为什么一个20+年IT老兵决定系统性学习AI人工智能

不追风口，只搭阶梯。用工程思维拆解AI，用实战代码记录成长。

预期收获：

• 了解一个传统IT从业者为何在AI浪潮中选择“动手”而非“观望”

• 看清AI对传统IT岗位的真实冲击与转型机遇

• 获得一条可复制的、平民化的AI学习路径参考

一、从“旁观者”到“局中人”

        2023年ChatGPT刚火的时候，我的态度和很多老同事一样：看看热闹，继续干活。

        那时候觉得，AI再厉害，不就是个聊天工具吗？能取代我写了十几年的SQL、Java、存储过程？能理解我们公司复杂的业务流程？能把主数据和ERP、MES之间的数据关系理清楚？

        我甚至跟团队开玩笑说：“AI要能搞定我们的数据质量，我把键盘吃了。”

        两年过去了。键盘还在，但我不再敢说这个话了。

二、三根支柱，一根一根在松动

        2025年下半年开始，我陆续看到一些现象，让我不得不重新审视自己的职业判断。

第一根支柱：领域知识的“护城河”在变浅。

        我从事信息化和数据管理二十多年，熟悉主数据管理、数据治理、系统集成这些领域。这些知识曾经是“稀缺资源”——一个懂MDM、懂数据模型、懂ERP与MES集成的工程师，在传统制造业里是可遇不可求的。

        但现在，一个刚工作两年的年轻人，用AI辅助，两周就能上手一个他从未接触过的业务领域。AI不能完全替代我的经验，但它大幅缩短了“从不会到会”的时间。这意味着，经验的“时间溢价”正在快速贬值-。

第二根支柱：重复性工作的“护城河”在被填平。

        我日常工作中有大量重复性任务：每日数据平台巡检、集成问题分析、周报月报编写、数据质量报告生成。这些工作曾经需要经验判断，但AI正在快速学习这些模式。

        一篇题为《LLM正在损害我的软件工程职业生涯》的帖子在Hacker News上引发了广泛共鸣链接地址。作者是一位10年经验的工程师，他发现：AI已经能完成他曾经引以为傲的文档编写、架构设计、甚至部分编码工作。他积累多年的领域知识，正在变得“可以被模型压缩”。

第三根支柱：行业格局在变。

        2026年，AI对程序员劳动结构的改变已经从“趋势”变成了“现实”。从“编写代码”转向“评估与修复代码”，从产出变成验收和兜底。去技能化的浪潮里，每个身处其中的人都在被迫重写自己的职业路径。一位同行说得很直白：以前能做什么，取决于会什么；现在，取决于你愿不愿意学习和改变。

        这不再是“要不要学”的问题，而是“什么时候学”的问题。

三、为什么是“现在”？

        有人问我：你都干了二十多年了，熬一熬就退休了，何必折腾？

        我的回答是：正因为干了二十多年，才更不能等。

        我手头有实实在在的场景——主数据管理、数据质量、系统集成、大数据平台——这些都是AI可以落地的真实需求。我不是去跟年轻人抢算法工程师的饭碗，而是用AI武装自己现有的能力和经验。

我的优势不在于重新学一遍线性代数，而在于：

• 我懂业务：知道主数据怎么管、数据质量怎么评、集成问题怎么查

• 我有数据：手头有真实的数据资产（虽然不能对外分享，但可以用来实验）

• 我有场景：每天都有重复性工作等着被优化

• 我有工程思维：知道怎么把想法变成可运行的系统

        这些，是AI暂时学不来的。

四、我的行动：一条“平民化”的学习路径

        既然决定了，就不再犹豫。我给自己定了几条原则：

1. 不追热点，只搭阶梯。

        不学复杂的模型训练、不碰高深的数学推导。聚焦AI应用开发——让大模型为我所用，解决实际问题。

2. 硬件平民化。

        我没有GPU，也不想花大价钱买云服务。用一台32GB内存的笔记本（华为MateBook 16S），在WSL2上跑量化模型。事实证明，7B参数量的模型在CPU上完全可跑，推理速度足够学习使用        。

3. 场景驱动，代码先行。

        每学一个知识点，必须对应一个可运行的Demo。从本地聊天机器人，到以文搜图，到RAG知识库，再到Agent智能体——每一个案例都来自真实工作场景的抽象。

4. 工程思维，不纸上谈兵。

        不写理论文章，不堆砌概念。每篇文章必须包含：完整可运行的代码、真实的运行效果、踩坑记录和解决方案。

五、我走过的路（已完成）

        从2026年6月启动到现在，我已经完成了：

• 环境搭建：WSL2 + Python + Ollama + PyCharm 完整开发环境

• 本地聊天机器人：Flask + Qwen2.5 的Web对话应用

• 以文搜图系统：CLIP + Chroma 的多模态图片检索

• RAG知识库：PDF/Word文档的向量化检索与问答（进行中）

        每一篇都整理成了技术博客，发布在CSDN上。【教是最好的学】不是为了炫耀，而是为了用输出倒逼输入——写出来，才算真正搞懂了。

六、接下来的路（规划中）

        按照我的系统性计划，接下来还有：

• Agent开发：让AI从“知道”到“做到”，优先落地三个企业场景（集成诊断、主数据处理、大数据平台巡检）

• 场景落地：将AI能力融入数据管理、运营分析等日常工作

• 工程优化：流式输出、混合检索、成本评估

• 心法总结：传统企业AI落地的避坑指南

七、写给同路人

        如果你也是一位“老IT”——无论是做开发、做运维、做数据管理，还是做信息化管理——我想说几句话：

第一，别怕。

        AI不是来取代你的，而是来放大你的。你的业务理解、工程经验、项目管理能力，这些恰恰是AI最欠缺的-。

第二，别等。

        AI的发展速度远超我们的想象。等“准备好了”再学，可能就晚了。从今天开始，哪怕每天只花一小时，三个月后你回头看，会发现已经走了很远。

第三，别装。

        不要假装自己什么都懂，也不要假装AI不关你的事。诚实面对自己的知识盲区，然后一个一个去填补。我就是这样践行的。

八、这个专栏要做什么

这个专栏叫 《老攻城狮的AI编程实践之路》 ，记录的是一个20+年IT老兵从零到一的AI转型实录。

它不会教你如何训练大模型，也不会讲复杂的数学推导。它会告诉你：

• 一台普通笔记本如何跑通AI应用

• 一个传统IT人如何用AI解决实际问题

• 一条从“知道”到“做到”的完整路径

不追风口，只搭阶梯。

如果你也在这条路上，欢迎同行。

作者：Javy21（javy21@csdn）
博客主页：javy21-CSDN博客
首发日期：2026年6月27日

本文是《老攻城狮的AI编程实践之路》专栏首篇（补充）。后续文章将按计划逐步发布，欢迎持续关注。

本文采用 CC BY-NC 4.0 许可协议。欢迎转载，请注明出处。如有问题或建议，欢迎在评论区交流。