经常有朋友问我，自己数学不好，高中数学都忘得差不多了，能不能转大模型？我直接给结论：数学不好完全能转大模型，80%的基础岗根本不用深钻微积分、线性代数，先聚焦“能落地的技能”，数学按需补就行。

大模型行业不是只有算法研究员这一种岗位，像应用开发、Prompt工程、行业解决方案这些岗位，核心是“用工具解决问题”，不是“推导数学公式”。我见过一个之前做行政的小伙子，数学只记得初中水平，每天抽2小时学Python和LangChain，5个月后就拿到了大模型应用开发的offer——他连矩阵乘法都没吃透，但能搭出企业文档问答工具，这就够了。

一、先分清岗位：不是所有大模型岗位都要数学

别一上来就被“数学”吓住，先看你想做什么岗位，不同岗位对数学的要求天差地别，零基础优先选“低数学需求岗”。

1. 低数学需求岗（零基础首选）：不用补复杂数学，会基础逻辑就行

这类岗位占大模型岗位的60%以上，核心是“用现成工具落地”，数学只要懂点初中基础就够。

• 大模型应用开发工程师：用LangChain、Llama Index搭问答工具、智能客服，需要的数学就是“Python里的函数逻辑”（比如if判断、for循环），跟初中数学的“函数对应关系”差不多，不用算复杂公式。
• Prompt工程专家：设计指令让模型出精准结果，靠的是“理解业务逻辑”和“优化指令话术”，比如给金融场景写Prompt，只要懂行业术语，不用算概率、求导数。
• 行业解决方案师：把大模型适配到医疗、教育等行业，重点是懂行业流程，比如做医疗文档问答，只要知道病历里的关键信息（病症、用药），不用分析模型的数学原理。

2. 中数学需求岗（有基础后可转）：补点概率统计，不用啃微积分

这类岗位需要一点数学逻辑，但不用深钻，学基础概念就行。

• 大模型运维/部署工程师：监控模型性能、优化推理速度，需要懂“概率统计里的均值、方差”（比如看模型回答的准确率波动），还有“简单的矩阵概念”（知道模型输入输出是向量就行，不用手动计算）。
• 数据标注/清洗专家：处理大模型训练数据，需要懂“数据分布”（比如知道数据里的正样本、负样本占比），不用推导公式，用Excel或Python算就行。

3. 高数学需求岗（不建议零基础直接冲）：需要系统补数学

这类岗位是算法岗，适合有一定基础后再转，零基础别上来就碰。

• 大模型算法研究员：做模型调优、新算法研发，需要懂微积分（求梯度）、线性代数（矩阵运算）、概率论（贝叶斯公式），还要会推导损失函数，对数学要求高。
• 模型训练工程师：负责大模型训练过程，需要懂“优化器原理”（比如Adam算法的数学逻辑）、“正则化”（防止过拟合的数学方法），也要系统补数学。

二、数学不好该补什么？分“必补基础”和“按需补进阶”

零基础不用抱着《高等数学》啃，先补“能立刻用得上的数学”，用多少补多少，别搞“超前学习”。

1. 必补基础：初中数学+概率统计入门（2周就能搞定）

这些知识是“用大模型工具”的基础，学完就能用，每天1小时，2周足够。

• 初中数学核心：函数（理解Python里的函数输入输出对应关系）、坐标系（知道“数据可视化”里的x轴y轴代表什么，比如看模型准确率曲线）、基础逻辑（if/else、for循环，对应数学里的“条件判断”“重复运算”）。
  • 怎么学：不用看课本，直接看Python教程里的“函数”“循环”章节，边学代码边回忆数学逻辑，比如写一个“计算两个数相加”的函数，就对应数学里的“加法函数”。
• 概率统计入门：重点学“概率、均值、方差、百分比”，比如知道“模型准确率90%”是什么意思（100次回答里90次对），“方差大”代表模型结果不稳定。
  • 怎么学：看B站“概率统计入门”的短视频（10分钟1个），不用推导公式，记住“怎么用”就行，比如用Python的numpy库算均值，知道结果代表什么。

2. 按需补进阶：想转中高需求岗，再补这些（1-2个月）

如果学完基础岗想往运维、部署方向转，再补这些，不用深钻，懂概念、会用工具算就行。

• 线性代数基础：知道“向量、矩阵”是什么（比如大模型的输入是“词向量”，就是一串数字），不用手动算矩阵乘法，会用numpy库的dot函数就行。
• 概率论进阶：学“条件概率、贝叶斯定理”的基本概念（比如知道“模型在医疗场景的准确率”和“通用场景准确率”不同，是条件概率的影响），不用推导公式，能理解模型结果的“可信度”就行。
  • 怎么学：看《面向程序员的数学》里的线性代数、概率章节，重点看“代码实现”部分，比如用代码算条件概率，不用背公式。

三、数学不好的3个学习建议：别跟数学死磕，跟“问题”走

1. 先学“能用的技能”，遇到数学问题再补

别一上来就补数学，先学Python和LangChain，搭一个简单的问答工具。比如你搭工具时遇到“怎么计算文档相似度”，再去学“向量相似度”的基本概念，这样学数学是为了解决问题，记得牢，也不会焦虑。如果没遇到问题，就不用先补，避免“学了用不上，最后全忘”。

2. 用“工具”替代复杂计算，别手动算

大模型工作里的数学计算，基本都靠工具，不用手动算。比如算矩阵乘法用numpy，算概率用scipy，画数据分布图用matplotlib。你只要知道“调用哪个工具、看哪个结果”就行，不用会手动推导，比如用numpy.dot算两个向量的相似度，知道结果越大代表越相似，就够了。

3. 别纠结“会不会推导”，先求“能不能用”

数学不好的人容易钻牛角尖，比如纠结“为什么梯度下降能找到最优解”。其实对基础岗来说，不用懂推导，只要知道“调用模型时，调大学习率可能让结果波动变大”就行。就像你用手机不用懂芯片原理，会用就行——大模型里的数学，对基础岗来说也是“工具”，不是“研究对象”。

最后说句实在话

大模型行业缺的是“能落地解决问题的人”，不是“数学好的人”。数学不好的人，只要能搭出能用的工具、能理解业务需求、能把大模型用到实际场景里，就比“只会背数学公式、不会动手”的人值钱。

别总想着“我数学不好，肯定学不会”，你先花1周时间学Python基础，写2个小脚本，再花2周搭一个简单的问答工具——等你能做出东西，就会发现，数学根本不是门槛，“敢动手、能落地”才是。