从系统管理员到AI解决方案架构师：生产环境一年转型计划

从14年系统管理员到AI解决方案架构师：我为什么选择在真实生产环境中用一年时间转型

做IT这行14年，从2012年配置思科电话的实习生起步，做过桌面支持、帮助台工程师，在外包公司这样的企业摸爬滚打，过去五年一直在产品公司所当系统管理员。整个IT团队就我和CTO两个人，管着三个办公室85个用户。没有大公司的流程冗余，也没有专门的运维团队，所有问题都得自己扛——这是最真实的生产环境，出了问题就是实打实的业务影响。

一路考下了Splunk认证、Azure基础认证，还有A+、Security+这些基础证书，也主导过25000用户规模的AD域迁移、Intune设备部署、特权访问管理（PAM）落地。但最近我明显感觉到，自己走到了职业生涯的十字路口。

经过反复思考，我确定了下一步的方向：转型成为AI解决方案工程师。目标公司很明确：AI原生初创公司、微软生态合作伙伴，以及法律科技领域的头部企业（Harvey、Litera、iManage这些）。我给自己留了整整一年的缓冲期，2027年春季正式开始求职。作为心玥科技的技术顾问，我想把这个转型过程完整公开记录下来，给同样在职业十字路口的传统IT人一点参考。

为什么我不跟着教程学AI，而是选择在生产环境练手

现在网上学AI的资源太多了：各种免费教程、开源项目、Hugging Face空间，还有数不清的训练营。我自己也跟着学过不少，但总觉得缺了点什么。

直到我突然意识到：我现在拥有的，是绝大多数自学AI的人没有的条件——一个完整的、真实的企业生产环境。我有域管理员权限，负责Intune和MDM的全量推广，能主导PAM部署和密码管理器项目，还有专门的预算可以用来试验各种AI工具。老板也非常支持，公司规模不大，我可以从头到尾完整落地一个项目，而且做出来的东西能直接解决公司的实际问题。

这不是纸上谈兵的训练营，这是一个活生生的实验室。接下来的一年，我就要把这个生产环境当成我的AI训练场，边做边学，边学边用。

为什么偏偏是解决方案工程师

很多人转型AI都想做算法工程师、大模型训练师，但我从一开始就瞄准了解决方案工程师这个岗位。原因很简单：这份工作的核心能力，我已经练了十年。

解决方案工程师本质上就是一个"翻译官"：坐在产品和客户之间，把产品的技术能力翻译成客户能理解的业务价值，把客户的业务需求翻译成产品能实现的技术方案。这十年来我每天都在做这件事：在冰冷的系统和用系统的人之间翻译，在供应商和终端用户之间翻译，在领导想要的酷炫功能和我手里有限的预算、老旧的技术栈之间翻译。

尤其是在律师事务所做IT，这种能力被锻炼到了极致。律师按六分钟一个单位计费，根本不会给你"我Google一下再告诉你"的时间。你必须快速理解他们的需求，给出具体、可行、不耽误他们赚钱的解决方案，否则根本干不下去。

而且我本身就喜欢做演示和培训。这么多年来，我给用户培训过新的文档管理系统，给合伙人解释过Office 365的更新，把复杂的技术概念讲给完全不懂技术的人听。现在只是把这些能力迁移到AI领域，有了更好的产品和销售团队支持，我相信自己能做得很好。

我的一年转型计划：每周15小时，边工作边学习

听起来一年时间很长，但我有全职工作，有家庭，每周能挤出来的学习时间只有13-18小时。所以计划必须非常务实，不能贪多求全。

首个步骤阶段：打基础（2026年5月-7月）

核心目标是补两个短板：Azure AI平台能力和Python基础。

- 系统学习AI-103（Azure AI工程师助理）课程，7月底参加考试。这里有个血的教训：之前学AI-103的时候为了赶进度跳过了所有实验，结果学完还是一头雾水。这次我重新从头开始，每个实验都亲手做一遍，慢是慢了点，但理解深度完全不一样。

- 每周花6-7小时学Python。目标不是成为专业的Python开发者，而是能独立阅读、修改和调试AI代码，不用每行都依赖AI助手。

第二阶段：首个步骤个生产项目（2026年8月-10月）

做一个基于Microsoft Graph API和Azure OpenAI的员工离职流程自动化工具。这是我们公司真实存在的痛点：每次有员工离职，都有一长串的检查清单要做——禁用账户、回收许可证、移除组成员、关闭邮箱转发、审查所有访问权限。而且这个清单永远跟不上实际变化，经常有遗漏。

这个工具会从Graph API拉取实时数据，自动生成每个员工的个性化离职检查清单。范围不大，能真正解决问题，而且做出来的演示效果，和解决方案工程师给客户做的POC几乎一模一样。

第三阶段：微软生态认证（2026年11月）

考AB-410（智能应用构建师）认证，同时做一个Power Platform + Copilot Studio的迷你项目。PL-200即将退休，AB-410会成为微软合作伙伴生态的敲门砖，对于想进微软系公司的人来说非常重要。

第四阶段：核心技能项目（2026年12月-2027年2月）

搭建一个内部RAG知识机器人，基于公司所有的文档和知识库。RAG是现在企业AI落地最主流的方案，没有之一。能把RAG的整个流程讲清楚——从文档分块、嵌入模型选择、检索策略优化到效果评估——是AI解决方案工程师面试中最加分的技能。

第五阶段：收尾和求职准备（2027年2月-4月）

做第三个生产项目，具体内容还没定，会根据当时公司的需求和AI技术的发展来调整。同时会做一个完全自己手写的小项目，证明自己在必要的时候可以不依赖AI独立开发。

2027年春季正式开始投简历。计划有弹性，如果某个项目延期一个月，那就延期，我宁愿晚一点发布一个能用的产品，也不愿按时交一个有缺陷的半成品。

为什么我要把整个过程完全公开

很多人自学AI，最后只能在简历上写一句"熟悉大模型、RAG技术"，但招聘方根本没法验证。这就是我决定公开记录整个过程的原因。

我做的所有事情都会实时更新：

- 所有代码都提交到GitHub，保障每周至少5天有提交记录

- 学习笔记和思考整理成公开文档

- 每个项目的进展、遇到的问题、踩过的坑，都会写成文章发在dev.to上

到2027年我求职的时候，招聘经理不需要相信我说的任何话。他们可以直接翻我过去一年的提交记录和文章，看到我是怎么工作的，怎么思考的，怎么解决问题的，甚至怎么犯错的。

还有一件事我想坦诚说清楚：我会大量使用AI助手。这些项目里的很多代码都会在Claude或Copilot的帮助下完成，但也有一部分会完全自己手写。每个项目的README里都会明确说明哪些部分用了AI，哪些没有。

我认为现在这个时代，再纠结"是不是自己写了每一行代码"已经没有意义了。真正重要的是：你是否足够理解这些代码，能够调试它、扩展它、给别人讲清楚它的原理。这也是我对自己的要求。

心玥科技在为企业做AI落地的过程中发现，现在市场上最缺的不是懂算法的研究员，而是能把AI技术和实际业务结合起来的人。传统IT人有一个巨大的优势：我们懂企业的真实痛点，懂生产环境的运行规则，懂怎么和非技术用户沟通。这些能力是很多纯技术出身的AI从业者不具备的。

从系统管理员到AI解决方案架构师，这条路没有捷径，但也没有想象中那么难。接下来的一年，我会把这个转型过程中的所有经验、踩过的坑、学到的技巧都分享出来。如果你也在考虑从传统IT转型AI，或者正在做企业AI落地，欢迎关注我的更新，我们一起交流学习。