这份攻略给出 4 个关键动作：先做能力盘点，用约 200 行代码跑通训练闭环，再完成带评测集的知识问答项目，并优先检查检索、成本与延迟。它值得关心的地方，是把转岗问题从“学会哪些工具”改写为“能否证明系统效果”。

这是什么

文章提供了一条从原岗位转向 AI 岗位的练习路径。第一步不是直接学习模型微调，而是复用原有业务经验，同时补齐 Python、数据处理和工程能力；作者建议先学评测，再学模型，因为不会判断输出质量，提示词调整就缺少依据。

第二个项目是基于企业资料的 RAG 问答系统。RAG（检索增强生成）指先从资料中找出相关内容，再让模型依据这些内容回答。文中采用文本切分、向量检索和人工标注 100 条测试问题的方法，将项目效果从主观体验变成可比较的指标。

行业怎么看

我们认为，这条路径比堆叠课程证书更接近真实招聘需求。业务理解、数据处理和模型评测本来就属于岗位能力，作品如果能说明问题规模、检索命中率、正确率、响应时间及调用成本，比展示一个聊天界面更能证明能力。

风险也很明确：个人知识库通常使用较干净、范围较窄的资料，真实企业系统却涉及权限、数据更新、来源追溯、并发和异常处理。文章后半段在“把 top-k 从 8 降……”处被截断，也没有完整展示上线后的成本、延迟和准确率数据，因此它更像学习模板，而非经过企业生产验证的路线。

对普通人的影响

对企业 IT：内部知识问答仍是最容易验证价值的场景，但采购或立项时应同时考察数据权限、评测集和引用溯源，不能只看回答演示。

对个人职场：转岗者可把原有业务经验与 AI 结合，用可量化的小项目证明能力；简历表述也应写清指标和改进过程，而不只是列出模型与框架名称。

对消费市场：带资料依据回答的产品会逐步进入办公与客服场景，消费者需要留意它是否会标出引用，以及答案错误时能否被追溯和纠正。