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 1RAG 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 GuideLangChain 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RAGKMS 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 2AI 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DifyFastGPTRAGFlow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 3Claude 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 Review10%⚠️ 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 UIAgent 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。