在我从事开发工程师的第10年，我的个人生活和职业生涯，同时迎来了一次 Breaking Change。
2025年1月31号下午14点58分，我的女儿出生了。她真的很小，手掌还没有我手指长，抱着她的时候，我甚至不太敢用力，生怕一不小心弄疼了她。
看着她肉嘟嘟的脸颊，我第一次感受到，什么叫人生中最具象化的幸福。
但几乎就在同时，产房外的大模型圈子也彻底热闹了起来。以 DeepSeek 为代表的国产大模型，像一颗深水炸弹，直接把整个行业的情绪炸了出来。
在 DeepSeek 之前，用 GPT 这类高质量大模型写代码，多少还是一件有门槛的事。不是所有人都愿意为它付费，也不是所有人都觉得这件事和自己有关。
但从那个时候开始，大模型第一次真正离普通人这么近。无论是开发工程师、产品经理，还是原本和编程没什么关系的人，只要会描述需求，就有机会让 AI 生成一段看起来像模像样的代码。
你要问我当时慌不慌。
说实话，我当时并没有特别慌。不是因为我看得有多透，而是因为我反应没那么快，还没有真正意识到，这件事会对我的职业生涯带来多大的变化。
但现在回头看，那其实是一个很关键的时间点。因为从那一刻开始，AI 让很多人第一次站到了相对接近的起跑线上。不管你之前是专家，还是刚入行不久的新人，旧有的经验壁垒，都在被重新定义。
我想先讲讲我自己的故事。
我在职业的第七年成为高级工程师，现在是一名前端团队的 leader，也是一名正在转型的 Agent 工程师。但我并不是什么科班出身的天才，甚至从很多角度看，我的起点都很普通。
1993年，我出生在湖北。二年级的时候，跟着父亲来到深圳。
童年时期的我，性格内向，甚至带一点轻微的自卑。初高中那会儿，只要一到公开场合发言，我就会紧张到声音发抖。
我的学习成绩也谈不上多亮眼。理科还可以，语文和英语一直不太行。高考结束后，我考上了一所普通二本，但填报志愿的时候又阴差阳错地进了数学系。看到结果的那一刻，心里确实有点发懵。
2015年大学毕业之后，我没有从大厂起步，而是进了一家1000来人的邮箱公司，做前端开发。
但我身上一直有一个特质。
一旦我真的想做一件事，就很难把自己劝退。
高一那会儿，我还是个胖子。身高一米六出头，体重却有78公斤。
到了高二，我开始厌倦别人喊我胖子。这个称呼说到底也不算冤，毕竟是自己吃出来的。但好在，腿长在我自己身上。
那时候我是住校生。每天晚上下晚自习，别人回教室聊天，我就去操场跑步。
就这么跑了5个月，硬生生减掉了15公斤。
后来因为习惯了跑步，我还顺便报名参加了运动会的1500米。现在回头看，那段经历对我影响很大。它让我第一次真正意识到，很多改变并不是靠某个瞬间爆发出来的，而是靠时间一点点堆出来的。
大学毕业后，我成了一名前端开发工程师。
那时候，同期进公司的毕业生也很多。以当时的技术实力来看，我并不是里面相对优秀的那个。真要评级，大概只能算中等偏下。
但我也有自己的活法。
我不太会放过一个 bug。
很多人眼里，一个 bug 修完也就结束了。但对我来说不是。我要顺着它继续往下看，弄清楚它为什么会出现，为什么偏偏出在这里，为什么这个方案只能修表面，那个方案却能把根也一起挖掉。
说白了，我不太擅长"差不多就行"。
这个习惯有时候其实挺累的，尤其是对自己。别人下班了，你还在跟一个问题较劲。别人觉得这事能过就行，你非要追着问到底。听起来不怎么聪明，甚至还有点费劲。
但时间是个很神奇的东西。
很多能力，并不是某一天突然顿悟出来的，而是一个问题一个问题啃出来的。就这样积累了三年，在我离开那家公司的时候，我的技术能力大概已经到了中等偏上的水平。
不算传奇，但至少没有原地踏步。
后来，我很幸运，赶上了一家大厂招聘的末班车，进了电商相关的业务。
这种幸运有点像什么呢。像是在一堆被挑剩下的菜叶子里，突然被人发现，咦，这里居然还有一根勉强完整的小白菜。
在高手如云的大厂里，我放进去依然只能算中等偏下。
我不知道自己当时能提供多少价值，但我知道，我能继续按照自己的节奏走下去。
所以在那段时间里，我依然没有放过任何一个问题，还是会追根究底地去看它的来龙去脉。我的技术成长，很像是一块块打上去的补丁，哪里漏水补哪里。
但补丁打得足够多，最后真的会连成一整块布。
大概到了职业的第7年，我开始慢慢得到更多人的认同。后来，我成了别人口中的"技术大佬"，也晋升成了一名高级工程师。
现在回头看，这个过程和当初减肥那5个月，其实没有本质区别。
没有突然开挂。
没有天降神力。
只有一件事一直没变：我愿意把一个问题追到它没地方躲。
时间线回到2025年初。
那是我职业的第10年。我第一次真正遇到一个和 AI 强相关、并且必须亲手解决的问题：我需要借助 AI 去生成一段自定义语法表达式。
这个问题放到现在，其实不算难。直接上更强的模型，大力出奇迹，很多时候都能解决。
但在那个时间点，不一样。
那时候，DeepSeek V3 还主要只能在官网访问，其他国产模型也还不够聪明。国外模型当然更强，但需要成本，而当时的我，对 token、模型能力边界、成本收益这些事情，也还没有形成足够清晰的认知。
我到处查资料，最后才发现，对当时的我来说，最合适、也是最现实的一条免费路径，居然是去折腾小模型微调。
问题是，那时的我对 AI 几乎一无所知。
刚好那段时间借着陪产假，有一点零散时间。我就开始看视频、看文章、研究微调、搭环境、不断试错。
从了解基本知识，到真正把 demo 跑通，我花了6天时间。
现在看，6天不算多传奇。但对当时的我来说，那是我第一次真正把 AI 从一个"看起来很厉害的黑盒"，拆成了一个可以理解、可以调试、可以一步步逼近结果的东西。
我一直觉得，自己是一个能力很普通的人，只不过积累的问题比别人多一点。
但 AI 这个时代，恰恰会放大每个人原本就有的优点。
我后来处理过很多和 AI 相关的问题。因为我不太愿意放过细节，所以在不断试错的过程中，我慢慢开始理解它的工作方式：知道为什么提示词有时候达不到预期，知道为什么模型会在某些环节失真，也知道那些看起来很庞大的 Agent，拆开之后，本质上仍然是一次次和大模型对话的编排与协作。
这些补丁继续积累下去，最后把我推到了一个新的位置。
我开始真正转向 Agent 工程师这个方向，完成了一个由8个模型前后串联、并行协作的 Agent。它使用的是成本很低的国产大模型，但在编码任务上，已经能做出接近国外顶尖模型的效果。
某种程度上，这也算是我完成了一次转型。
时间线再拉回到现在。
就在最近，我基于国产基础模型，一步步调试 Agent，最终做出了一套可以媲美国外顶尖模型开发工作流的方案，让我自己的日常编码效率提升了一倍。
如果你有兴趣，也可以接入到 Claude Code 里试试。github.com/Lienviws/ef...
关于编码提效这块，后面我会专门再写一篇，详细聊聊这里面的思路和实践。
如果你平时也不太会放过那些让人头疼的暗坑，习惯去追问报错日志里的"为什么"，习惯把问题拆开，再一块块补上。
那么在这个 AI 时代，你其实很有机会。
你未必要花很多钱，也未必要一上来就追最顶级的方案。很多时候，只要从最基础的模型开始，一步步试错，一点点理解它是怎么工作的，你也能拼出一个真正属于自己的自动化助手。
我一直觉得，我不是那种突然开窍的人。
我的职业生涯，本质上也不是一路开挂，而是不断解决问题、理解问题，然后把这些问题留下来的补丁，慢慢缝成一块更结实的布。
以后我会继续分享更多我和 AI 的故事，也会分享各行各业关于 Agent 提效的解决方案。