这篇不先堆名词。我们把《程序员职业规划为什么越规划越焦虑？问题可能不在路线》拆成几级台阶，看完至少知道下一步该学什么、该练什么。

摘要

很多程序员最近在焦虑，不是因为没有机会，而是因为机会来了接不住。今年我参与了一个内部AI Agent项目的联调，模型选型、框架搭建、Prompt调试都顺利，Demo演示现场也很成功。结果上线前夜，权限校验和日志追踪出了问题，整个链路直接崩掉。那次复盘之后，我对职业规划的判断变了：大模型时代真正拉开差距的，已经不是谁会调接口，而是谁能守住生产环境。

目录

• 岗位趋势：从"调模型"到"兜底的人"
• 能力分层：你处在哪个位置
• 联调失败复盘：权限和日志怎么坑了我
• 短期学习计划：先补权限和日志
• 中期项目沉淀：用项目证明能力
• 长期竞争力：谁能兜底，谁就稀缺
• 总结

岗位趋势：从"调模型"到"兜底的人"

去年还在卷Prompt工程和RAG框架，今年面试和实际项目里，讨论最多的是权限、日志、可观测性。这不是企业变挑剔了，是Agent真正开始接进生产环境了。

我见过的一个典型现象：候选人简历上写"熟练使用LangChain构建Agent"，但问到"你的Agent怎么处理用户权限边界"、"调用失败时怎么追踪责任"，基本答不上来。而实际项目里，权限问题一旦出现，不是技术bug，是合规风险。

去年和今年招聘数据的趋势也很明显：会搭Agent的简历很多，但能独立负责上线的很少。企业开始把"权限设计"和"日志体系"作为硬门槛，这不是玄学，是踩过的坑。

能力分层：你处在哪个位置

我把现在大模型相关岗位的能力分成三层，每层对应不同的竞争力和薪资区间。

第一层，会用框架。能跑通Demo，能调接口，能写基础Prompt。这个层次的人很多，也是简历容易被刷掉的原因。

第二层，懂边界。知道权限怎么设计，知道日志怎么追踪，知道调用失败时怎么兜底。这个层次的人开始稀缺，也是企业真正愿意给高薪的群体。

第二层和第一层的差距，不在于模型多强，而在于能不能把Demo变成能上线的系统。

第三层，能设计。能根据业务场景设计Agent的权限模型，能规划可观测体系，能协调前后端和模型侧的责任边界。这个层次的人不多，但一旦具备，基本不会焦虑。

联调失败复盘：权限和日志怎么坑了我

去年那个项目，我们接了一个内部知识库的Agent。Demo阶段一切正常，用户问问题，模型检索后回答，流程顺畅。上线前做联调，问题出现了。

第一个问题是权限。不同部门的员工问同一个问题，模型返回的内容应该不同，但我们的Agent没有做用户身份校验，所有人都能看到全部数据。这个bug在Demo阶段完全没暴露，因为测试账号权限是通的。

第二个问题是日志。一次调用失败后，我们花了三个小时才定位到问题：模型返回的JSON解析异常，但日志里没有记录原始输入和输出，只有"调用失败"四个字。三个小时排查，只因为日志没记清楚。

这两个问题，任何一个单独出现都不会导致崩盘，但叠加在一起，就是生产事故的标配。

短期学习计划：先补权限和日志

如果你现在想进入这个领域，我建议的学习顺序是这样的。

先搞清楚基础概念：什么是RBAC权限模型，什么是结构化日志，什么是调用链追踪。这三个概念是后续所有实践的基础。

然后动手做一个小项目。不要追求复杂，做一个能检索知识库的Agent，但要求是：不同用户看到不同内容，每次调用有完整日志记录。

这个项目的价值不在于功能多强，而在于你会遇到真实的问题。比如，用户身份怎么传入Agent？日志该记什么？调用失败时怎么追踪？

我当时的做法是，在Agent的入口加一个权限校验层，用中间件的方式处理。日志部分用结构化格式，记录每次调用的输入、输出、耗时和状态码。

# 权限校验中间件示例
async def auth_middleware(request: Request, call_next):
    user_id = request.headers.get("x-user-id")
    if not user_id:
        return JSONResponse(
            status_code=403,
            content={"error": "missing user identity"}
        )

    # 查询用户权限范围
    allowed_departments = await get_user_departments(user_id)

    # 注入权限上下文
    request.state.user_id = user_id
    request.state.allowed_departments = allowed_departments

    response = await call_next(request)
    return response

# 结构化日志记录示例
import logging
import json
from datetime import datetime

logger = logging.getLogger("agent")

async def log_call(input_text: str, output_text: str, duration_ms: int, status: str):
    log_entry = {
        "timestamp": datetime.utcnow().isoformat(),
        "input_length": len(input_text),
        "output_length": len(output_text),
        "duration_ms": duration_ms,
        "status": status,
        "input_sample": input_text[:200],
        "output_sample": output_text[:200]
    }
    logger.info(json.dumps(log_entry, ensure_ascii=False))

这两个代码片段不复杂，但它们是区分Demo和生产的分水岭。

中期项目沉淀：用项目证明能力

学完基础之后，你需要一个能展示的项目。这个项目不需要多复杂，但要有三个要素：权限设计、日志体系、错误处理。

我的建议是，找一个你熟悉的业务场景，做一个最小可用版本。比如，做一个内部文档检索Agent，支持多部门权限隔离，每次调用有完整日志，失败时有明确的错误信息。

项目做完之后，简历上不要写"熟练使用LangChain"，要写"设计并实现了基于RBAC的权限隔离方案，接入结构化日志体系，调用失败定位时间从平均3小时缩短到10分钟"。

后者才是企业想看到的。

长期竞争力：谁能兜底，谁就稀缺

大模型技术迭代很快，今天火的框架，明年可能就被替代。但权限、日志、可观测性这些东西，不会过时。它们是工程化的基础，是任何系统从Demo走向生产都必须跨越的门槛。

未来三年，我判断真正稀缺的人，是那种既能理解模型能力边界，又能设计生产级系统的人。他们不一定是最懂算法的，但一定是最懂工程化的。

这个判断不是凭空来的。去年到现在，我看了几十个Agent项目的上线过程，凡是顺利上线的，都是在权限和日志上花过功夫的。凡是上线崩的，基本都在这两个地方栽过跟头。

总结

职业规划焦虑的根源，往往不是路线不对，而是能力结构和市场需求不匹配。大模型时代，会调接口的人很多，能守住生产环境的人很少。权限、日志、可观测性，这三个词值得你花时间去理解、去实践、去沉淀。

Demo跑通只是起点，能上线才是本事。你的简历上，应该展示的是后者。

资料展示

下面是我整理的AI大模型学习资料和工具包预览，适合收藏后按主题逐步学习。

如果你想看完整资料目录，可以在评论区留言「资料」；也欢迎告诉我你更关注AI大模型里的哪类内容。