从CURD工程师到大模型架构师：我的转行之路与心得

开源项目地址：github.com/adongwanai/AgentGuide

作为曾经的CURD boy，我在2022年底接触GPT后，便坚定了转行大模型领域的决心。从后端开发到大模型架构师，这三年多的转型之路，充满挑战却也收获满满。

转行历程：一步一个脚印的进阶

2023年，我正式踏入大模型应用领域，开始承接智能客服、数字人相关项目，同时为企业提供模型微调服务，在实践中积累核心技术经验；2024年聚焦技术深耕，不仅发表了相关论文，年底更是开启高强度的项目攻坚与面试准备，凭借丰富的实践经历，面试时轻车熟路，期间也一直担任面试官，深入理解行业招聘需求；2025年，成功转型为大模型架构师，目前主要负责Agentic RAG、强化学习（RL）等核心方向的研发。

回顾这段历程，支撑我坚持下来的，除了对技术迭代的危机感和发自内心的兴趣，开源生态的助力至关重要！正是借助开源资源，复杂的算法得以通过可视化流程图变得清晰，晦涩的论文也能在社区讨论与代码复现中被逐一攻克。

转行核心心得：从理论到实践的落地指南

1. 别怕复杂，先把算法“画”出来

强烈推荐《100+ LLM/RL算法原理图》！当Transformer、DPO等复杂算法被拆解成一张张清晰的流程图时，那种豁然开朗的感觉至今难忘。对着流程图去“手撕”代码，能精准定位核心逻辑，效率远高于埋头啃论文。可视化的呈现方式，能帮我们快速建立对算法的整体认知，降低入门门槛。

2. 从经典出发，夯实核心基础

入门阶段不必追求前沿，经典论文是最好的导师。ReAct论文是我的入门起点，它让我彻底理解了Agent“思考-行动”的核心循环逻辑；而Self-RAG则带我摸清了Agentic RAG的精髓——如何让检索增强生成具备自我修正和迭代的能力。从经典理论切入，逐步搭建知识体系，后续学习前沿技术时会更得心应手。

3. 动手实操：理论落地的唯一路径

理论学得再扎实，不动手就是空中楼阁。转型期间，我逼着自己完成三项核心实操任务，彻底打通“理论-实践”链路：

• 手撕Multi-Head Attention模块，吃透Transformer的底层运行逻辑；

• 复现简易版ReAct Agent，实现从代码到可运行模型的突破；

• 独立开发完整的Agentic RAG项目，该项目后来成为简历中的核心亮点，面试时几乎每位面试官都会深入追问。

4. 借力开源：站在巨人的肩膀上成长

开源社区是转型路上的“加速器”：LangChain的源码让我学到了大模型工程化的优秀实践；AutoGen框架带我领略了多智能体协作的魅力；OpenRLHF则是我入门强化学习训练的绝佳引路人。善用开源资源，能少走90%的弯路。

实战项目：Agent“分层记忆大脑”设计

分享一个让我在面试中脱颖而出的核心项目，希望能给大家带来启发：

项目灵感

借鉴人类记忆机制，将Agent的记忆分为短期记忆（Working Memory）和长期记忆（Event Memory），解决传统Agent记忆存取效率低、冗余信息多的问题。

核心实现

设计分层记忆架构，通过自动总结、重要性评分和时间衰减三大核心机制，实现Agent对信息的高效存取与智能遗忘。

实际效果

信息有效保留率提升至92%，同时检索速度提升3倍，大幅优化Agent的交互响应效率。

写在最后

经常有同学问我“转行大模型难不难”，我的答案是：只要找对方法、坚持实操，就没有跨不过的门槛。目前我正将自己转型以来的所有积累——学习路线、踩坑笔记、论文解读、项目源码等全部开源，希望能为更多转行路上的同学提供助力。

开源项目地址：github.com/adongwanai/AgentGuide