软件工程师 → AI Agent 工程师 (通用转岗模板)
12 周路径：1-4 周补 LLM 调用 + Agent 框架 + RAG，5-8 周做 1 个能上线的 Agent + RAG 项目，9-12 周投国内大模型公司 / 互联网大厂 AI 团队。这条线 ROI 最高 — 国内 1538 岗位最热 + 软件工程师转 AI 跨度最小。
软件工程师 → AI Agent 工程师 通用转岗模板
这一篇是 Lv3 转岗系列里最通用的一篇 — 不针对某个传统职业，而是给「已经会写代码的软件工程师 / 全栈 / 后端 / 前端 / 数据工程师」一个加 AI 技能转 AI Agent 工程师的标准路径。
为什么这条线 ROI 最高：
- 国内 AI Agent 工程师岗位数 1538 条，AI 岗里数量最多
- 中位月薪 32.5k，比传统后端 / 全栈高 30-50%
- 软件工程师 → AI Agent 工程师跨度最小，不像「会计 → 量化研究员」那种 18 个月起步
- 12 周扎实做完可以拿到 offer
总览：12 周路径
第 1-4 周：补 LLM 调用 + Prompt 工程 + RAG 基础
第 5-8 周：做 1 个能上线的 Agent + RAG 项目
第 9-12 周：投国内大模型公司 / 互联网大厂 AI 团队 / Vendor 国内 BD
不需要辞职，工作日晚上 + 周末 8-10h / 周，总投入约 100h。
第 1-4 周：补技术底子
软件工程师面试 AI Agent 工程师最大的优势是「真会写代码 + 工程经验」，最大的劣势是「没用过 LLM / 没做过 RAG / 没读过 Agent 框架源码」。这 4 周补这个差距。
Week 1：LLM 调用 + Prompt 工程
任选 1 个 LLM 平台（国内推荐 OpenRouter / 智谱 GLM，海外推荐 OpenAI / Anthropic）：
- 装 SDK：
openai/anthropic/zhipuai - 跑通最基础的 chat completion call
- 学 Prompt 工程：System prompt / Few-shot / Chain-of-Thought / Self-Consistency
- 学 Function Calling / Tool Use
- 跑通流式输出（streaming）+ JSON 模式
目标：能用 100 行代码写出一个「带工具调用 + 流式输出 + JSON 解析」的 LLM 程序。
Week 2：RAG 全链路
RAG（Retrieval-Augmented Generation）是 AI Agent 工程师的核心技能。学这些：
- Embedding：text-embedding-3 / bge-m3 / m3e — 选 1 个用熟
- 向量数据库：Pinecone / Weaviate / Chroma / Milvus — 用 Chroma 本地起步
- Chunking 策略：固定长度 / 语义分块 / RecursiveCharacterTextSplitter
- Retrieval：top_k / MMR / Hybrid search（BM25 + 向量）
- Reranking：Cohere Rerank / BGE Reranker
目标：能用 LangChain / LlamaIndex 把一个文档集（哪怕是 PDF 用户手册）做成可问答的 RAG 系统。
Week 3：Agent 框架
任选 1 个框架（不要全学）：
| 框架 | 特点 | 推荐场景 |
|---|---|---|
| LangChain / LangGraph | 生态最全但 API 变化快 | 通用学习 + 海外公司 |
| AutoGen | 多 Agent 协作强 | 复杂工作流 |
| CrewAI | 简单易上手 | 快速原型 |
| Semantic Kernel | 微软系，企业级 | C# / .NET 背景 |
| Coze / Dify（no-code） | 可视化拖拽 | 不写代码的 PoC |
目标：能用所选框架做一个 multi-agent 工作流（比如「研究员 + 写作员 + 评审员」三 Agent 协作产出研究报告）。
Week 4：补 Eval + 评测
这一关是 AI Agent 工程师和「只会调 API 的人」的分水岭：
- 学 LangSmith / Phoenix / Weights & Biases Traces 任选 1 个做 Agent observability
- 学 RAGAS / LangChain Evaluator 做 RAG 评测
- 学 prompt 回归测试（pytest + LLM-as-judge）
目标：能讲清楚「这个 Agent 在 100 条测试 case 上 success rate 87%，错的 13 条主要是 XX 类型」。
第 5-8 周：做 1 个能上线的项目
Week 5：选场景 + 准备数据
3 个推荐场景（选 1 个，和你目标客户行业越接近越好）：
| 场景 | 难度 | 简历价值 |
|---|---|---|
| 代码助手 Agent（结合你公司代码库的 RAG + 工具调用） | 中 | ⭐⭐⭐⭐⭐ |
| 客服 Agent（结合公司 FAQ + 工单系统集成 + RAG） | 中 | ⭐⭐⭐⭐ |
| 法律 / 医疗 / 金融知识库问答（RAG + reranking + 评测） | 中 | ⭐⭐⭐⭐ |
| 多 Agent 投研工作流（研究 + 写作 + 评审） | 高 | ⭐⭐⭐⭐⭐ |
核心：选一个你现在的工作 / 行业 / 公司能用上的场景，真实 deploy 给同事用。
Week 6-7：做实施 + 实际部署
完整 5 步：
- MVP（Week 6 前半周）：用最少代码跑通 happy path
- 数据准备：清洗 + chunking + 写入向量数据库
- 评测集：50-100 条测试 case（手写 + GPT-4 生成）
- 迭代：根据评测结果调 prompt + 调 retrieval 参数 + 加 tool / agent
- 部署：FastAPI + Docker → 内部服务器或者 Vercel / Railway / Fly.io
Week 8：写成项目案例 + GitHub
包含：
- 解决的问题（业务背景 + 当前痛点）
- 系统架构图（画清楚 Agent + Tool + RAG + Eval 四块）
- 评测结果（success rate + 错误样本分析）
- 反思：哪些 corner case 模型搞不定、为什么、下一版怎么改
这是面试核心 deliverable + 代码作品，比简历值钱 10 倍。配 1 个 demo 视频效果更好。
第 9-12 周：投简历 + 面试
Week 9：改简历
把原来的「N 年后端 / 全栈 / 数据工程师」升级成「N 年工程经验 + AI Agent 工程师 + 1 个真实上线项目」。
- 工程经历保留，但用「LLM 应用 / Agent 编排 / RAG 检索」这种 AI 工程语言重写
- AI side project 单独一段，附 GitHub + 架构图 + 评测数据
- 关键技能 list：LLM API / LangChain / RAG / Vector DB / Prompt Engineering / Eval
Week 10-11：投这 4 类公司（按 priority）
| 优先级 | 公司类型 | 推荐岗位 |
|---|---|---|
| ⭐⭐⭐ | 国内大模型创业公司 | 智谱 AI / MiniMax / Moonshot / 百川 / DeepSeek / 月之暗面 → AI Agent 工程师、LLM 应用工程师 |
| ⭐⭐⭐ | 互联网大厂 AI 团队 | 字节跳动（豆包 + Coze + AI Lab）、腾讯（混元 + AILab + 元宝）、阿里（通义 + 1688 AI）、百度（文心 + Comate）、美团（智能客服）→ AI 应用工程师 |
| ⭐⭐ | 海外公司中国团队 | OpenAI / Anthropic / Cohere / Mistral / Hugging Face → AI Engineer（英语 + 算法基础是要求） |
| ⭐ | AI 创业公司 | Coze / Dify / 飞书 AI / 钉钉 AI / 知乎直答 / 月之暗面 Kimi → AI Engineer / 全栈 AI Engineer |
Week 12：面试 + 谈 offer
面试常见问题：
- 「给你一个场景，怎么设计 Agent + RAG」（最高频）→ 用你的项目架构图回答
- 「为什么用 LangChain 不用其他」→ 讲框架对比 + 评测体系
- 「RAG 答非所问怎么 debug」→ 讲 chunking → embedding → retrieval → reranking 四个排查层
- 「写一段代码：用 OpenAI API 实现 function calling」→ 当场写，这是面试基本盘
- 「你跑过的模型评测怎么做的」→ 用你的评测集 + LLM-as-judge 回答
谈薪：软件工程师 → AI Agent 工程师起薪范围：
- 国内大模型公司：25-50k（3 年经验起），senior 能到 60-100k
- 互联网大厂 AI 团队：30-60k（强工程背景），senior 70-120k
- 海外公司中国团队：50-100k+（英语 + 强工程基础）
不要犯的 3 个错
1. 不要把 4 个 Agent 框架都学一遍。学 1 个用透 >> 学 4 个都浅。LangChain / AutoGen / CrewAI 学一个就够，面试官只问你最熟的那个。
2. 不要做「玩具 demo」就停。简历上「我做过 ChatPDF」这种 demo 项目，已经被简历筛掉的标志。要做能上线 + 有真实用户 + 有评测数据的项目。
3. 不要去学训模型 / 写 attention。AI Agent 工程师不需要会训模型。这条线和 算法工程师 是平行线。手撕 Transformer 是浪费 60% 时间。
12 周后你应该长什么样
- LLM 调用 + Prompt 工程 + RAG + Agent 框架熟练
- 1 个 GitHub 上 + 真实上线的 Agent 项目（含架构图 + 评测）
- 一份项目案例报告（含 success rate + 错误样本分析）
- 改造后的简历 + 求职信
- 投了 20-40 家公司 + 拿到 8-12 个面试 + 3-6 个 offer
核心是 100h 时间 + 你已有的工程基础。这条路 95% 的软件工程师能成。
长期成长方向
- 第 1 年：在大模型公司 / 大厂 AI 团队做 AI Agent 工程师，跑 3-5 个真实业务 case
- 第 2-3 年：升 senior，主导 AI 平台 / 框架建设
- 第 3-5 年：AI Tech Lead / Staff Engineer → 月薪 60-120k 可达
- 海外路径：英语过硬 + 强项目 → 投 OpenAI / Anthropic / Mistral 海外岗 — 起薪 $250-450k
各路线的对比（这条线 vs 其他 Lv3）
| Lv3 路径 | 难度 | ROI（薪资 / 投入时间） | 12 周成功率 |
|---|---|---|---|
| 软件工程师 → AI Agent 工程师（本篇） | 中低 | ⭐⭐⭐⭐⭐ | 95% |
| 销售 → AI 销售 | 低 | ⭐⭐⭐⭐⭐ | 90% |
| 教师 → AI 教育 PM | 低 | ⭐⭐⭐⭐ | 85% |
| 机械 → 自动驾驶 | 中 | ⭐⭐⭐⭐ | 75% |
| 电气 → 智能制造 / 自动驾驶 | 中 | ⭐⭐⭐⭐ | 70% |
| 会计 → AI Finance | 中 | ⭐⭐⭐ | 70% |
| 金融 → 量化研究员 | 极高 | ⭐⭐⭐⭐⭐（顶薪但难） | 30%（12 周拿不到顶级量化 offer，需 6-12 个月） |
下一步
- 想看 AI Agent 工程师完整数据（薪资分位 / 头部公司 / 高频技能）→ 国内 AI 工程师角色页
- 想看海外 SDE（英语 + 海外路径）→ 海外 SDE 角色页
- 想看算法工程师的平行线（造模型 vs 用模型）→ 算法工程师 Lv2 篇