后端转AI，最缺的不是Prompt，是能扛追问的项目
大家好，我是王中阳。
如果你最近在看招聘JD，或者已经在面试了，你一定能感受到一个明显的变化：面试官一定问AI了。
比如，“你对大模型怎么理解？”、“你们系统有没有接入AI？AI Agent了解吗？RAG怎么做的？”、"Claude Code架构了解吗？"即使招的是后端岗位，这些问题也越来越频繁。
行业变天，为了顺应趋势变化，今年我把陪跑的核心全面升级成「后端 + AI应用开发」，在原本后端基础上，新增「AI大模型应用开发专项」，带着一群后端同学一起做真实的企业级AI项目。
升级成果从学员反馈上看，效果显著。
一、看看我们律所AI项目的战绩
🔥 核心成果：54位后端同学，在 LexAgent 律所AI项目里一起做真实协作。
这个项目不是我一个人讲、大家看录播，而是几十个人真的在 Github 上拆任务、写代码、联调、互相 review，做出了能跑起来的生产级系统。
其中不少同学，把这段经历写进简历之后，面试被问AI的次数明显变多，而且问得住、答得上来。还有学员直接把项目推荐给了自己做律师的朋友，也有 B站的技术UP主拿我们的工程化方案去做自己的复盘内容。
二、我们的提升思路：不是「转AI」，而是「后端 + AI」
后端能力(基本盘) + AI大模型应用开发(增长引擎) = 市场最缺的【后端+AI】复合人才
市面上AI教程很多，但你会发现一个现象：几乎全是教你调API、跑通一个聊天Demo。 作为Java/Go/Python后端工程师，你可能会纠结：
🔴 学吧，跨度太大，多年积累的后端优势全丢了，变成「半吊子Python + 半吊子AI」；
🔴 不学吧，面试被问AI答不上来，错过好的岗位。
我们觉得，两条路都不对。
正确的方向是：继续精进后端，保留自己的过往的后端优势，在此基础上叠加AI能力，双剑合并。
道理很简单：
1. 公司后端业务不会消亡
公司的存量业务、存量系统都是Java/Go在跑，多年搭建的后端体系，AI出现不会全部替换掉去用python。后端能力的要求一直都在，只是额外多了AI能力的要求。只会AI研发的同学，是搞不定这些复杂业务的后端系统的。
2. AI应用研发，本质是AI+后端的结合
不管是Agent、RAG，还是大量的大模型应用研发岗，高并发、高可用、可观测性、稳定性、性能优化，这些后端沉淀多年的能力，在AI项目里依然需要，甚至更加关键。
3. 当人人都会AI，后端深度才是分水岭
两个候选人都有AI技能时，区分度不大，你的后端经历、技术深度、项目积累、业务经验，才是真正建立竞争优势的护城河。
所以我们的提升思路是：不让你自废后端武功从零开始，而是后端+AI两条腿走路，同步提升才能走得更稳。后端是你的基本盘，AI是你的增长引擎。
三、我们AI方向提供了什么：企业级AI项目 LexAgent
✅ 项目A（Go + Python双语言）：我们打造的企业级律所AI智能运营平台，Go + Python双语言实现。这不是简单的AI调API的Demo，而是有完整架构设计、多模块协作的生产级项目。
训练营的项目，一直是我们的核心优势，尤其是在真实面试中的表现，都是相当有竞争力且抗打的。
这些项目以确保大家能融入公司为前提，描述成公司真实项目，这样才能充分发挥价值。所以我们的AI项目依然沿用这个思路和策略。
一次用户请求，要经过：
前端
↓
Go 业务后端（接口 / 会话 / 数据持久化）
↓
Python Agent（编排 / 模型能力）
↓
RAG / Skill / MCP 工具
↓
结果返回与业务记录保存
Go 负责业务 API、会话和数据持久化，Python 负责 Agent 编排和模型相关能力，MCP 负责跨语言工具调用。
这不是一个单体聊天Demo。它要解决的是真实业务里的问题：
客户咨询 → 法律问答 → 意向打标 → 跟进记录
这背后需要业务实体、Repository、接口和数据持久化共同完成。对于后端开发者来说，并不是从零开始学一门陌生技术，而是把自己熟悉的数据建模和业务闭环能力，迁移到了AI场景。
四、面试官会怎么追问你
📌 这才是重点。很多同学简历上写一句"基于大模型和RAG技术，开发智能问答系统"，以为就够了。但到了面试现场，面试官会继续问：
- 你的文档是怎么切分的？
- 检索效果怎么评估？
- 模型回答错了怎么办？
- Agent 调用工具失败怎么处理？
- 多轮会话状态保存在哪里？
- 用户权限怎么控制？
- Prompt 改了以后，怎么证明系统没有变差？
- 线上出了问题，你怎么定位到底是模型、检索、工具还是后端接口的问题？
这些问题，恰恰就是你过去积累的后端能力真正能派上用场的地方。
在我们的 Harness 运行时里，权限、审计、熔断和失败交接都不是装饰。比如，工具调用不能默认全部放行，而要遵循默认拒绝原则。模型出错也不能只是返回一句"服务异常，请稍后重试"，系统还需要记录请求上下文，保留 Trace ID、Run ID、Session ID 和失败原因，为后续定位与人工接管提供依据。
这些事情，和后端开发者熟悉的权限中间件、审计日志、熔断降级、异常处理，是一脉相承的。AI 只是把问题变得更复杂了。
五、一个后端同学，在这个项目里具体会做什么
💡 我们不是让所有人一起围观老师写代码，也不是给每个人发一套录播让他自己看。后端同学会从清晰的工程任务进入项目。
比如，有一类后端任务是：把客户咨询产生的数据，完整写入会话和跟进记录，再通过 API 查询并展示出来。
这件事看起来不像"炫酷的AI功能"，但它正好连接了AI应用最重要的一条业务闭环：
客户发起咨询
↓
Agent 生成回答与意向判断
↓
Go 后端接收业务结果
↓
写入会话与跟进记录
↓
通过 API 查询
↓
前端或 CLI 展示
一个后端同学在这里可以承担的工作包括：
- 设计数据库实体；
- 编写 Repository；
- 封装业务工具；
- 设计查询接口；
- 处理数据不存在和参数错误；
- 连接 Go 后端与 AI 处理结果；
- 为命中、未命中、参数错误分别补测试；
- 参与跨模块联调；
- 根据评审意见修改实现。
这类任务的价值，不在于"写了几个CRUD接口"，而在于你开始理解：AI 的输出，如何真正进入一个可追踪、可查询、可继续处理的业务系统。 这才是一段有含金量的AI项目经历。
六、真实协作的四个阶段
🚀 真实协作也不是"认领任务之后自己写完就结束"，通常会经历几个阶段：
第一步：先明确边界
哪些数据由AI模块产生，哪些由Go后端负责保存，接口输入输出是什么，哪些字段必填，记录不存在时返回什么，跨模块依赖由谁负责。如果这一步不清楚，后面很容易两个人重复建同一张表，或者 Python 返回的字段和 Go 接收的不一致。
第二步：按照契约开发
先约定接口和数据结构，而不是每个人按照自己的理解直接写。后端同学通过这些契约，能更清楚自己负责什么，也能让其他模块并行推进。
第三步：先写测试，再做实现
对于 Repository 和工具，不只是测"正常情况"，至少要考虑：数据命中时能否正确返回、数据不存在时是否返回明确结果、参数错误时是否拒绝、重复请求是否会造成重复数据、不同租户之间是否会发生越权读取、下游服务失败时业务层如何处理。
第四步：参与联调和评审
一个任务完成后，带着任务编号、修改了哪些模块、接口如何调用、执行了什么测试、测试结果是什么、当前还有哪些依赖，进入协作。如果评审发现问题，不是简单把代码交给别人改，而是要理解：为什么这个数据边界不合理、为什么这个错误不能直接吞掉、为什么查询接口需要补租户校验、为什么AI结果不能未经验证就直接进入业务记录。
经过这样的过程，你获得的就不只是一个"参与过AI项目"的名头。你会拥有一段自己真正做过、改过、测过、解释得清楚的工程经历。
七、面试时，怎么讲这段项目经历
面试时，不要只说"我们做了一个律所AI平台，我负责后端开发"。这句话太宽，也太容易被追问到空泛。
你可以这样讲：
我在项目中主要负责数据层、Repository 和 Go 工具的开发，把客户咨询产生的结果写入会话和跟进记录，并通过 API 查询展示。这个任务的难点不只是保存数据，还包括和 Python Agent 的结果对接、处理数据不存在和参数错误、保证不同租户之间的数据隔离，以及让重复请求不会生成重复记录。我为 Repository 和工具补充了命中、未命中、参数错误等测试，并在联调时根据接口契约调整字段映射。最终，这条链路可以从客户咨询开始，经过 AI 处理，再落到可查询的跟进记录中。
这段话里有几个面试官很容易继续追问的点：为什么要拆 Repository、Go 和 Python 之间怎么传递结果、如何保证幂等、租户隔离在哪里做、数据不存在时为什么不直接返回空对象、测试覆盖了哪些边界、如果 Agent 调用失败跟进记录是否还要创建。
但这一次，你不是在背网上找来的八股。你讲的是自己真正参与过的任务、真实遇到的边界、实际做过的验证。这就是一段能被面试官追问20分钟的项目经历。
八、后端转AI，不是从零开始
如果你会 Java、Go 或 Python，你不需要把自己想象成一个完全没有AI基础的人。
你已经具备了服务端开发、数据建模、接口设计、权限和异常处理、测试与排障、多人协作的经验。
你需要补的是：如何把模型接进业务、如何设计RAG链路、如何让Agent安全调用工具、如何评测AI输出、如何观测和治理不确定性、如何把这些内容讲成一段完整的项目经历。
真正有效的转型，不是再收藏几十个Prompt教程。而是进入一个有真实业务问题、有明确任务边界、有代码协作、有测试验收的项目，把原来的后端能力和新的AI能力接起来。
我们正在做的 LexAgent 律所AI项目，就是以一个真实业务场景为载体，逐步完成：Go 业务后端 + Python Agent + RAG 知识检索 + MCP 工具调用 + Skill 能力封装 + Harness 运行治理 + 评测与观测。
但你不需要一上来掌握全部内容。后端同学可以先从自己熟悉的数据层、接口层、工具封装和业务闭环开始，再逐步理解AI模块是如何接入系统的。
你不必先成为一个全能AI工程师，才有资格参与AI项目。你需要的是一个能够让你真正动手、真正协作、真正留下个人贡献的入口。
写在最后
大模型的发展速度，不会停下来等任何人。
与其自己在几十个教程里打转，不如把时间花在一段真实的项目经历上。
如果你是 Java、Go 或 Python 后端开发者，正在考虑往 AI 方向走，你只需要做一件事：
在平台直接私信我，或者通过我的网站链接到我：https://wangzhongyang.com/
我帮你判断，你现在的能力，最适合从这个项目的哪一层开始。
