我要认证
很多人认为，大模型、向量数据库、RAG等技术，是计算机科班或算法工程师的专属领域。但张志兵的职业经历证明，专业背景并不会决定一个人的技术边界，真正拉开差距的，是持续学习、主动实践，以及在关键阶段系统补齐能力的意愿。
张志兵大学就读的是体育教育专业。2017年毕业后，他跨专业进入IT行业，先后从事Java开发、技术方案设计、研发管理和项目交付工作。如今，他已经走到大模型应用项目的一线，参与知识库、向量检索与智能客服系统的落地。
从体育教育到软件研发，再从传统开发走向AI项目，他用了近十年时间，一步步完成自己的职业转型。
刚进入IT行业时，张志兵和很多跨专业学习者一样，没有科班背景，也没有天然的技术优势。但体育教育的学习经历，让他很早就理解了一件事：训练不会立刻看到结果，能力提升依靠的是正确方法、持续练习和不断突破。
进入亚信科技后，他用七年时间完成了从Java开发到技术方案及研发管理的转变。前四年，他更关注代码如何实现、功能如何完成；后面三年，随着岗位变化，他开始思考项目如何规划、技术架构如何设计、团队如何协同，以及怎样保证项目按时交付。
“以前关注的是怎么把代码写好，后来思考的是，我们怎样一起把问题解决好。”
这种变化看似只是职位的调整，实际上是一次思维方式的升级。他不再只做任务的执行者，而是逐渐成为方案的设计者、资源的协调者和项目结果的负责人。
在他看来，技术人员要尽量“两条腿走路”：既要懂技术，也要理解业务、项目和团队。尤其进入管理或方案岗位以后，仅掌握单一技术远远不够，还需要更广的技术视野，以及更强的沟通、规划和交付能力。
2024年10月，张志兵进入新的职业阶段，开始负责研发管理、技术方案设计和项目交付，并深度参与AI智能客服及知识库系统建设。
张志兵目前参与的知识库项目，主要面向中国移动全国一线话务坐席。在实际项目中，他接触到文本向量化、RAG检索增强生成、OCR识别、文本切块、模型精排、答案润色和信息抽取等技术。
这些技术名称听起来很专业，但真正的难点并不只是“把模型接进系统”。
张志兵认为，传统软件开发与大模型项目之间，一个明显区别是：传统开发更偏向确定性工程，而AI项目往往是一场概率性探索。
传统业务系统的输入、规则和输出通常比较明确，研发人员主要考虑如何稳定、高效地实现功能。但在大模型项目中，很多结果并不是非黑即白的。以RAG为例，系统不仅要完成文档切分、向量表示和语义检索，还要解决“找不全”“找不准”以及召回内容与用户问题不匹配等问题。
模型精排同样不能只看某一个指标，还要在准确率、响应速度、资源消耗和业务要求之间进行权衡。
更重要的是，过去做传统开发，研发人员往往更加关注代码逻辑；进入AI项目后，数据质量的重要性被明显放大。文本应该怎样切块，怎样保留上下文，向量化效果如何，错误案例如何归类，算法和数据应该怎样迭代，都会直接影响最终结果。
“算法很重要，但数据质量同样重要。”这是他进入AI项目一线后最直观的感受。
张志兵参与的项目有明确的合同验收指标：知识检索Top3准确率需要达到90%以上。
在团队共同努力下，这一指标最终艰难地达到要求。但正是这个过程，让他意识到，仅仅知道怎样调用模型和接口，并不足以支撑自己长期参与AI项目。
如果不理解完整的检索链路，就很难判断问题究竟出在文本切块、向量模型、召回策略、精排模型，还是原始数据质量上；如果不了解模型选型和评估方法，在与算法工程师讨论方案时，也很难真正参与到核心决策之中。
张志兵坦言，刚开始转向AI项目时，算法同事提到32B、70B等模型参数，他甚至不知道其中的“B”代表什么。项目中虽然已经调用文本向量化接口，但对于训练数据、向量维度、语义表征等概念，并没有形成系统理解。
这种“项目已经在做，但知识没有完全串起来”的状态，让他决定沉下心来，补齐大模型原理、算法基础和AI工程应用能力。
后来，他通过大模型搜索了解到CAIE注册人工智能工程师认证。经过对认证内容、学习体系和费用的比较，他最终选择报名学习。
吸引他的，不只是某一个知识点，而是CAIE能够帮助学习者把分散的概念、工具和实践经验串联起来，形成相对完整的AI知识体系。
回顾学习过程，张志兵认为，CAIE带给他的第一项改变，是帮助他完成了AI基础知识的系统“扫盲”。
通过学习，他逐渐理解了Embedding文本向量化、RNN、MoE混合专家模型、词向量、正则化、鲁棒性等概念。过去开会时听起来像“天书”的技术术语，开始能够与实际项目对应起来。
这种变化并不是为了记住更多名词，而是为了能够听懂算法工程师在讨论什么，理解不同方案之间的差异，并在项目会议中真正参与判断。
第二项改变体现在提示词设计上。
过去做文本抽取时，他使用的提示词往往只有一句：“请从下面的文本中，按照JSON模板抽取内容。”这种写法虽然可以运行，但模型输出的稳定性、完整性和格式一致性并不理想。
经过系统学习后，他开始理解系统指令、用户指令、输出要求、约束条件、示例和结构化表达的作用，也知道应该怎样通过更完整的提示词降低模型误解任务的概率。这些方法被应用到项目中的文本抽取、答案生成和内容润色环节后，模型输出质量有了更加清晰的改进方向。
第三项改变，是能够用更系统的方式审视RAG项目。
以前遇到检索效果不佳，团队可能更多依靠经验逐项尝试；系统学习之后，他开始从数据处理、文本切块、向量模型、召回、精排、生成和评估等环节分析问题。CAIE相关知识帮助他建立了一套更清晰的优化思路，也为项目Top3召回准确率的提升提供了参考。
对张志兵而言，CAIE的价值不是替代项目经验，而是把已有的实战经历重新整理成体系，让他知道自己在做什么、为什么这样做，以及下一步可以怎样优化。
张志兵并不是在完全没有接触过AI的情况下开始学习。恰恰相反，他已经参与真实项目，也有多年开发、方案和研发管理经验。
但他认为，实战经验丰富，并不意味着不需要系统学习。有时项目经验越多，越容易发现自己的知识边界：会使用某个工具，不等于理解背后的原理；完成一次项目交付，也不代表能够独立分析所有问题。
对于正在从传统开发转向AI研发、AI方案或大模型应用的技术人员，他给出了三点建议。
第一，每天固定留出一段学习时间。可以是半小时，也可以是一到两个小时，重要的不是某一天学了多久，而是保持持续输入，跟上技术变化。
第二，尽早选择适合自己的系统学习路径。无论目前是否已经参与大模型项目，都不要等到工作完全需要时才开始准备。学习平台可以根据自己的经济条件、时间安排和能力基础选择，关键是知识结构要完整，并且能够与实际任务结合。
第三，做一个有责任心的技术人。项目交付不仅依赖技术能力，也依赖沟通、协作、判断和担当。开发人员可以适当理解项目管理，管理人员也不能完全脱离技术，只有“两条腿走路”，职业道路才会更加稳定。
在备考方法上，张志兵的经验很朴素：先阅读学习资料，再看课程视频，通过练习题检验理解，并把核心知识整理成自己的笔记。更重要的是，不要拖延，要提前规划时间，按照节奏持续完成每天的学习任务。
从体育教育专业毕业，到进入IT行业；从Java开发，到技术方案和研发管理；再从传统软件项目走向大模型、向量数据库和智能知识库，张志兵的成长路径并不是一次突然完成的转型，而是由一次次主动学习和真实项目积累起来的。
他的经历也提醒很多传统IT从业者：进入AI领域，不一定要推翻过去重新开始。原有的开发经验、业务理解和项目能力依然有价值，真正需要做的，是在已有基础上补齐大模型、数据、算法和AI工程应用能力，形成新的能力组合。
采访最后，张志兵把自己的感受总结为一句话：
“每一项技术都值得系统学习。当你意识到需要学习时，现在就是最早的时候。立刻行动，坚持下去，明年的你一定会感谢现在的自己。”
专业背景或许决定了一个人的起点，但不会决定终点。对希望跨专业进入AI领域，或者从传统IT转向AI研发、技术方案与项目落地的人来说，与其反复担心自己是否来得及，不如先完成一次系统学习，再通过真实任务把知识变成能力。
CAIE人工智能工程师认证所提供的，正是这样一条从知识理解、工具应用到场景实践的系统学习路径。它不能替代长期积累，却可以帮助学习者减少零散摸索，更快看清自己的知识缺口，并在AI技术快速变化的阶段建立一套能够继续生长的能力体系。
