一、引言
2025 年 12 月，我在 KMS 项目上写了一个 Ant Design 的表单页面——3 个日期选择器、5 个下拉框、一个复杂的联动校验。写完以后我盯着代码看了 30 秒，意识到一个事实：这种代码我写了三年，AI 10 秒就能生成，而且不会漏掉disabledDate的边界条件。
从那天起，我开始认真思考一件事：一个 3 年经验的前端开发，在 AI 时代应该往哪个方向走？
半年后回头看，我的转型路径可以总结为四个阶段。这篇文章是这四个阶段的完整复盘——包括每个阶段的时间投入、学习资源、实际产出和踩过的坑。
二、转型前的自我诊断
决定转型前，我先做了一个自我技能盘点：
| 技能 | 水平 | AI 替代风险 |
|---|---|---|
| React 组件开发 | 熟练 | 🔴 高 |
| TypeScript / 类型体操 | 熟练 | 🟡 中 |
| MobX 状态管理 | 熟练 | 🟡 中 |
| Ant Design 定制 | 熟练 | 🔴 高 |
| 前端工程化（Lerna/CI/CD） | 熟悉 | 🟢 低 |
| 系统架构设计 | 熟悉 | 🟢 低 |
| LLM / RAG / Agent | 入门 | 🟢 低（这是新赛道） |
结论很清楚：我"熟练"的 UI 层技能 AI 替代风险最高，"熟悉"的架构和工程化能力 AI 反而难以替代。
转型方向不是放弃前端，而是从"写 UI"升级到"设计系统 + 编排 AI 工作流"。
三、Phase 1：RAG + Agent 基础（2 个月）
时间投入
- 时间：2025 年 12 月 - 2026 年 1 月
- 学习：每周 10-12 小时（晚间 + 周末）
- 实践：在 KMS 项目上搭建 RAG 原型
学习路径
第一步：理解 LLM 基础
先把这些概念真正搞懂（不只是"听说过"）：
- Token 和 Token 计数
- Prompt Engineering 的核心技巧
- Embedding 是什么、为什么能代表语义
- Temperature、Top-P、Top-K 的区别
推荐资源：
- Anthropic 官方 Prompt Engineering Guide
- LangChain 官方文档的概念章节
- 《Building LLM Apps》by Hamel Husain
第二步：RAG 实战
在 KMS 知识库上搭建端到端的 RAG 系统：
- 文档解析 → Chunking → Embedding → 向量存储 → 检索 → 生成
- 产出：[《RAG 从入门到落地》](已在 CSDN 发布)
第三步：Agent 概念
理解 Agent 的核心循环：
Thought（思考）→ Action（行动）→ Observation（观察）→ Thought（思考）→ ...关键认知：Agent 和传统"if-else 自动化"的本质区别是，Agent自己决定下一步做什么，不是被预定义的流程图驱动。
产出
- 1 篇 CSDN 技术文章（RAG）
- KMS RAG 原型系统（PGVector + 混合检索）
- 理解了 5 个核心概念：Embedding、Vector Search、RAG、Agent Loop、Tool Use
四、Phase 2：AI 平台实战（1.5 个月）
时间投入
- 时间：2026 年 2 月 - 2026 年 3 月中旬
- 学习：每周 8-10 小时
- 重点：Dify、FastGPT、RAGFlow 三个平台的横向对比
为什么学平台？
自己写过 RAG 原型后，再看 AI 平台的设计，会有完全不同的理解。你会发现这些平台本质上在解决什么问题：
| 平台解决的问题 | 自己写的痛点 |
|---|---|
| 可视化的知识库管理 | 手动管理文档和 Chunk 配置 |
| 拖拽式工作流编排 | 硬编码的 Agent 逻辑 |
| 内置的 Prompt 调试工具 | Print 大法调试 Prompt |
| 一键部署和监控 | 手动配 Docker + Nginx |
三个平台的横向对比
| 维度 | Dify | FastGPT | RAGFlow |
|---|---|---|---|
| 上手难度 | ⭐⭐ | ⭐ | ⭐⭐⭐ |
| 工作流能力 | 强（可视化编排） | 中等 | 强（复杂流程） |
| RAG 能力 | 好用的知识库 | 开箱即用 | 深度 Chunk 解析 |
| 适合场景 | 快速搭建应用 | 轻量知识库问答 | 企业级复杂场景 |
| 社区活跃度 | 高 | 高 | 中（增长快） |
最大收获
不是学会了某个平台的操作，而是理解了"AI 应用工程化"需要解决哪些问题：
- 知识库版本管理
- Prompt 版本迭代和 A/B 测试
- 用户反馈闭环
- Token 成本监控
这些认知直接指导了后续 Phase 4 的"自己搭"。
五、Phase 3：Claude Code 深度使用（1.5 个月）
时间投入
- 时间：2026 年 3 月中旬 - 2026 年 4 月
- 每天在工作中深度使用 Claude Code
- 从"把它当 Copilot"到"把它当副驾驶"
关键转折点
Phase 3 是我认知变化最大的阶段。有三个关键转折：
转折一：从"AI 写代码"到"AI 管流程"
前两个月我主要在让 AI 写代码。Phase 3 我发现 AI 更大的价值在于管理整个开发流程：
- Skill 体系固化重复性工作上下文
- Memory 机制跨会话记住项目信息
- Agent 并行处理多模块任务
产出：《金融科技 AI 辅助开发得与失》、《Claude Code Skills 体系搭建》
转折二：从"害怕 AI 替代我"到"主动用 AI 替代我的低价值工作"
我花了两周统计自己的工作时间分配：
| 工作类型 | 占比 | AI 替代可行性 |
|---|---|---|
| 写 boilerplate / 重复组件 | 35% | ✅ 完全可以 |
| 调试 / 问题排查 | 20% | ⚠️ 人机协作 |
| 需求沟通 / 技术方案 | 25% | ❌ 需要人 |
| Code Review | 10% | ⚠️ AI 辅助 |
| 学习 / 探索 | 10% | ❌ 需要人 |
数据一出来我就释然了：AI 替代的是我工作中最无聊、最没成长的 35%，而我最喜欢的"设计方案"和"学习探索"完全不受影响。
转折三：从"多写代码"到"多写 Spec"
使用 AI 辅助开发后，我写代码的时间减少了，但写 Spec（规格说明）的时间增加了。因为 AI 需要清晰的需求描述才能产出准确的代码。
这个转变意外地提升了我的系统设计能力——当你需要把需求描述到 AI 都能理解的程度，你自己必须先想得非常清楚。
产出
- 4 篇 CSDN 技术文章
- 7 个项目的 Skill 体系
- 一套多 Agent 并行工作流
- 对"AI + 软件工程"的完整认知框架
六、Phase 4：自己搭（进行中）
这就是我现在所处的阶段。计划 2026 年 5 月 - 7 月完成。
目标
- 用 LangChain/LlamaIndex 从零搭建一个完整的 RAG + Agent 应用
- 自己实现 MCP Server，连接 KMS 业务系统
- 探索多 Agent 协作框架（CrewAI / AutoGen）
为什么"自己搭"很重要？
用平台（Dify/FastGPT）能快速出产品，但会屏蔽底层细节。当你遇到平台不支持的需求时，不理解底层就无法突破。
只有"自己搭过一遍"，才能真正理解：
- Chunking 策略为什么影响检索精度
- 向量索引的 ANN 算法选择
- Agent 的 Memory 管理怎么做
- 多 Agent 协作的消息传递协议
这些是"用平台"学不到的。
七、给同为前端开发者的转型建议
1. 不要焦虑"前端已死"
前端没有死，但"纯写 UI 的前端"确实在式微。机会在于：用前端工程化能力 + AI 知识，做"AI 应用的前端基础设施"。
AI 应用的 UI 层和传统 Web 的 UI 层有本质区别：
- 流式输出的渲染（streaming UI）
- Agent 工作流的可视化编排
- Tool Use 的中间步骤展示
- Token 预算和成本的实时监控
这些都需要懂前端的人来设计和实现。
2. 从"自己能做的最小项目"开始
不要一上来就学 Transformer 原理。找一个你每天都在用的工具，想想能不能用 AI 优化它的某个环节。我的起点就是"KMS 搜索不够好用"这个具体痛点。
3. 输出倒逼输入
每学完一个阶段，写一篇文章。不是"学完了再写"，而是"写的过程逼你学得更深"。我 Phase 1 写 RAG 文章时，因为要给读者可运行的代码，逼着自己把 Chunking 的三种策略都实测了一遍——如果只是"学"，我可能只看看文档就过去了。
4. 保持前端底色
AI 转型不等于放弃前端。我的竞争力恰恰在于：“既懂 React/MobX/工程化，又懂 RAG/Agent/MCP”。这种组合技能在市场上比纯前端或纯 AI 工程师更稀缺。
八、总结
回头看这半年，最大的变化不是技术栈，而是思维模式：
| 之前 | 之后 |
|---|---|
| “这个组件怎么写” | “这个组件还需要写吗？能让 AI 生成吗？” |
| “我在写代码” | “我在设计系统，AI 在写代码” |
| “学完这个框架就稳了” | “框架会变，但系统设计和 AI 编排能力不会” |
| “前端 / 后端 / AI 是不同岗位” | “全栈不只是前端+后端，更是代码+AI+产品” |
如果你也是 3-5 年经验的前端，正在考虑 AI 转型方向，我的建议只有一句话：别等"准备好了"再开始。找一个你每天都用的工具，用 AI 优化它的一个环节，然后写一篇文章记录下来。这就是 Phase 1，而 Phase 1 是最重要的一步。
这篇文章是我半年 AI 转型的真实复盘。如果你也在转型路上，欢迎交流——这条路我还在走，希望明年的复盘能有更多东西分享。
