阶段九AI 工程师入行 / 转行 / 就业 / 面试指导本博客为 9 阶段 AI 学习课程的收官篇。前半程阶段一到阶段八解决「会不会做」阶段九解决「如何把学到的东西换成 offer」。全文聚焦岗位认知、简历包装、面试八股、手撕代码、薪资谈判与职业规划适合准备入行/转行的 AI 求职者收藏与反复查阅。0. 实验环境与运行方式项目内容Python3.13.14venv核心库numpy 2.5.1 · matplotlib 3.11.1目录src/可运行 demo·figures/配图运行python src/make_figures.py生成配图python src/xxx_demo.py运行手撕代码中文显示Windows 环境下使用Microsoft YaHei字体渲染图表中的中文。1. 岗位全景AI 赛道与方向选择AI 岗位名称多、边界模糊新人常被「算法工程师 / 机器学习工程师 / 深度学习工程师 / CV / NLP / LLM 工程师」绕晕。下面先给一张方向对比表再画一张五维雷达图做直观区分。1.1 常见方向速查表方向核心工作关键技能适合背景入行难度前景关键词AI 算法工程师通用模型调研、训练、部署、效果优化数学 ML/DL 编程 业务理解计算机/数学/统计/转行高需求稳定看项目深度机器学习工程师 MLE特征工程、模型训练、AB 测试、线上监控ML 全链路、Spark/SQL、工程化数据/工程背景友好中工业界需求量大深度学习工程师端到端神经网络设计与训练PyTorch、模型结构、调参、分布式训练有扎实 DL 基础高岗位数量少于 MLE偏研究/业务CV 工程师图像分类 / 检测 / 分割 / 多模态视觉CNN、ResNet、YOLO、OpenCV、数据标注计算机/电子/图形学中高自动驾驶、工业质检、医学影像NLP 工程师文本分类、NER、检索、对话、LLM 微调Transformer、BERT、预训练、RLHF、RAG计算机/语言/数学高LLM 带动 NLP 岗位升级LLM / 大模型工程师预训练、微调、Prompt、RAG、Agent、推理加速Transformer、PEFT、vLLM、分布式、推理优化科研/竞赛/工程很高当前最热门薪资高算法工程师搜广推推荐、搜索、广告排序与召回召回/排序、特征体系、AB 实验、业务指标工程/数据背景高互联网大厂核心岗AI 应用 / 工程方向把模型封装成 API/产品、RAG、Agent 落地Python 后端、Docker、向量库、LLM API 编排工程/全栈背景中岗位增长最快转行友好一句话建议零基础/转行优先走「机器学习工程师 / AI 应用工程师」科研/竞赛背景冲「LLM / CV / NLP 算法岗」工程背景强可走「搜广推 / MLE」。1.2 方向对比雷达图下图从「学习曲线、岗位需求量、薪资上限、转行友好度、前沿热度」五个维度给出相对定位数值越高代表该维度越突出。雷达图解读LLM / 大模型薪资和热度双高但学习曲线陡峭、对科研/工程复合能力要求最高。AI 应用 / 工程转行友好度和岗位需求量最高适合先把模型「跑通、落地、变现」。机器学习工程师需求量稳健、转行友好度尚可是多数人的稳妥选择。CV / NLP薪资上限高但岗位量相对窄需要垂直领域积累。1.3 薪资与职级中国大陆互联网/科技公司参考职级典型年薪总包核心要求代表公司初级算法工程师20–35 w完整项目 八股 中等刷题中小厂 / 大厂边缘部门中级算法工程师35–60 w业务指标提升 模型上线经验互联网大厂 / AI 独角兽高级算法工程师60–100 w系统优化 带项目 影响力头部大厂 / 一线 AI 公司算法专家 / Staff100 w领域深耕 团队建设 技术选型大厂核心组 / 创业公司 CTO注薪资 月薪 × 月数 股票/期权 签字费 绩效谈 offer 时务必问清「总包构成」与「绩效/股票归属节奏」。2. 能力地图与学习路线2.1 从入门到就业的技能路线图结合本课程阶段一到阶段八我画了下面这张图主线是八阶段技术栈底部红色横条是阶段九的求职实战能力——它贯穿在所有阶段之上。按阶段拆解阶段必须拿下的能力产出的简历弹药阶段一Python 数学Python 语法、NumPy、线性代数、概率、微积分数据处理小工具、数学可视化阶段二机器学习回归、SVM、树模型、聚类、评估指标、交叉验证完整 ML 项目数据清洗 → 建模 → 评估阶段三数据处理Pandas、特征工程、缺失值、异常值、归一化一份可复用的数据处理 Pipeline阶段四PyTorch张量、自动求导、Dataset/Dataloader、训练循环自定义模型 训练脚本阶段五经典模型CNN / RNN / Transformer图像分类 / 文本分类 Baseline阶段六CV分类、检测、分割目标检测 / 分割项目阶段七AIGCGAN、Diffusion、图像生成生成式 Demo / 论文复现阶段八NLP / LLM词向量、Attention、预训练、微调、RAG大模型微调 / 对话机器人2.2 求职前自检清单在投递简历前建议逐项打勾能独立跑通至少2 个完整项目数据 → 模型 → 评估 → 结论能用STAR 法则讲清楚每个项目后文详述至少1 个项目与目标岗位强相关投 LLM 岗就不要只写传统 CVLeetCode 已刷150 题重点题型能默写能手写 softmax / KMeans / 二叉树 / LRU 等高频代码八股能回答过拟合、反向传播、CNN、Transformer、Attention 等核心机制简历中有量化指标准确率提升 X%、推理延迟降低 Y ms、QPS 提升 Z3. 简历与项目包装3.1 项目经历不是「我做了 A然后做了 B」面试官最关心三件事问题是什么、你怎么解决的、效果有多好。推荐用STAR 法则写项目模块内容反例 vs 正例S 情境项目背景与业务/学术问题反做了一个图像分类。 正面向工业质检场景需要识别 6 种 PCB 缺陷原始数据正负样本比例 1:20。T 任务你的职责与技术目标反负责模型训练。 正负责数据清洗、不平衡采样、Baseline 模型搭建与效果优化目标 mAP0.5 ≥ 0.80。A 行动用了什么方法、为什么反用了 YOLO。 正先用 ResNet18 Baseline改用 Focal Loss Mosaic 数据增强再迁移到 YOLOv8 并做量化蒸馏。R 结果量化指标反效果变好了。 正mAP0.5 从 0.62 提升至 0.84推理延迟从 120 ms 降至 35 ms模型体积减少 60%。3.2 课程项目如何改写成简历项目课程项目虽然偏教学但只要用业务语言包装完全可以写进简历。课程阶段原始标题简历写法STAR 压缩版阶段二房价预测回归基于 XGBoost 特征工程的房价预测RMSE 从 12.5 降至 8.3完成数据清洗到模型部署全流程。阶段五CNN 图像分类ResNet18 数据增强实现 10 类图像分类Top-1 Acc 92.4%对比 VGG16 推理速度快 3×。阶段六目标检测 DemoYOLOv8 工业小目标检测F1-score 0.81通过 Mosaic MixUp 将 mAP 提升 11%。阶段七Diffusion 图像生成Stable Diffusion LoRA 微调 Prompt 工程生成特定风格图像FID 降低 18%。阶段八文本分类BERT 微调实现新闻 14 类分类F1 0.89后续改用 RAG 构建企业内部知识问答 Demo。3.3 简历量化指标公式简历里的数字是抓住 HR 眼球的钩子常见量化维度精度准确率 / 精确率 / 召回率 / F1 / mAP / AUC / BLEU / CIDEr效率推理延迟ms、吞吐QPS/FPS、模型体积MB、训练时间h业务点击率提升、转化率提升、成本降低、覆盖用户数工程代码行数/模块数、单元测试覆盖率、CI/CD 接入情况4. 面试八股分类梳理面试中的「八股」不是背答案而是检验你是否真正理解模型为什么这样设计。下面按方向给出高频题框架、关键词与答题要点。4.1 机器学习基础主题高频题框架关键词 / 答题要点过拟合与欠拟合什么是过拟合怎么解决增加数据、正则化L1/L2/Dropout、早停、简化模型、交叉验证、数据增强正则化L1 与 L2 区别为什么能防过拟合L1 稀疏解特征选择L2 权重衰减都限制模型复杂度从贝叶斯角度看是先验损失函数常用损失有哪些适用场景MSE/MAE回归、交叉熵分类、Focal Loss类别不平衡、Contrastive Loss表征评估指标Accuracy 的陷阱不平衡数据看 Precision/Recall/F1二分类看 ROC-AUC检测看 mAP生成看 FID/IS偏差方差偏差-方差分解与权衡高偏差 → 欠拟合高方差 → 过拟合Bagging 降方差Boosting 降偏差树模型GBDT / XGBoost / LightGBM 核心区别梯度提升、一/二阶泰勒展开、直方图算法、Leaf-wise vs Level-wise、类别特征处理集成学习Bagging vs Boosting vs Stacking并行 vs 串行、同质 vs 异质、加权融合4.2 深度学习基础主题高频题框架关键词 / 答题要点反向传播神经网络怎么更新参数链式法则、计算图、前向求 loss、反向求梯度、参数沿负梯度更新激活函数ReLU / Sigmoid / Tanh / GELU 对比ReLU 计算快但 Dead ReLUSigmoid/Tanh 梯度消失GELU/Swish 更平滑优化器SGD / Momentum / Adam / AdamWSGD 慢但泛化好Momentum 加速Adam 自适应学习率AdamW 解耦权重衰减归一化BN / LN / IN / GN 区别BN 按 batch 维度LN 按样本维度稳定训练、允许更大学习率、有正则效果CNN卷积为什么有效池化作用局部连接、权值共享、平移不变性池化降采样、增大感受野、减少计算RNN / LSTM梯度消失/爆炸怎么解决LSTM 门控机制遗忘/输入/输出门、GRU 简化版、梯度裁剪TransformerSelf-Attention 为什么强全局依赖、并行计算、Q/K/V 计算、位置编码、多头注意力、残差连接与 LN4.3 计算机视觉主题高频题框架关键词 / 答题要点图像分类ResNet 为什么能训到 1000 层残差连接缓解梯度消失、恒等映射、 Bottleneck 结构目标检测YOLO / Faster R-CNN / RetinaNet 区别One-stage 快 vs Two-stage 准Anchor-based vs Anchor-freeNMSFPNFocal Loss语义分割U-Net / DeepLab 核心思想编码器-解码器、跳跃连接、空洞卷积 ASPP、上采样数据增强怎么解决数据少/不平衡几何变换、颜色抖动、MixUp、CutMix、Mosaic、AutoAugment、过采样/欠采样模型压缩部署时怎么加速剪枝、量化、知识蒸馏、TensorRT / ONNX、算子融合4.4 NLP / 大模型主题高频题框架关键词 / 答题要点词向量Word2Vec / GloVe vs BERT静态 vs 动态上下文表示CBOW / Skip-gram负采样AttentionAttention 机制为什么有效Q/K/V、相似度打分、加权求和、解决长距离依赖Transformer解码器为什么用 Masked Attention自回归生成防止看到未来 tokenEncoder 双向Decoder 单向预训练BERT 与 GPT 区别BERT masked language model理解GPT autoregressive生成LLM 微调Fine-tuning / LoRA / Prompt Tuning全参数微调成本高LoRA 低秩适配Prompt Tuning 只训 soft prompt对齐RLHF / DPO 是什么人类反馈强化学习、奖励模型、PPO、DPO 直接偏好优化RAG大模型幻觉怎么缓解检索增强生成、向量数据库、Embedding 召回、重排序、上下文拼接4.5 AIGC生成式 AI主题高频题框架关键词 / 答题要点GANGAN 训练难点生成器/判别器博弈、JS 散度梯度消失、WGAN-GP、模式坍塌VAEVAE 与 GAN 区别显式学习潜在分布、KL 散度约束、可推断隐变量DiffusionDDPM 核心思想前向加噪马尔可夫、反向去噪U-Net 预测噪声、重参数化文生图Stable Diffusion 加速方案U-Net VAE CLIP、DDIM / DPM-Solver、ControlNet、LoRA4.6 工程与系统主题高频题框架关键词 / 答题要点Python 基础GIL、深浅拷贝、装饰器、生成器GIL 限制多线程 CPU 并行多进程绕过深浅拷贝对可变对象区别数据结构常用结构时间复杂度数组/链表/栈/队列/哈希/堆/树/图排序、查找、TopK分布式训练DP / DDP / FSDP / ZeRO数据并行、模型并行、流水线并行、梯度同步、显存优化大模型推理vLLM / TensorRT-LLM 加速原理KV Cache、PagedAttention、量化INT8/AWQ/GPTQ、Continuous Batching模型部署TorchServe / Triton / FastAPI服务化封装、动态批处理、超时降级、监控与日志5. 刷题与 Coding5.1 LeetCode 重点题型清单类型必刷题号示例考察点数组与哈希1、15、49、128、560两数之和、三数之和、前缀和链表2、19、21、141、206合并、删除倒数、环检测、反转栈与队列20、155、232、739括号匹配、最小栈、单调栈二叉树94、104、226、236、543遍历、深度、翻转、LCA递归与回溯46、78、79、39全排列、子集、DFS动态规划70、300、322、1143、53爬楼梯、LIS、背包、LCS贪心55、121、435、56跳跃游戏、股票、区间合并二分查找33、34、153、704旋转数组、找边界、找峰值双指针11、42、141、167盛水、接雨水、快慢指针高频设计146LRU、380、460数据结构设计5.2 手撕代码 Demo 1数值稳定的 Softmax# src/softmax_demo.pyimportnumpyasnpdefsoftmax_stable(x):xx-np.max(x,axis-1,keepdimsTrue)enp.exp(x)returne/e.sum(axis-1,keepdimsTrue)if__name____main__:znp.array([2.0,1.0,0.1])psoftmax_stable(z)print(f输入 logits {z})print(fsoftmax {np.round(p,4)})print(f概率和(sum) {p.sum():.6f})bignp.array([1000.0,1001.0,1002.0])p_bigsoftmax_stable(big)print(f稳定版(大值) {np.round(p_big,6)}和{p_big.sum():.6f})真实运行结果 手撕 softmax数值稳定版 输入 logits [2. 1. 0.1] softmax [0.659 0.2424 0.0986] 概率和(sum) 1.000000 朴素版(大值) [nan nan nan] # 已溢出为 nan 稳定版(大值) [0.090031 0.244728 0.665241] 和1.000000 batch softmax 每行和: [1.0, 1.0]面试要点先写朴素版再主动指出exp上溢问题然后给出「减最大值」的数值稳定版。加分项矩阵 batch 形式、对 axis 的理解。5.3 手撕代码 Demo 2KMeans 聚类# src/kmeans_demo.py核心片段defkmeans(X,k,iters100,seed0):rngnp.random.default_rng(seed)idxrng.choice(len(X),sizek,replaceFalse)centersX[idx].copy()labelsnp.zeros(len(X),dtypeint)for_inrange(iters):distsnp.linalg.norm(X[:,None,:]-centers[None,:,:],axis2)new_labelsdists.argmin(axis1)new_centersnp.array([X[new_labelsj].mean(axis0)forjinrange(k)])ifnp.allclose(new_centers,centers):breakcentersnew_centers labelsnew_labels wcsssum(((X[labelsj]-centers[j])**2).sum()forjinrange(k))returnlabels,centers,wcss真实运行结果 手撕 KMeans 聚类 样本数90, 聚类数 k3 质心坐标 [[ 4.995e00 -2.400e-02] [ 3.700e-02 2.000e-03] [ 4.944e00 4.945e00]] 各簇样本数[30, 30, 30] 簇内平方和 WCSS11.9249 kmeans_demo 运行完毕。面试要点要讲清楚 E-step分配和 M-step更新质心提到随机初始化对结果的影响可扩展讲 k-means 初始化。5.4 其他高频代码片段完整脚本见src/脚本内容面试考点src/binary_tree_demo.py前序 / 中序 / 后序遍历递归 迭代递归与栈的转换、中序后序重建树src/lru_demo.py哈希表 双向链表实现 O(1) LRU时间复杂度分析、双向链表操作src/quick_sort_demo.py快速排序 有序数组两指针求和分区思想、双指针收敛6. Offer 谈判与职业规划6.1 薪资构成拆解收到 offer 时不要只看月薪数字要算年度总包TC, Total Compensation组成说明谈判注意点基本工资每月固定发放影响公积金、社保基数绩效奖金通常 3–6 个月与个人/公司绩效挂钩问清绩效评定规则与发放节奏股票/期权长期激励可能分 4 年归属归属比例、税率、离职未归属部分签字费 / 搬家费一次性补偿可争取尤其是跨城市跳槽五险一金公积金比例、补充医疗大厂通常顶格缴纳6.2 职级与晋升阶段核心能力建议P5 / 初级执行 学习多做项目、熟悉工具链、建立工程规范P6 / 中级独立负责模块能独立端到端交付积累业务指标senseP7 / 高级复杂系统 带人做技术决策、跨团队沟通、带 1–3 人P8 / 专家领域影响力输出技术方案、专利、演讲、开源贡献6.3 转行建议如果你是转行/非科班优先级排序先补 Python 数学 ML 基础阶段一、二、三。做 1–2 个完整项目放到 GitHub附 README 和运行说明。投 AI 应用 / MLE / 数据分析岗不要一上来死磕 LLM 算法岗。利用原有行业经验金融背景做量化/风控 AI医疗背景做医学影像零售背景做推荐都是差异化优势。降低第一份工作预期中小厂或大厂边缘部门的 AI 岗位先入行再内部转岗或跳槽。7. 课程总复盘与下一步建议7.1 9 阶段全景回顾阶段一到四打地基Python、数学、ML、数据处理、PyTorch。地基不牢地动山摇。阶段五到八建高楼CNN/RNN/Transformer、CV、AIGC、NLP/LLM。找到自己的主攻方向。阶段九把高楼卖出去简历、八股、刷题、面试、谈薪。这是最容易被忽视但决定结果的一环。7.2 给读者的下一步行动清单今天用 STAR 法则把课程项目改写成 3 条简历项目经历。本周完成一份一页纸简历找前辈或 AI 招聘网站如 Boss/脉脉/牛客做 mock 面试。本月LeetCode 刷到 150 题重点掌握数组/树/DP/双指针/LRU。三个月内针对目标方向做 1 个可展示的项目如 LLM RAG 应用、CV 检测 Demo、推荐系统并写成博客/GitHub。持续关注顶会NeurIPS/ICML/ICLR/CVPR/ACL、跟进开源项目Hugging Face、vLLM、LangChain、保持手撕代码手感。AI 行业变化极快入职不是终点而是终身学习的起点。希望这份指南能帮你把前八阶段的积累转化为一份满意的 offer。附录本阶段文件清单文件说明figures/roadmap.png从入门到就业的 AI 技能路线图figures/direction_radar.pngAI 岗位方向五维对比雷达图src/make_figures.py生成上述两张配图的 matplotlib 脚本src/softmax_demo.py手写数值稳定 softmaxsrc/kmeans_demo.py手写 KMeans 聚类src/binary_tree_demo.py二叉树遍历递归 迭代src/lru_demo.py手写 LRU 缓存src/quick_sort_demo.py快速排序 两指针所有代码均已在本地 Python 3.13.14 环境真实运行输出已嵌入正文。祝你求职顺利