最近半年，我开始真正参与公司的 AI 落地工作。回头看自己的职业经历，会发现这条路其实挺有意思：6 年前端开发，2 年前端基础设施建设，2 年数据分析，到现在开始做 AI 企业落地。表面上看，似乎换了好几个方向，但如果把这些经历串起来看，我并没有真正离开"开发"这件事情，只是解决的问题越来越大。
6 年前端，打下了软件工程基础
刚开始工作的时候，我主要做前端，Vue、React、JavaScript、TypeScript 这些基本都接触过。那时候关注的事情比较具体，比如页面怎么实现、组件怎么抽象、接口怎么调用、工程怎么构建，以及项目怎么部署。
做了几年之后，我慢慢发现，前端真正让我感兴趣的并不只是写页面，而是整个软件是怎么被构建出来的。一个需求从产品设计，到前端、后端，再到数据库、部署和上线，中间其实涉及很多东西。
所以后来我开始逐渐往前端基础设施方向走。
2 年前端基础设施，让我开始关注"效率"
做了大概 2 年前端基础设施，主要技术栈开始转向 Node.js。这个阶段接触了很多工程化相关的东西，比如脚手架、构建工具、组件库、自动化、CI/CD、Node 服务等。
这个阶段对我影响比较大的一点，是让我开始关注一个问题：开发者真正的价值，是不是不应该只是不断写代码，而应该想办法让很多代码根本不用写？
比如一个团队有几十个人，如果大家每天都在重复做一些事情，那么与其让几十个人一直重复，不如花时间把这个过程自动化掉。
现在回头看，这其实已经和我后来做 AI 有一些联系了。Agent、Workflow、自动化，本质上也在做类似的事情，只不过以前我们用程序把流程固定下来，现在开始尝试让 AI 根据目标自己完成一部分流程。
后来做了 2 年数据分析
之后我又进入了数据分析领域，大概做了 2 年。这段经历和前面的前端、Node 看起来差别很大，但现在看来，它反而给我后面做 AI 打下了另外一块基础。
这期间主要接触了 NumPy、Pandas、Spark、Airflow 等技术，开始真正处理大量数据，也开始关注数据清洗、分析、计算和任务调度。
以前做前端的时候，我更关注的是"数据怎么展示出来"；做数据分析之后，我开始关注"这些数据到底意味着什么"。
而 AI 企业落地恰恰又离不开数据。企业知识库需要数据，RAG 需要数据，Agent 需要上下文，自动化流程需要业务数据，最后连 AI 应用的效果评估，也需要数据。
所以现在回头看，这 2 年数据分析经历并没有让我偏离开发路线，反而让我补上了以前比较欠缺的一块能力。
最近半年，真正开始进入 AI 企业落地
最近半年，我开始帮助公司做 AI 的企业落地。这个阶段的工作方式和以前发生了比较明显的变化。
以前接到需求，通常是产品经理告诉我需要开发什么功能，然后我负责把功能实现出来。但现在遇到的问题经常不是"帮我开发一个功能"，而是"这个业务问题能不能用 AI 解决？"
这两种问题其实完全不同。
比如一个企业内部有大量文档，员工每天需要查询资料，那么我们会考虑是不是可以搭建知识库，让 AI 帮员工快速找到答案；如果某个岗位每天需要整理大量信息，那么就会考虑能不能用 Agent 或 Workflow 把这个过程自动化；如果 AI 需要访问企业内部系统，就还需要考虑工具调用、权限、数据安全以及整个工作流怎么设计。
所以现在我的工作越来越接近 FDE，也就是 Forward Deployed Engineer。简单理解，就是技术人员不只是坐在研发团队里开发产品，而是直接进入真实业务场景，理解企业的问题，然后利用现有的技术把问题真正解决掉。
从 Pi、DSH，到 Agent
这半年我也开始接触和实践越来越多的 AI 工具和框架，比如 Pi、DeepSeek Harness、LangChain 等。
以前开发软件，我们通常会把流程明确写出来：第一步做什么，第二步做什么，第三步做什么。现在 Agent 的出现，让软件开始具备了一定的自主执行能力。
比如以前一个自动化流程可能是 A → B → C → D，所有步骤都是开发者提前定义好的。而 Agent 的思路则更接近于告诉 AI 一个目标，然后让它根据当前的信息决定下一步应该做什么。
当然，这并不意味着以后不需要写代码。恰恰相反，当 Agent 真正进入企业生产环境之后，对工程能力的要求反而更高了。模型怎么选、上下文怎么管理、工具怎么设计、权限怎么控制、失败怎么重试、成本怎么控制、结果怎么评估，这些都会变成新的工程问题。
知识库可能是企业 AI 落地最常见的入口
企业开始使用 AI 后，一个很现实的问题很快就会出现：AI 不知道公司的内部知识怎么办？
公司可能有大量 PDF、Word、Excel、产品文档、技术文档、业务资料、制度文件和历史项目资料。这些东西以前都是给人看的，现在需要让 AI 也能够理解和检索。
于是就开始涉及知识库、Embedding、向量搜索、RAG 等技术。
但真正做下来以后会发现，知识库远远不是"把文件丢进去，然后让 AI 搜索"这么简单。文档怎么解析，怎么切分，怎么建立索引，检索结果怎么排序，什么时候应该检索，什么时候不应该检索，最终生成的答案怎么评估，这些都是实际落地过程中需要解决的问题。
这也是我觉得 AI 应用开发和传统软件开发比较大的一个区别：传统软件强调确定性，而 AI 系统需要开始处理概率性。
从"开发功能"到"构建工作流"
我现在越来越感兴趣的，其实不是单独做一个 AI Chat，而是把 AI 放进企业原来的工作流程里面。
比如一个员工以前需要自己查资料、复制数据、分析数据、写报告，最后再把报告发给领导。AI 真正落地以后，可以尝试把这个过程变成一个自动化 Workflow：用户提出需求，AI 理解需求，然后查询知识库、调用工具、分析数据、生成报告，最后完成后续动作。
这样 AI 就不再只是一个聊天机器人，而开始变成企业工作流中的一个"执行者"。
我觉得这可能才是企业 AI 真正有价值的地方。
回头看，我其实没有真正转行
现在回头看自己的经历：
6 年前端，2 年前端基础设施，2 年数据分析，最近半年 AI 企业落地。
如果只看技术栈，确实感觉跨度很大。但如果看我一直在解决的问题，其实是一条连续的路线。
前端解决的是"怎么把产品做出来"；基础设施解决的是"怎么让开发效率更高"；数据分析解决的是"怎么从数据中获得价值"；而现在做 AI，则开始解决"怎么让 AI 真正参与业务"。
所以我现在越来越不觉得这是一次传统意义上的"转行"。
更像是不断扩大自己的能力边界。
以前我是一个前端开发，后来开始关注工程效率，又开始理解数据，现在又开始研究模型、Agent、知识库和自动化工作流。
这些东西并不是互相割裂的，而是在慢慢拼成一个完整的能力体系。
AI 时代，开发者到底应该往哪里走？
这是我最近经常思考的一个问题。
以前我们很容易给自己贴标签：前端、后端、Python 开发、数据工程师、算法工程师。但 AI 出现以后，这些边界正在越来越模糊。
现在一个 AI 应用，可能同时涉及软件工程、数据、模型、Agent、RAG、Workflow、自动化、部署以及具体的业务场景。
所以我现在越来越觉得，未来开发者的竞争力可能不只是"会多少技术"，而是能不能把技术真正转化成结果。
会调用大模型 API，只是开始；会搭一个 RAG，也只是开始；真正困难的是，你能不能进入一个真实的业务场景，找到一个值得解决的问题，然后把模型、数据、知识库、Agent、Workflow 和企业系统连接起来，最终让这个东西真正跑起来。
这也是我现在转向 AI 之后最大的感受。
我的下一步
现在我还在不断探索，但方向已经越来越清晰了。
我不太想把自己定位成一个单纯的"大模型 API 开发者"，更希望未来能够继续深入 AI 应用、Agent、自动化和企业 AI 落地。
从一个真实业务问题开始，分析问题，选择模型，搭建知识库，构建 Agent，设计 Workflow，再把它连接到企业现有系统里。
以前我的工作更多是"开发一个功能"，现在我更希望做的是"用 AI 帮企业解决一个问题"。
这可能就是我从前端走向 AI 的真正意义。
不是放弃过去 6 年的前端经历，而是把过去积累的软件工程、Node、数据分析经验全部串起来，然后进入一个新的阶段。
以前，我是在开发软件。
现在，我开始尝试让 AI 帮人完成工作。
而这条路，我觉得才刚刚开始。