举例：STM32 采集传感器数据（低优先级任务）时，突然收到 CAN 总线的紧急控制指令（高优先级任务），FreeRTOS 会立即暂停传感器任务，执行控制指令，执行完再回到传感器任务，整个过程的延迟是可预测的（通常微秒级）。FreeRTOS 开发：创建 3 个任务（传感器任务、蓝牙任务、电机任务），设置蓝牙任务优先级最高（紧急指令优先响应），RTOS 自动调度，高优先级任务打断低优先级，3 件事看

OSCORE的亮点：它是CoAP专用的端到端安全协议，加密的是CoAP消息的特定部分，网关无需解密即可转发，大幅降低中间节点的安全风险。以小米智能家居为例，米家生态中设备（灯泡、插座、传感器）通过WiFi或Zigbee网关接入，通信协议采用定制版MQTT（部分设备使用CoAP over Zigbee，但云端统一用MQTT）。每个HTTPS请求至少需要2个RTT（TCP握手1个RTT + TLS握手

小到智能垃圾桶、大到工业控制仪表，都能看到它的身影。STM32开发工程师的工作就是基于STM32或国产替代芯片（如GD32、CH32），开发嵌入式软件、调试外设驱动、实现产品功能。在很多招聘需求中，“C/C++开发工程师”其实指的就是嵌入式软件工程师——他们使用C/C++完成任务调度、内存管理、设备控制、网络通信等底层系统开发工作。比如智能音箱的语音交互界面、车载中控屏的导航应用、工业平板上的操作

一类是学电子工程、通信工程等偏硬件专业出身的人，主要是搞硬件设计，有时要开发一些与硬件关系最密切的最底层软件，如BootLoader和最初级的硬件驱动程序等，他们的优势是对硬件原理非常清楚，当然也会有不足之处，不足的是他们更擅长定义各种硬件接口，但对复杂软件系统往往表现的力不从心。嵌入式设备的增值很大程度上取决于嵌入式软件，这一领域占了嵌入式系统的最主要的工作部分，因为很多公司都知道，嵌入式产品的

用过ChatGPT、文心一言、通义千问等大语言模型的用户，大多遇到过这样的场景：AI面对专业问题、冷门知识、数据查询、细节考证类提问时，会输出一段逻辑通顺、语句严谨、看起来毫无破绽的答案，但仔细核查后会发现，内容完全是捏造的、数据是虚构的、案例是不存在的、论据是凭空拼接的。知识主体是真实的，但细节、数据、归属、时间、逻辑被错误组合。当用户提问的内容和训练数据中的内容相似但不同时，模型会强行套用相似

因此，熟练掌握 Python 的语法、数据结构、面向对象编程以及常用的库，如 NumPy、pandas、TensorFlow、PyTorch 等，是必不可少的。熟悉常见的机器学习算法，如决策树、支持向量机、朴素贝叶斯、随机森林等，以及深度学习模型，如卷积神经网络（CNN）、循环神经网络（RNN）及其变体 LSTM、GRU 等。了解这些算法和模型的原理、应用场景以及优缺点，能够根据实际问题选择合适的

如果你的优势是“会用工具、能落地”，比如会写Python、能对接API，擅长把复杂需求拆解成可执行的步骤，哪怕没有深厚的理论基础，应用层也能做得很好。如果你的目标是“长期深耕AI领域，做技术核心”，且有足够的时间和精力补基础，算法层是更好的选择——虽然入门难，但一旦站稳脚跟，职业壁垒高，薪资天花板也更高，比如多模态算法工程师、大模型训练工程师，年薪可达35-90万。要知道，大多数企业的算法岗，其实

从业者需要钻研数学原理、网络结构，完成模型搭建、训练、调优、蒸馏、量化、分布式训练以及底层算法创新等工作，也是大众印象里传统意义上的 “AI 研发”。这是极大的认知偏差。如今 AI 竞争早已从 “造模型” 转向 “用模型”，能把大模型、智能体落地到复杂业务场景，解决实际问题，同样具备极高的技术价值，优秀的应用开发人才依旧是企业争抢的对象。简单概括二者的区别：算法开发是 “打造 AI 大脑”，大模型

很多企业在招聘时，不再仅关注单一算法能力，而是更看重技术落地能力、工程化实践能力与行业场景结合能力，不同岗位的技能要求呈现出差异化、专业化的发展趋势。据行业数据统计，人工智能相关岗位的市场需求持续攀升，人才缺口规模进一步扩大，其中大模型应用、计算机视觉、机器学习等核心方向的岗位增速尤为显著。岗位需求量大、稳定性强、入门门槛低，是零基础转行人工智能的最佳切入点之一，且可逐步向算法、数据挖掘等方向晋升

1）Prompt工程进阶普通用户只会简单提问，而开发级Prompt工程，需要掌握角色设定、思维链、Few-Shot示例、格式约束、输出校验等技巧，让智能体具备稳定、标准化的输出能力，规避幻觉、答非所问等问题。1）私有知识库搭建掌握文档解析、文本切片、向量化、向量数据库对接、相似度检索等流程，解决智能体“知识滞后、无法适配企业私有数据”的问题，适配办公、运维、咨询等主流商用场景。新手无需深究大模型底