体验是技术含量很高进步很大，虽然业务核心代码没啥注释，但用的都是比较先进的工程框架，靠着GPT老师一个个接口学，硬啃学会了分布式训练框架、推理框架，各种类型的微调……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。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，

YOLO（You Only Look Once）是目标检测领域的革命性算法，对图像只看一次，同时输出所有物体的位置和类别。传统R-CNN系列需要两步：先找候选区，再逐个分类。速度慢。YOLO把检测变成回归问题，一次扫描直接出结果。

标签：#机器学习、#深度学习、#人工智能、#计算机视觉、#自然语言处理、#数据分析、#ai零基础转行，时间是成本。ML和DL学习成本不同：ML见效快，DL深度强。咱们对比，帮助你选。总体：ML更快出成果、更易简历/面试。学员数据：转ML的，平均4个月投简历；转DL的，6-8个月。举例，我一个文员背景学员，先学ML，2个月做分类项目，面试时讲“怎么用决策树处理数据不均衡”，轻松过关。现在她在香港银行

不讲玄学、不堆名词、不画大饼，只用最通俗、最落地、最真诚的话，把零基础转行大模型，到底哪个岗位最容易上手、最容易出作品、企业最缺人讲透。这些年，我每天接触最多的，就是这样一群人：零基础、非科班、没写过几行代码、数学早就忘光，却不甘心困在原来的岗位，想冲进当下最有前景、薪资最可观的大模型行业。1. 是最安全的“入行跳板”先进入AI行业，干1年左右，熟悉整个流程，再转提示词、转RAG、转产品、转运营，

视觉研究者都有同感，标注数据成本实在太高。为了不在这上面烧钱，各路大神开始用无标注数据、网上爬的图文、多模态数据来预训练，通过对比学习、掩码重建这些套路让模型先学会一些通用能力，然后再微调到检测、分割这些具体任务。这波大模型的浪潮席卷而来，CV领域也诞生了无数新模型。现在视觉基础模型已经相当多了，对于我们做CV的人来说，这些模型的研究价值极高。今天我分享一篇综述，帮大家系统梳理一下。

适合需要工具辅助的任务(查资料、跑数据库、复杂计算等；优点是推理轨迹清晰，便于追溯；缺点是推理链过长可能导致延迟上升，需限制循环步数。最近两年，大家都可以看到AI的发展有多快，我国超10亿参数的LLM，在短短一年之内，已经超过了100个，现在还在不断的发掘中，时代在瞬息万变，我们又为何不给自己多一个选择，多一个出路，多一个可能呢？与其在传统行业里停滞不前，不如尝试一下新兴行业，而AILLM恰恰是这

2.让模型“会用工具”Agent的价值，是它能直接干。可以先从这几个方向入手工具调用：召回、函数调用、代码执行、接口调用。例如做个“数据分析Agent”，用户丢张表过来，它能独立判断分析方法、写代码跑出结果、最后用人话把结论说清楚。一旦模型能调用工具，它就从聊天对象变成了能干活儿的助理。3.把Agent做成能交付的系统很多人到这里就卡壳了，Demo跑得飞起，但一上强度就不稳定。这里要考虑的因素很多

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西来。如果实在不知道咋整，可以直接抄知学堂新出的 「AILLM应用开发」 ，里面很多实战项目case，自己跟着教程做写到简历里，糊弄hr够用。第二，找工作的时候，要动点脑子，别一股脑往那些挤破头的大厂冲。你的主战场应该在哪？一是那些刚成立不久的AI创业公司，这种公司最务实，老板恨不得你第一天就能上手干活，他才不管你是什么学校毕业的，你厉害他

3.把Agent做成能交付的架构很多人到这里就卡壳了，Demo跑得飞起，但一上强度就不稳定。这里要考虑的因素很多：上下文管理、长对话做记忆、知识图谱库更新、召回避免垃圾召回、模型输出校验、失败后重试、日志和权限做法等。这些实际上更像工程难题，公司愿意给30k月薪的原因就在这里，Agent研发不是玩具技能人，是能把玩具变成生产力的人。这环节最直接有效的策略就是跟着项目完整走一遍，如果你无从下手，趁着

一直有同学让我写面试相关的文章。其实面试这事儿，每个人情况不同，真没有一个万能模板。不过有些道理是通的，今天我说说我的看法。