你需要懂很多模型原理，会调参，会做特征工程，能把一堆原始数据，通过复杂的工序，炼成一个能用的“丹”，也就是模型。他们的核心任务变了，变成了：如何用好这些现成的、强大的“布料”，去做出能解决自己业务问题、能赚钱的“衣服”（应用）。现在的“算法岗”，其实是个“岗位簇”现在大家嘴里说的“算法工程师”或者“AI工程师”，已经不是一个单一的岗位了，它其实分化成了好几个差异巨大的方向。你这个问题，我先给个结论

3.后来读研一年多，潜修内功，学了vLLM，peft之类的训练框架，做了几个横向课题，对简单业务熟练了。选择了小厂继续做rag，不过这边有agent开发内容，学会了langchain那些框架，有一说一感觉没啥用，自己也能写，纯应用层包装，门槛特低。总结：互联网中厂大厂，尤其是给你权限给你机器玩的，去，提升极大。小公司or普通研究院，非常一般。海面了好几家公司，靠以前的课题项目和pku一个研究院切合

从2024年底DeepSeek"诺曼底登陆"以来，2025年开源和闭源模型迭代速度和开源质量远超以往几年。经常会遇到当T时刻在领域benchmark上优化到SOTA之后，T+1时刻有更优的通用模型公布，在领域benchmark指标反而比你专门优化的领域大模型更好。经历过几轮类似事件后，理解到做领域大模型的本质其实是产出一套稳健的训练方案Training-Recipe。即不管通用SOTA模型如何变化

​目录1. LeNet（90/98）诞生于1990年，在手写体字符识别领域创造性的引入了卷积神经网络的基本操作，意义重大，可以说是现代卷积神经网络的发展起点。1.1思路引入卷积层+池化层等结构1.2 网络结构输入图像分辨率：28x28结构：（1）卷积层1：5x5 --->输出4个24×24大小的特征图；（2）池化层1：平均池化层 2x2；（3）卷积层2：5x5 --->输出12个8x8大小的特征图

例如数据分析场景中，模型生成Python脚本用于生成表格、绘制图表，再输出执行结果。相比自然语言回答，精准性和可复现性更高，但对执行环境要求高，需在隔离受控环境中运行以规避风险。会根据问题选择召回策略、决定是否多次搜索、过滤重复结果，还能将高价值信息回写知识图谱库。相较传统RAG，事实性、一致性和上下文控制更优，适合企业内部知识问答、查阅最新资料等场景。模型生成初稿后，自我审查评估并修正问题，得到

再往上走，如果你能成为公司的技术大拿，负责设计整个公司的AI平台，那你一年的收入就是百万甚至两百万起步了。不是画大饼，现在市场就是这个价格，好的ai agent开发公司都是抢着要的，由于懂这个的人太少了，而想用这个技术的公司又太多了。我们公司就有一个二本毕业的同学，由于技术牛又懂业务，现在一个月四万多，去年年终奖就几十万。那具体该怎么干呢？第一，也是最重要的，别光看书、别光听课，你得动手干出一个东

优势：零基础友好（从概念起步，无需编程基），体系完整（覆盖书籍精华+课程项目），实战导向（带做5-10个项目，如AI聊天bot），加上1v1学习规划（我帮评估、定制路线）、带练答疑（小班直播，每周反馈）。为什么推荐：免费，体系化（视频+quiz），2026年热门。大家好，我是唐宇迪，这些年，我辅导过上千名零基础小白入门AI，从文科生、职场妈妈到中年转行者，他们一开始连“算法”是什么都搞不清，但通过

再往上走，如果你能成为公司的技术大拿，负责设计整个公司的AI平台，那你一年的收入就是百万甚至两百万起步了。不是画大饼，现在市场就是这个价格，好的ai agent开发公司都是抢着要的，由于懂这个的人太少了，而想用这个技术的公司又太多了。我们公司就有一个二本毕业的同学，由于技术牛又懂业务，现在一个月四万多，去年年终奖就几十万。那具体该怎么干呢？第一，也是最重要的，别光看书、别光听课，你得动手干出一个东

​目录1. LeNet（90/98）诞生于1990年，在手写体字符识别领域创造性的引入了卷积神经网络的基本操作，意义重大，可以说是现代卷积神经网络的发展起点。1.1思路引入卷积层+池化层等结构1.2 网络结构输入图像分辨率：28x28结构：（1）卷积层1：5x5 --->输出4个24×24大小的特征图；（2）池化层1：平均池化层 2x2；（3）卷积层2：5x5 --->输出12个8x8大小的特征图

从2024年底DeepSeek"诺曼底登陆"以来，2025年开源和闭源模型迭代速度和开源质量远超以往几年。经常会遇到当T时刻在领域benchmark上优化到SOTA之后，T+1时刻有更优的通用模型公布，在领域benchmark指标反而比你专门优化的领域大模型更好。经历过几轮类似事件后，理解到做领域大模型的本质其实是产出一套稳健的训练方案Training-Recipe。即不管通用SOTA模型如何变化