Python 工程基础；
- Prompt / RAG / Agent 三件套：这是新知识主体 → Prompt · RAG · Agent 三个专题的 ⭐ 题全刷；
- 生产化视野：网关、缓存路由、SSE → AI 应用开发进阶专题。
12 周转型计划（在职版）
- W1–2：Python 补课 + 用 Java/任一语言调通 LLM API 并封装重试与流式——顺手证明你的集成能力没丢；
- W3–5：Prompt 工程 ⭐ 题 + 第一个项目：把你熟悉的业务场景做成 LLM 小功能（如日志异常摘要）；
- W6–9：RAG 全流程：文档解析 → 切分入库 → 检索问答。做「Java 技术文档智能问答」这种自选题最好——领域熟、素材现成；
- W10–11：Agent 补充：Function Calling + 一个工具调用改造（如让 Agent 查你们内部 API）；
- W12：简历重构（量化模型指标）+ 按面试准备指南冲刺。
全职投入可以把周期压到 6~8 周。
项目经验怎么讲才值钱
面试官对 Java 转行者最想听的不是"我学了 LangChain"，而是：
- 为什么选 RAG 而不是微调？（→ RAG vs 微调对比相关题）
- 切分策略怎么定的？检索不准时怎么排查？（→ RAG 效果不好如何排查和提升类问题）
- 你的 Java 生产经验如何迁移到限流、灰度与稳定性上？