想转行进 AI，搜到「大模型开发」和「AI 应用开发」两个词，岗位描述看着都像，投之前根本不知道差别在哪。有人学了两个月微调，发现目标岗位其实天天在写提示词和接接口；也有人只会调 API，遇上要做评测和部署的岗位就卡住。这篇把两条路的日常动作、技能前置、常见坑和试水方法摆在一起，帮你按自己的底子选一条，少花几个月试错。
想转行进 AI，搜到「大模型开发」和「AI 应用开发」两个词，岗位描述看着都像，投之前根本不知道差别在哪。有人学了两个月微调，发现目标岗位其实天天在写提示词和接接口；也有人只会调 API，遇上要做评测和部署的岗位就卡住。这篇把两条路的日常动作、技能前置、常见坑和试水方法摆在一起，帮你按自己的底子选一条，少花几个月试错。
先说结论：这不是「初级和高级」的关系，是两种不同的工作节奏。模型侧更像做实验，长期泡在数据和指标里；应用侧更像做产品，天天跟链路、体验和线上报错打交道。两边都要写代码，但卡住你的地方完全不一样。下面逐节拆开讲，每节末尾都给你能立刻动手的动作。
两条路的日常到底在干什么
模型侧的日常，是清洗语料、跑微调、盯损失曲线和评测集，交付物通常是一份权重文件或者一套可复现的训练脚本。你一周可能只跑两三次实验，每次几小时到几天，期间没有明显「做完了」的感觉。应用侧的日常，是拼提示词、做检索增强、接工具调用、管上下文长度和限流，交付物是一个能被人点开就用的功能，一天能迭代好几版。
| 对比项 | 模型开发 | 应用开发 |
|---|---|---|
| 主要输入 | 数据、算力、评测集 | 需求、接口文档、用户反馈 |
| 交付物 | 权重、训练脚本 | 能上线的功能 |
| 迭代节奏 | 一次实验几小时到几天 | 一天能改好几版 |
| 最怕的事 | 数据脏、指标不涨 | 接口挂、输出跑偏 |
| 典型协作对象 | 数据标注、算力运维 | 产品、后端、前端 |
- 判断自己偏哪边，看你能忍哪种煎熬：长时间没结果，还是需求天天变
- 同一个项目里两边经常对接，但排期节奏不同，别用一边的标准去衡量另一边
- 模型岗不等于「一个人训一个大模型」，多数岗位是在既有基座上调优和评测
- 应用岗也不等于「只会调 API」，评测体系和兜底方案才是拉开差距的地方
技能重叠区和真正的分水岭
两边都要会 Python、会读英文文档、会用命令行，这块不用纠结先学哪个，属于共同底座。真正的分水岭在两处：一是数学与工程深度，模型侧要能看懂损失曲线、显存占用、量化与微调参数；二是业务拆解能力，应用侧要能把一个模糊需求拆成数据结构和调用链路。
- 共同底座
- Python、命令行、读文档、基本的数据处理
- 模型侧加码
- 损失曲线判读、显存与量化、微调参数含义
- 应用侧加码
- 需求拆解、数据结构设计、线上报错定位
- 两边都加分
- 评测思维，能说清「怎么判断这次改动变好了」
应用侧的高价值能力其实是评测与兜底：怎么判断输出变差了、怎么在接口超时或限流时降级、怎么把不稳定的模型包成稳定的功能。这块最容易在面试里被追问，也最容易在真实工作里救火。模型侧的高价值能力则是实验管理：同样的数据换一组参数，结果能不能复现，别人接手能不能跑起来。
- 转行者最常见的错是两头都浅，简历上各写一句，面试官问哪边都答不深
- 先挑一边做出一个完整小项目，比考两份证书管用得多
- 做项目时顺手把评测记录留下：改了哪一步、指标怎么变，这就是你的作品集
- 如果你已经做过后端或数据分析，应用侧的上手速度通常比模型侧快
- 如果你数学基础扎实、耐得住长时间看不到反馈，模型侧的路径会更顺
低成本试水：一个月内自己验证一遍
不要先报课再决定，先用四周做一次双向试水，体感差别会非常明显。下面这套顺序可以照着走，每步都留一个可验证的产出，避免变成看完就忘的学习。
- 第一周：打通一次完整链路找一个开源模型本地跑起来，或者用托管接口调通，感受从输入到拿到输出的全部环节。显存够不够、量化选哪一档，到 /models/deploy 按自己的机器核对当时的数字和参数说明。
- 第二周：两边各做一个小东西应用侧做一个带检索的小问答，模型侧用一份自己的数据跑一次微调。各花几天，记录哪一步让你觉得有意思、哪一步让你觉得折磨。
- 第三周：补评测给做出来的东西加一层评测，记录改了哪个环节、效果怎么变。这一步最能暴露你适合哪边：偏爱调数据还是偏爱调链路。
- 第四周：对照真实岗位到 /ai-nav/category/ai-model-platform 和 /models 看岗位和模型资料里反复出现的能力点，对照自己缺什么，列成清单，再决定往哪边加深。
试水阶段不用追求效果多好，重点是让身体替你回答「我能不能每天干这个」。四周结束时如果两边都提不起兴趣，那要调整的可能不是方向，而是你选的切入项目本身。
转行最容易踩的几个坑
第一个坑是只学概念不动手：看完一堆原理课，还是说不清一次请求从输入到输出经过了什么，面试一问就露。第二个坑是把「调得好一个模型」当成模型岗的门槛，实际情况反过来，没有真实数据就谈微调收益，很难有说服力。第三个坑是忽视合规与数据边界，涉及用户数据、私有部署的场景，先到 /safety 看口径，别等项目上线才发现要返工。
- 把学习计划写成代码仓库：每个阶段留一个能跑起来的东西，而不是一份笔记
- 简历上写「熟悉 X」之前，先问自己能不能现场演示一遍
- 评估岗位时别只看薪资区间，看岗位描述里评测和部署占多少篇幅
- 数据合规、私有化部署这类要求，越早了解越省返工成本
| 坑 | 典型表现 | 纠正动作 |
|---|---|---|
| 只看课不动手 | 说不出请求链路 | 做出一个可演示的小功能 |
| 高估微调门槛 | 没数据就谈调优 | 先用自有小数据集跑通一次 |
| 忽视合规 | 上线才发现要返工 | 提前到 /safety 看口径 |
| 两边都浅 | 简历各写一句答不深 | 集中做透一边再补另一边 |
需要说明的是，上面这套判断不适用于已经在大厂做算法或后端的读者：你们缺的通常是业务侧经验和跨团队沟通，而不是再补一轮基础。这类情况更应该做的是把已有项目包装成能讲清楚的故事，而不是重新去跑一遍入门教程。
选哪条路，不取决于哪个词更热，取决于你更能忍哪种煎熬：长期没有结果，还是需求天天变。下一步先去 /sites 看几家中转站和工具的实际形态，再回到 /models 对照自己第一周该跑哪一个，把四周试水计划落到具体项目上。→
常见问题
完全没有算法基础，能直接做 AI 应用开发吗？
能，但前提是先把工程能力补齐。应用岗每天都在处理接口、数据、异常和部署，不会写后端、不会看日志，光会调模型接口撑不过试用期。建议先拿一个自己熟悉的小需求做出完整闭环，做的过程中再补检索、评测这些环节。
模型开发和算法工程师是一回事吗？
多数团队里高度重叠，但边界要看公司。有的团队模型岗只负责训练和调参，部署交给工程；有的要求一个人从数据到上线全包。面试时直接问清楚这个岗位的交付物是权重、脚本还是一个线上服务，比看岗位名有用。
两边能不能都学，先都了解一下再选？
可以同时了解，但不要同时深挖。建议给一个月时间做同一件事的两条实现路径：一边本地跑模型、一边做应用闭环，做完你自然知道哪边更不想放弃。同时深挖的结果通常是两边都停在教程级别，简历上无法体现。
