FDE、AI 产品经理、AI 工程师:普通人吃到 AI 红利的三条路

对 AI 感兴趣，可以拍：（1元）

误解一求职者视角的 AI 很难学；

误解二是企业视角的 AI 很好做；

一个共识是，在学员有明确诉求的情况下，学习效果会好很多，其中尤以要找工作为佳。

先说为什么求职者会觉得 AI 很难学？

AI 很难学？

因为现在 AI 变化太快了，就单单说 Agent 这个品类，就各种花样百出，一会提示词工程、一会上下文工程、一会 MCP、一会又 Skills、紧接着上下文工程也不行了，要 Harness、结果 Harness 还没到半年又出了个什么 Agent Loop......

整个真的是烦都烦死了！

但其实如果你从工程角度去看，就不会觉得多也不会觉得难了，比如现在的 CodeX、Claude Code、WorkBuddy、钉钉悟空、字节 Aily、Coze3.0、OpenClaw、Hermes...

他们看上去好像是不同的东西，却是一个大的品类，基本框架类似，局部实现各有不同罢了：

很多人觉得难，往往是方向不对：他们要么在追热点、要么在碎片化学习，没有一套自己的 AI 知识框架和学习全景路线图。

常见的案例是：会写几句提示词、会做个简单知识库、看过几个 Agent 视频、会搭个 Coze、会配个 Dify、听说过 MCP、A2A、Skills，然后就觉得自己已经在 AI 圈边缘了。

但他们可能连为什么数据在 AI 应用场景这么重要，什么是数据工程都不了解。

更进一步，他们当然也不知道为什么会出现 Agent，它适合什么场景，或者说有几个类型的 Agent。

这里说个笑话，最近看到的最滑稽的场面就是，一个同学一直在用 AI 和我们讨论问题，这并不会显得他很懂，只会显得他很业余。

而所有的这一切都是因为没有经过系统性学习，没有打开 AI 全景图所致。

AI 项目很好做？

然后就是企业视角的 AI 项目很好做，有这种想法的企业往往都付出了不低的试错成本。

依旧是那个经典的案例：

后面这个老板辗转找到我，原来他们找的技术团队没有大型 AI 项目的经验，之前是用 AI Coding 很快地做了个知识库。

这个老板会选择他们，好像是因为包装宣传做得好，之前给他展示了一些 Demo，比如一键生成 1000 份文章、10 分钟做完一个网站。

这些案例看上去都很爆炸，给该老板震撼到了，至于具体内容，他没细看，但这种团队能做得好就奇了......

我相信这个 Case 已经可以足够展示当前 AI 项目与 AI Demo 之间的差异性以及迷惑性了。

这里其实是不能怪这个老板、也不能去更多的苛求用人单位的。

因为AI技术这个东西确实挺令人迷惑的，AI项目就是写个提示词，这不有手就行？毕竟：AI 技术非常简单，简单到就是模型 API 的调用，几乎是个互联网人就行。

但 AI 项目又极其复杂，他要求关键人具有复合型能力，包括业务 KnowHow、模型能力边界认知、强大的工程能力。

而就是因为AI技术好像很简单，一个人一个月就能出 demo，会让人觉得 AI 项目成本很低；但当他们实际遇到模型幻觉、对话生硬、答非所问等问题时，又总是束手无策。

在我过往咨询的企业里面，几乎所有的老板都会经历AI的四个认知：

1. AI 什么都能做；
2. AI 什么都不能做；
3. 这个 AI 可以做；
4. 为什么这个不能 AI 做；

所以，这两个误解一叠加，中间就是一个巨大的信息差：求职者觉得难不敢入场，企业觉得容易分不清好坏。

但真实情况恰恰相反：AI 行业进入门槛很高，但 Demo 门槛却很低。这里的意思是：

现阶段 AI 行业的信息差极大、鱼目混珠，企业其实也不太懂，所以在招聘侧会有很大的走展空间。

也就是说，现阶段进入 AI 行业这件事有红利！

那怎么吃到这个红利？机会到底在哪些岗位上呢？

三大 AI 原生红利岗位

这两年整个行业人才结构正在发生结构性转移。企业逐渐在避免为旧岗位、旧流程、低效率付钱；愿意为 AI 提效、AI 产品、AI 应用、AI 工作流付钱。

据《2025 年人工智能产业人才发展报告》显示，AI 行业招聘职位数同比增长 11%，AI 产品经理需求增长 178%。

Google等大公司 近两年多次对非核心团队做组织调整和裁员，整体背景是把公司资源进一步集中到 AI 相关战略上：

所以，程序员中年危机的解法在哪、新岗位的机会在哪，大家一定要心里有数。这里再给大家分享一组数据：

之前我帮某公司招聘 AI 人才，从招聘网站上筛 1000 份简历，去除最基本的元素后筛选出来的 10 个候选人，连 Coze、Dify、多维表格都没玩明白。这种怎么可能找到AI相关工作呢？

所以机会是真有，但合格的人是真少。具体来说，有三个岗位需求很大：

第一个是 AI 应用开发工程师，也叫 AI 全栈工程师

大家要注意，以后大概是不再区分前后端和架构师等岗位；也不区分 Java、PHP、JS 等语言了。

这里还是强调下，上述观点是我做企业 AI 原生咨询拿到的信息，岗位融合是一个趋势，但这只是我的观点，他未必一定是现实。

而这里岗位融合后形成的 AI 全栈工程师看起来工作变轻松了，只需要通过 AI Coding 去输出代码就好；

其实这里对每个人的能力要求多了太多，其中跨端是最基础的要求，在跨端的基础下还得熟悉每一类 AI 项目是如何开发的：

总而言之：在 AI Coding 的帮助下，事情变多了，要学的东西也变多了，整个人变累了...

第二个是 AI 解决方案架构师、AI 前端部署工程师，也叫 FDE

这个岗位重要度很高，因为他需要去到企业现场，跟目标客户一起跑出业务结果。

他的垂直技术难度未必有 AI 全栈工程师高，但复杂度却不低。他需要很强的沟通能力、也需要很全面的知识，因为他最重要的工作是把客户混乱的业务、数据、流程组织成可执行方案。

意思是什么呢？意思是这个岗位很重要，并且当前实际给出来的工资也很高。

另一方面，现阶段这个岗位多半由之前的售前、交付经理、项目经理、能力差的产品经理等偏沟通能力较强的角色转型过去。

但这批同学的专业能力、学习意愿大家懂的都懂，肯定是不行的。所以当前这个岗位的需求是很大的，也是各位不错的机会点。这里大家甚至可以从组织的角度去看这个岗位的定位：

第三个是 AI 产品经理

产品经理角色无论何时都是需要的。

但之前研发的主要工作是写代码，现在的主要工作是写提示词、做 Skills。

所以整个 AI 产品经理有两个发展趋势：要么把程序员的活一起干了；要么发挥自己信息量大的优点，把整体的项目管理工作抓起来。总而言之，工作内容肯定是越来越多了。

最后就是算法岗位，这东西门槛较高、岗位少，普通人就不要去看热闹了。AI 的机会，更多在业务落地和 AI 应用工程。

红利标准：超越 80% 的人

那具体该怎么学？如何超越 80% 的普通人，一举拿下这波 AI 红利？这里有一个很实用的框架：

竞争力 = 专业能力 × AI 工具 × 项目作品 × 知识表达

先说专业能力。这里的专业能力就是行业 KnowHow，这个跟技术无关，跟你所处行业有关，比如：医疗行业的医生问诊流程、法律行业的律师断案流程、HR行业的整体招聘流程。

企业需要能把 AI 嵌进真实业务流程的人，过程中会出现很多糟心事需要搞定。

再说 AI 工具。大家最常用到、又有点门槛的无非是：

1. AI Coding 相关，如 CodeX、Claude Code、Trae；
2. 低代码平台相关，如 Coze、Dify、AI 表格；
3. AIGC 类工具，如AI漫剧、AI PPT；
4. Office Agent，比如 WorkBuddy、钉钉悟空；

而 现阶段 AI Coding 已经不是加分项，而是必选项了。比如我们一个律师小姐姐不仅学会了 AI Coding，还去给公司给其他律师培训了，还做出了自己的网站。

从这些案例大家就可以看出来，所谓的 AI 工具层，其实也不难，难的话也不会普及了...

然后是项目作品，这个就更不用担心了。

由于现在很多项目的实际壁垒在大模型侧，多数公司是分不清生产级 AI 项目和 Demo 的区别的，现阶段在 AI 项目作品这里是极其容易鱼目混珠的。

这可能也是这两年最大的红利期：AI 项目经历可以包装，并且企业没有识别能力！

最后是知识表达。因为 AI 项目的非对称性，多数人之间关于 AI 的差距并不大。

当前行业里及格线以上的人不占 10%，所以大家的知识表达只要成体系一点，就很容易在 90% 的人里面脱颖而出...

所以，普通人现在最应该做的，不是焦虑，也不是盲目追热点，而是尽快补齐这四件事，开始寻求建立 AI 知识框架：

用原来的行业经验做专业能力，用主流 AI 工具提升交付能力，用项目作品证明自己能干活，用知识表达证明自己真懂

只要这四件事稍微成体系一点，就已经超过大量 AI 求职者了。

结语

到这里貌似文章比较完整了，这好像是我最近写得最短的一篇文章...

有一定的基础的同学，完全可以根据之前的思路自主去学习；如果想加速的朋友也可以找我们，毕竟我们除了提供全局的视野以为，还会提供一些大家自己没有的资源。

我们训练营想做的，是帮大家更快完成这件事：帮大家打开全景图，更清晰的知道工作中实际用什么、怎么学。

这里也顺便送个小福利吧，我们最新一期在 6 月 29 日开启，现在大家购买这个小东西，可以赠送一些额外礼物哦：

最后，如果你正在考虑 AI 应用工程师、AI 产品经理、FDE 这些方向，或者正在公司里参与 AI 项目，但总觉得学得无所适从，可以来聊聊。