我从华为到 AI 创业：一个 18 年老程序员的转型复盘
- 约 8 分钟读完 - 全文 2845 字从华为到 AI 创业：一个 18 年老程序员的转型复盘
我今年 39 岁，做了 18 年软件研发，其中华为 8 年、IBM 2 年。最近四年，我从传统后端架构转向 AI 工程化落地，主导了两个 AI 视频生成平台从 0 到 1。这篇文章不是成功学，是一次诚实的复盘。
一、我的职业路径
2008 - 2010：国信朗讯，Java 开发组长
2010 - 2012：IBM，欧美项目 Java 开发
2012 - 2019：华为，高级软件工程师 / 项目经理
2021 - 2025：成都**科技，研发总监
2025 - 至今：AI 创业，做方糖猫 / GeekCast Engine前三段经历让我成为了一名「合格的后端工程师」：
- 会写代码，懂架构，能带队
- 熟悉电信、金融、企业软件等领域
- 经历过大型项目交付和海外客户对接
但我逐渐意识到一个危险信号：我熟悉的技能栈，正在被更快地标准化和规模化。华为和 IBM 能培养出很多像我这样的人，稀缺性在下降。
二、为什么转向 AI？
2.1 不是追风口，是被问题驱动
2023 年前后，我开始认真用大模型辅助工作。最初只是让 GPT 帮我写代码、改 Bug，后来尝试让它帮我：
- 分析需求文档
- 自动生成技术方案
- 做 Code Review
效果让我震惊。不是因为它每次都正确，而是因为它让我重新思考：工程师的核心价值到底是什么？
如果写代码本身可以被自动化，那我还应该继续以「写代码快」为荣吗？
2.2 我看到的机会
我观察到几个明确的变化：
- 内容创作门槛在降低。AI 可以写文案、画图、配音、剪视频。
- 但工程化落地门槛很高。把多个 AI 能力串成稳定可用的产品，需要既懂 AI 又懂工程的人。
- 小团队也能做大事。几个人用现代 AI 工具，能完成以前需要几十人做的事。
这让我决定：从「帮助企业做系统」转向「用 AI 做产品」。
三、转型过程中的三个认知变化
3.1 从「写代码」到「定义问题」
在华为和 IBM，我的任务通常是明确的：需求来了，分析、设计、开发、测试、上线。问题边界相对清晰。
但做 AI 产品完全不同。没人告诉你该做什么，你需要自己回答：
- 用户真正愿意付费的痛点是什么？
- 这个场景 AI 能不能解决好？
- 做到什么程度可以上线？
我花了大量时间在「定义问题」上，而不是「写代码」。
3.2 从「追求技术先进」到「追求产品可用」
做后端架构时，我很喜欢研究新技术：新框架、新中间件、新协议。总觉得用新东西代表能力强。
做 AI 产品后，我被迫变得更务实：
- 用 DeepSeek 还是 GPT，不是谁先进，而是谁够用、谁便宜、谁稳定。
- 用 RocketMQ 还是 RabbitMQ，不是谁新，而是团队谁熟悉、运维成本谁低。
- 产品能不能跑通，比用了什么模型更重要。
3.3 从「单点优化」到「系统思维」
AI 产品的链路很长：Prompt → LLM → 输出解析 → 工具调用 → 素材检索 → 渲染 → 后处理 → 交付。
任何一个环节出问题，整个产品就不可用。我需要关注的是：
- 端到端成功率
- 单次生成成本
- 用户等待时间
- 失败后的恢复体验
这比优化单个接口的 QPS 复杂得多。
四、我如何补齐 AI 能力
4.1 理论学习：快速建立地图
我没有去读大量论文，而是先做「地图式学习」：
- 了解 LLM 能做什么、不能做什么
- 了解 RAG、Agent、Fine-tuning、Prompt Engineering 各自的适用场景
- 了解常见的模型 API 和开源生态
推荐的学习资源：
- DeepLearning.AI 的《LangChain for LLM Application Development》
- 《Building LLM Apps》
- OpenAI、DeepSeek、Claude 的官方文档和最佳实践
4.2 动手实践：做项目而不是跑 Demo
我最大的经验是：只看教程学不会 AI 工程，必须做真实项目。
我做的第一个项目不是听课做的，而是直接基于业务需求启动：
- 用 DeepSeek API 做口播视频的视觉规划
- 用 Whisper 做字幕生成
- 用 Remotion 做视频渲染
每一个功能都是从真实问题出发，而不是从教程章节出发。
4.3 工具链迁移
作为 Java 后端工程师，我过去很少用 Python。但 AI 生态基本在 Python 里，所以必须迁移：
| 原技能 | 新增技能 |
|---|---|
| Java / Spring Boot | Python 3.11 |
| MyBatis / Hibernate | FastAPI / SQLAlchemy |
| RocketMQ / Kafka | 继续用，但用 Python 客户端 |
| Docker / K8s | 继续用，部署 Python Worker |
| Vue 3 | 继续用，前端不变 |
这个迁移没有想象中难，大概 2-3 个月就能处理日常 AI 工程需求。
4.4 建立输出习惯
我开始写技术博客、做抖音 AI 科普账号。输出倒逼输入，让我学得更快。
输出还有一个好处：让市场验证你的能力。面试时，你写的文章、做的项目比简历上的文字更有说服力。
五、踩过的坑
5.1 技术选型追新
刚开始做 AI 产品时，我什么都想试试：LangChain、LlamaIndex、AutoGPT、CrewAI……
结果很多时间花在折腾工具上，而不是解决用户问题。
教训：先用手边最熟悉的工具把产品跑起来，再考虑要不要换。
5.2 产品自嗨，没有 early user
GeekCast Engine 早期我做了很多功能：自动加字幕、自动加 B-roll、自动配乐……
但去找用户聊的时候发现，很多人只需要「删掉气口和语气词」这一个功能。
教训：做产品前先找到愿意用的人，用最小功能验证需求。
5.3 过度工程化
因为有大厂背景，我习惯把架构设计得很完整：微服务、消息队列、分布式渲染、监控告警……
但早期用户量不大，很多设计是过度工程。
教训：MVP 阶段先单体，验证后再拆分。
5.4 低估产品化成本
AI demo 和产品之间差距很大。一个 demo 可能 2 天做完，产品化需要解决：
- 边界情况处理
- 失败恢复
- 用户权限
- 成本优化
- 多分辨率兼容
- 前端体验
这个差距，我最初低估了至少 3 倍。
六、转型后我得到了什么
6.1 新的职业定位
我不再只是一个「Java 后端工程师」或「研发总监」。我现在可以自称：
- AI 工程负责人
- AI 产品经理
- 技术创业者
这个定位在市场上更有差异化。
6.2 更强的系统能力
做 AI 产品让我不得不关注全链路：
- 用户体验
- 模型成本
- 渲染性能
- 数据闭环
这种系统能力，是大厂螺丝钉岗位很难训练出来的。
6.3 更清晰的自我认知
我知道自己不擅长什么：
- 我不擅长纯学术研究
- 我不擅长从 0 训练大模型
- 我不擅长做 toC 增长
我也知道自己擅长什么：
- 把 AI 能力工程化落地
- 设计可扩展的系统架构
- 带领小团队快速交付产品
这种认知让我在求职和创业中少走弯路。
七、给同龄工程师的建议
7.1 不要被年龄绑架
39 岁不是终点。AI 是一个新赛道，大家的起跑线差距没有那么大。关键是你愿不愿意重新学习。
7.2 不要迷信大厂光环
大厂经历是背书，但市场最终看的是你能否解决问题。光环会褪色，能力不会。
7.3 用项目证明能力
转型 AI，最有效的简历不是证书和课程，而是真实项目。哪怕是一个小工具，能跑通、能讲清楚，就胜过 100 节网课。
7.4 持续输出
写博客、做视频、开源代码，让别人看到你的思考和作品。这比投 100 份简历更有效。
7.5 找到差异化定位
AI 赛道很卷，但「懂 AI 又懂工程、有产品落地经验」的人还不够多。这是老程序员的机会。
八、我现在在哪里
我正在做两件事：
- 继续迭代方糖猫 AI 视频平台，把文案到成片的自动化做得更稳、更便宜。
- 输出更多 AI 工程实践内容，倒逼自己持续学习，也帮助更多传统工程师转型。
如果说 18 年前我进入这个行业是因为喜欢写代码，那现在我留下来，是因为我相信：AI 会让每一个有工程能力的人，都能做出以前无法想象的产品。
九、总结
从华为到 AI 创业，我的转型不是一帆风顺的，但回头看，有几个关键选择是对的：
- 不把自己局限在 Java 后端，主动学习 Python 和 AI 生态
- 不做课程收藏家，用真实项目驱动学习
- 不追新技术，先用熟悉工具把产品跑通
- 不放弃输出，用博客和项目建立个人品牌
- 不害怕年龄，把经验变成差异化优势
如果你也在考虑转型 AI，希望我的经历能给你一些参考。
关于职业转型、AI 工程化，如果你有问题，欢迎在评论区交流。
18 年后端架构，现在独立做 AI 产品。这里记录 AI 视频、AI Agent 与工程实践。