问题背景

最近有几个刚工作两三年的后端朋友问我：AI 这么火，传统后端是不是要被淘汰了？要不要转算法？我自己这两年从宠物医疗 SaaS 走到企业级 AI 数据平台，又在业余时间开源了 alchemy-furnace，刚好完整经历了从"写 CRUD"到"做 AI 系统"的转变。这些路不一定适合每个人，但都是我真走过的。

第一阶段：把后端基本功打穿

AI 应用的后端依然是后端。模型推理只是其中一环，你还要处理认证、计费、并发、数据管道、可观测性、发布回滚。这些东西 LLM 帮不了你多少。

我在某 SaaS 公司那两年半，扎扎实实干了几件"不性感"的事：把宠物医疗 SaaS 系统从 fasthttp C/S 迁到 go-zero B/S，用 gRPC + Jaeger 做微服务拆分和链路追踪，对接 AI 影像判读接口。那时候没有 LLM 帮我写代码，gRPC 拦截器、服务注册发现、MySQL 分表、Redis 分布式锁，全是一行行啃文档啃出来的。

我的建议是：如果你工作不满三年，别急着追 AI，先把下面这些东西练到肌肉记忆：

• 一门主力语言到能读源码的程度（我是 Go，Gin、go-zero、Gorm、Wire 这些要知道它们怎么实现的）
• MySQL 索引和事务、Redis 常用数据结构、MQ 的投递语义
• 一次完整的微服务拆分 + 链路追踪落地经验
• 容器化部署和基本的 Linux 排障

这些是你日后做任何系统的地基，AI 只会放大基本功的差距，不会抹平它。

第二阶段：主动靠近 AI 工程化

2023 年底我加入新团队，本来是做统一支付平台和统一认证中心这种传统后端项目，但我主动接了数据治理服务和数据集管理服务里和 AI 相关的部分。这是我职业路径上最关键的一个选择。

我的做法不是去学训模型（那是算法工程师的赛道，后端硬转性价比很低），而是切入模型和业务之间的工程层：

• 数据管道：S3 预签名上传、PDF 解析、Temporal Worker 数据质量规则引擎、MySQL + StarRocks 数仓、OpenAlex 数据同步。这些是典型的后端技能，但服务于 AI 数据。
• 向量和检索：文档解析后的向量化、知识图谱构建、向量库选型。不需要你懂反向传播，但要懂高并发、批处理、内存控制。
• LLM 网关：知识库问答服务里做统一 LLM 适配层，屏蔽 OpenAI、Azure、VLLM、HuggingFace 的差异，做多模型路由、限流、降级、token 计费。这是后端最能发挥价值的地方。
• Agent 和工作流：多轮对话、light_rag、MCP 工具调用、多步任务编排。这层需要理解 LLM 的能力边界，但工程骨架依然是状态管理、超时、重试、可观测性。

这个阶段我最大的体会是：AI 工程化的核心难点不是调模型，而是让模型在一个不可靠的世界里可靠地工作。超时、幻觉、上下文溢出、供应商限流，这些问题的解法全是后端老功夫。

第三阶段：用全栈能力闭环一个产品

只会写后端，在 AI 时代会有明显的瓶颈。AI 应用的交互形态变化太快，等前端排期你就慢了半拍。我从 2025 年开始刻意练全栈，用 Claude Code 和 Cursor 独立交付前端页面。

alchemy-furnace 是第一次完整闭环：Go（Gin + GORM）做网关和多供应商适配，Python（FastAPI）做合成引擎（Promptbreeder 变异算子 + 血统追溯），Next.js 做前端，一个人三周搞定。这个项目在 GitHub 拿到 46 star 不是因为代码多牛，而是它证明了一个后端工程师借助 AI 工具可以独立交付完整产品。

我总结的 Vibe Coding 心法是：

• 后端契约定死再做前端（你的优势就在这）
• TypeScript strict 全开，类型从 OpenAPI 生成
• UI 选 shadcn/ui 这种源码可控的库，AI 生成质量高
• 小步快跑，每生成一块就在浏览器验证，别攒着

第四阶段：建立技术判断力

工具和框架会一直换，真正拉开差距的是判断力。这几年我刻意训练自己几件事：

• 选型时看权衡而不是看热度。Go 和 Python 混部选 gRPC 还是 HTTP？Temporal 还是裸 goroutine？RAG 还是 Agent？每个问题都没有标准答案，要能说出在你的场景下为什么这么选。
• 踩坑后写下来。我保持写博客的习惯，不是为了当博主，而是把每次排障和架构决策的思路固化下来，下次遇到类似问题能快速调用。
• 读优秀源码。go-zero、Gorm、Wire、eino、Temporal 的 Go SDK，读下来比看十篇架构文章有用。
• 做开源。alchemy-furnace 逼我把代码写得陌生人能看懂、把文档写明白，这个过程对工程能力的提升比上班写业务代码快得多。

踩坑与提醒

• 别被"全栈"骗了。什么都懂一点但没有一项能打穿，不如先在后端深扎。全栈是放大器，基本功为零的时候放大的是零。
• 别迷信新框架。今天这个 Agent 框架明天那个 RAG 库，大部分过半年就没人维护了。理解底层原理（状态机、流式、序列化、并发控制）比记住 API 重要。
• 别丢掉对业务的理解。我在某 SaaS 公司学到的最重要的东西不是 go-zero，而是理解医院和医生怎么用系统。脱离业务的架构是自嗨。
• 照顾好身体。这行是长跑，不是冲刺。

小结

AI 时代的后端工程师不是要被淘汰，而是要往上走一层：从"实现需求"变成"把模型能力工程化、产品化"。路径说起来朴素：基本功打穿，主动靠近 AI 工程化，练全栈闭环，建立判断力。我自己也还在这条路上，希望两年后回头看，这篇文章里的判断依然站得住脚。