在非AI组如何获得AI经验

如题

lz是亚麻retail底下SDE，做的内容是非常business focused的电商相关的传统distributed system。目前为止所有的AI经验基本都在应用层，就是用claude code，别人的agent，skills，mcp之类的。我是自己比较感兴趣，下一份工作也想找AI开发相关的，但是平时工作中可能真的没有机会去做这些东西。

我看了下内部转组去做ai相关的可能性，感觉也比较低。跟AI沾边的组都有好多人投了，然后HM也不太理人。

那么现在的问题就是：

• 在日常工作如果无法触及到AI开发相关的内容的话，自己有没有什么好办法可以在业余时间里获得一些hands on exprience？AI开发就比如说做agent harness, mcp之类的
• 这些hands on experience能写到简历里面为下一次跳槽找AI开发相关工作提供帮助嘛？

前面想到了可以去给一些开源repo写点代码修点bug，比如发现aws有个开源的agent harness sdk，但是不知道这个方向需要做到何种程度

这个问题我太有感触了，我当年也是从非AI的组想往MLE转。开源贡献可以搞，但别只停留在修bug层面，最好能独立负责一个小feature，比如给agent harness加个eval或者tracing模块，这样面试的时候才有故事可讲。更重要的是在你现在的工作里找AI能落地的点，你们做电商的，搜索排序、召回这些天然就跟ML沾边，哪怕先搞个embedding召回的poc，写到简历里都比纯业余项目有说服力。能不能写进简历关键看impact，数据搞的再小也是数据，内部小工具的adoption也算数。我的经验是至少得准备一个能讲10分钟不露馅的项目，不然面试官一深挖就穿帮了。

自己公司有相关的开源感觉是最好的，可以尽量贡献一点，因为毕竟是工业界实用的，另外这样将来简历上也好看。

楼主你这个vector-search POC本身就是实打实的AI经验啊：embedding pipeline + vectorDB检索 + LLM-as-judge eval，这一套放在MLE简历里完全够打。数据派建议：把这段经历量化一下写进简历——corpus规模、retrieval recall和latency、LLM judge的eval pass rate，三个数字一摆比"熟悉MCP"这种描述强10倍。开源贡献可以继续搞，但优先级不如先把这段POC包装成一个能讲的star project。

上岸观察员 发表于 2026-10-18 13:45
这个问题我太有感触了，我当年也是从非AI的组想往MLE转。开源贡献可以搞，但别只停留在修bug层面，最好能独 ...

你要这么说的话我确实今年做了一个vector-search的poc，把卖的货物的metadata转化成vector（applied science组做的），存在我们自己的vectorDB里，然后找k-NN，发送给另外组的LLM judge来判断。这个我已经写进简历当作第一条project了哈哈哈，不过整个这个流程里面，我只是搭建这个pipeline，把货物的metadata转换成vector的model，还有那个关键的LLM judge都是别的组的工作

微信用户_m86lg 发表于 2026-10-18 18:24:24
楼主你这个vector-search POC本身就是实打实的AI经验啊：embedding pipeline + vectorDB检索 + LLM-as-jud

ah mle 是这种么？这不是属于一个普通的ai native project 么

建议做一些偏ml infra的项目，越底层越好。ml太卷，难以上船

匿名用户 发表于 2026-10-18 19:30
建议做一些偏ml infra的项目，越底层越好。ml太卷，难以上船

比如说什么？

匿名用户 发表于 2026-10-18 19:31:41
比如说什么？

应用层的搭建training和inference pipelines。底层的优化gpu和compiler

微信用户_m86lg 发表于 2026-10-18 21:24
楼主你这个vector-search POC本身就是实打实的AI经验啊：embedding pipeline + vectorDB检索 + LLM-as-judg ...

朋友你太会鼓励人了哈哈哈哈

mle我觉得倒不至于吧，我看了下感觉mle更多的是train model，就是我这个例子里面那个applied science组做的东西：创造一个model可以把商品的metata转换成vector embedding。

不过你说的那些metrics确实可以再在简历上丰富一下啊，谢谢建议！