我从华为到 AI 创业：一个 18 年老程序员的转型复盘

Tue, 20 Jan 2026 16:00:00 +0800

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。

老程序员 on 方糖猫Blog