AI提效方案

等级 L1-L5 · 场景:定级,选工具

一句话：这不是「学 AI」，是把 AI 接进你已有的开发流程。后端工程师的目标不是转 AI 岗，是让写代码、查 bug、写测试、写文档这些每天都在干的活变快，顺带补上「把 LLM 接进业务系统」这项正在变成后端标配的能力。

学习地图

我现在的状态	从哪一级开始	先读什么
用过 ChatGPT 问问题，但没进过开发流程	L1	大模型基础概念 → 提示词工程
装了 Copilot/Cursor，但只用 Tab 补全	L2	AI编程工具
工具用得顺，但没自己调过 LLM API	L3	大模型基础概念的「成本」章 → LLM应用开发
要做 AI 功能上线，不知道 RAG 该怎么选型	L4	RAG检索增强 → Agent与MCP
团队要推 AI，需要定规范和评测	L5	AI工程化与风险

不确定自己在哪一级，看下面的分级自测。

一、五级分法：从会问到会治理

分级的依据是你能用 AI 做成什么事，不是你知道多少名词。

L1 会问 · 把 AI 当能干活的同事

能做到：问题描述得清楚（有背景、有约束、有期望输出格式），知道 AI 什么时候会一本正经地胡说，会自己验证答案。

做不到就卡在这：把 AI 当搜索引擎，问「Redis 怎么用」这种没有上下文的问题，然后抱怨答案太泛。

投入：2~3 天。读大模型基础概念搞懂 token/上下文/幻觉这几个词，再读提示词工程把结构化提问练成习惯。

L2 会用工具 · AI 进日常开发流程

能做到：Claude Code / Cursor / Copilot 至少一个用得熟，知道什么活交给 AI、什么活自己写；会给项目写 CLAUDE.md 之类的规则文件；改 bug 时会把堆栈和相关代码一起给 AI 而不是只贴一行报错。

做不到就卡在这：只会用 Tab 补全，遇到跨文件的改动还是全手写；或者相反——让 AI 一次性生成两百行代码，然后花更长时间 review。

投入：2~3 周日常使用。这一级靠练不靠读。

L3 会接 API · 把 LLM 接进业务系统

能做到：能写出一个生产可用的 LLM 调用——流式返回、超时重试、并发控制、token 计费能算清楚、结构化输出能稳定解析。知道 prompt caching 怎么省钱，知道为什么不能用 tiktoken 估 Claude 的 token 数。

做不到就卡在这：Demo 能跑，一上量就超时、超预算，或者 JSON 解析随机失败。

投入：1~2 周 + 一个真实小项目。

L4 会做应用 · RAG / Agent 能上线

能做到：知道什么时候该用 RAG、什么时候一个大上下文就够；会切块、选嵌入模型、做召回+重排；知道 Agent 循环的成本陷阱，也知道什么时候不该上 Agent。

做不到就卡在这：不管什么需求都上 RAG + Agent，最后做出一个又慢又贵又不准的系统。

投入：1 个月 + 一个真实项目。

L5 会治理 · 让团队敢用

能做到：能识别提示注入、能定「什么数据不能进 prompt」的红线；有评测集能判断改动是变好还是变坏；能给团队定 AI 使用规范。

投入：持续。这一级没有终点。

二、后端工程师的特殊性

通用 AI 教程教的是 L1~~L2。**L3~~L5 是后端特有的**，也是这份知识库相对通用教程的价值所在。

原因很直接：前端和产品用 AI 主要是用工具；后端除了用工具，还大概率会被要求把 LLM 接进系统——给内部文档做个问答、给客服系统接个意图识别、给运维做个日志分析。这些活落到后端头上时，考的全是老本行：

AI 功能需求	实际考的是
「接个大模型问答」	流式响应、超时重试、并发限流
「怎么这么贵」	成本核算、缓存设计、模型选型
「回答不准」	检索召回、数据切分、评测方法
「会不会泄露数据」	边界设计、脱敏、审计

这些都不是算法问题，是工程问题。 你已有的分布式、缓存、限流经验直接迁移。

顺带一提：这块正在变成后端面试的新考点——被问到「你们怎么控 token 成本」「RAG 怎么保证召回」的频率在明显上升。

三、怎么学：跟着活干，别脱产学

这份方案不设「每天 X 分钟」的固定作业，因为 AI 提效不是一门要背的课，是一种要换掉的习惯。

唯一的方法论：接下来两周，凡是你要干的开发活，先问一次「这个能不能让 AI 干一部分」。

要写一个 CRUD 接口 → 让 AI 写第一版，你改
线上报了个错 → 把堆栈 + 相关代码给 AI，让它给三个假设，你去验
要写单测 → 让 AI 生成边界用例，你补业务语义
要写技术方案 → 让 AI 列对比维度，你填结论

做完记一笔：这次省了多少时间、AI 在哪一步不靠谱。两周后你会有一张自己的「什么活能交给 AI」清单——那张清单比任何教程都准。

三个反模式

全盘托付：让 AI 写完就提交，不 review。AI 写的代码出问题，背锅的是你不是 AI。
全盘拒绝：「AI 写的代码质量差」——差的往往是你给的上下文，不是模型。给足上下文再下结论。
收集工具不用工具：装了五个插件，每个用三天。选一个用熟，比全都试一遍有用。

四、这份方案不覆盖什么

说清楚边界，免得走错路：

不教你训练/微调模型——那是算法岗的活，后端极少碰。真需要微调时，先确认 RAG + 提示词已经调不动了。
不教深度学习原理——不讲 Transformer 内部结构。知道它是「根据上文预测下一个 token 的概率分布」就够用了。
不做工具评测榜——工具迭代太快，任何「最好的 AI 编程工具」结论三个月就过期。这里只讲怎么判断哪个工具适合哪种活。

常见追问

不学 AI 会被淘汰吗？ 这个说法太夸张。但「同样的活，别人用 AI 一天干完你三天干完」是真实存在的差距，而且这个差距在拉大。把它当成一次工具升级——像当年从记事本换 IDE，不换也能干活，只是慢。
AI 写的代码能直接用吗？ 分场景。样板代码（DTO、CRUD、配置类）基本能直接用；业务逻辑必须逐行 review；涉及钱、权限、数据删除的代码，当成实习生写的来审。判断标准不是「AI 写的还是人写的」，是「这段代码出错的代价有多大」。
公司不让用外部 AI 工具怎么办？ 先搞清楚禁的是什么——通常禁的是「把公司代码传给外部服务」，不是「不许用 AI」。可以做的：用它解释开源框架源码、写不含业务信息的工具类、学新技术。想推动放开，先读 AI工程化与风险里的数据边界部分，拿方案去谈比拿需求去谈有用。
该学哪个模型/工具？ 先学概念再学工具。token、上下文窗口、幻觉、成本这些概念在所有模型上通用，工具三个月一变。概念学一次管很久。
多久能看到效果？ L1→L2 大概两三周就有明显体感（日常编码提速）。L3 以上取决于有没有真实项目——没项目光看文档，学完就忘。

Interview Wiki

探索