做了多年 Software Engineer 之后，我最近在认真思考一件事：如果想系统性往 AI 方向转型，真正可落地、可持续的路径是什么？ 我目前在 LinkedIn 做 Software Engineer，此前在 Amazon 和 UiPath。过去几年主要做分布式系统、数据平台和 Identity 相关工程实践，从大规模数据迁移、Spark/Flink 任务优化，到多区域云架构、Redis 缓存设计，再到 ML pipeline 的部署与落地，参与过不少复杂系统的建设，也在真实场景里反复做过工程权衡。 但越往后做，越能明显感受到一个变化：AI 正在改变很多系统设计的底层假设。过去强调确定性、可控性、规则驱动的架构，现在越来越多开始围绕模型能力、数据闭环和推理成本来做决策。工程本身的边界正在发生迁移。 问题在于——SWE如果想往 AI 方向升级，到底应该怎么走才算“有效”？ 我最近在系统补机器学习和图模型相关内容，也在做一些 GNN + RL 的实践尝试。但依然在思考：真正决定转型成功的关键节点是什么？有没有更结构化、可执行的pathways？ 欢迎已经完成转型的朋友分享经验，也欢迎同样在思考升级路径的同行一起交流