本文详细解析AI/CS行业职业规划，涵盖大模型、搜广推、自动驾驶等主流方向，深入探讨算法与开发工程师的职业路径选择。重点强调实习规划、简历撰写、面试技巧及公司选择策略，分享求职大厂的核心经验与内幕信息，帮助读者系统规划AI职业发展，提升竞争力，获得理想Offer。

一、AI/CS行业的职业发展主流方向

1. 算法

算法领域普遍被认为是高薪酬岗位集中的专业方向。

（1）大模型

这是当前算法领域最主要的方向之一。最热门的方向，涵盖了从模型预训练、后训练到部署优化的整个链路。

（2）Infra（基础设施）

传统上Infra偏向软件开发，但如今在大模型时代，其界限已日益模糊。由于大模型训练和推理涉及大规模、高并行的计算资源调度与优化，Infra岗位需要解决复杂的算法问题，因此其薪酬水平已看齐甚至超越传统算法岗。字节跳动等公司已明确将Infra视为算法的一部分，而像DeepSeek等顶尖AI公司也为Infra岗位开出了极具竞争力的薪资。

（3）语言模型

除了基础的预训练（Pre-train）和后训练（Post-train），目前的研究热点主要集中在 AI Agent和 **推理（Reasoning）**上，旨在让模型能像人一样思考、规划并执行复杂任务。

（4）多模态

多模态的方向比语言模型更多一些，包括具身智能（Embodied AI）和 Diffusion 相关的文生图/文生视频（Sora 火了之后，这个方向又热起来了）。

2. 搜广推（搜索、广告、推荐）

这是互联网行业最成熟、最稳定的商业化方向，堪称永远的“基本盘”。尽管现在搜广推业务也在积极融合大模型技术，但其本身拥有清晰的业务逻辑和盈利模式，因此比纯粹的大模型研究岗更稳固。许多求职者倾向于选择“搜广推 + 大模型”的岗位，以此在追求技术前沿的同时，获得更高的职业安全感。这完全取决于个人的风险偏好。

3. 自动驾驶

尽管常有人调侃“CV（计算机视觉）已死”，但自动驾驶行业在2025年的招聘市场依然保持着不错的势头。CV领域的挑战主要在于人才饱和、竞争激烈，其“卷”的程度与大模型不相上下。但CV作为自动驾驶的核心技术之一，仍在不断演进和创造价值。

4. 开发（Development）

（1）前后端开发

支撑所有互联网应用的基础，需求量大，岗位稳定。

（2）游戏开发

是一个相对独立的技术栈，需要专门的知识体系（如图形学、游戏引擎等）。选择此方向的同学多半怀揣着游戏开发的梦想。需要注意的是，游戏行业的平均薪资可能不如前沿算法领域。

（3）大数据与云计算

这两个方向和算法的界限没有那么分明，可能写代码的工作会更多一些。

5. 产品经理（Product Manager，PM）

这个岗位常被技术同学忽略，但在大模型时代，其重要性愈发凸显。如何为强大的通用AI技术找到有价值的落地场景，是当前所有AI公司面临的核心挑战。一个优秀的产品经理能精准定义问题、洞察用户需求，从而引领技术走向正确的商业化道路。因此，许多公司非常欢迎有扎实计算机背景的同学转型产品经理。其薪资下限不低，虽上限可能不及顶尖算法专家，但绝非低薪岗位。

6. 量化（Quantitative Finance）

（1）QR (Quant Researcher)

量化研究员，专注于研发和验证能够盈利的交易策略。

（2）QD (Quant Developer)

主要偏开发，更多是框架和高性能计算。量化开发工程师，更偏向工程实现，负责搭建和维护高性能的交易系统、数据框架。

一直在更新，更多的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇

二、职业发展道路介绍

1. 算法工程师的职业路径

（1）技术深耕路线

初级工程师（大头兵）：大多数硕士或本科毕业生的起点。
小组长（Tech Lead）：负责一个小型技术方向或项目。顺利的话，工作2-5年可以达到，但在当前晋升放缓的大环境下，可能需要更长时间，同时也依赖于跟对人、选对方向的机遇。
组长（Manager）： 再经过3-10年的积累，有机会晋升为管理一个完整团队的组长。

要走这条路，重要的点在于：

持续学习：必须保持对前沿技术的敏锐度，这意味着可能每天都要抽时间看论文、看技术分享。最难的是，当一天从早工作到晚身心俱疲时，还得逼着自己去学习。选择技术路线，基本上要一直这样“卷”到35岁。当然，这条路的上限肯定是很高的。

人际关系： 想晋升为组长，需要维持良好的人际关系。因为大厂的晋升名额是有限的，必须和直系领导、领导的领导维持好关系；同时，也要和同级同事、跨团队同事搞好关系。因为当升不上去想跳槽时，人脉就非常重要了。

积累代表作：需要积累有代表性的工作成果，提升行业知名度。因为大多数硕士毕业生不像博士那样有很强的光环。当竞争对手是博士时，就意味着需要在工作中选择好的方向，做出有影响力的东西，才有资格和博士们竞争组长的职位。（这条主要适用于 Research 方向）

积累业务经验： 如果选择业务（Business）方向，要超越“执行者”的角色，多思考任务背后的“为什么”，深入理解业务逻辑。业务方向的成长往往与经验积累和解决实际问题的能力强相关。

（2）Research vs. 业务的选择

Research 方向：通常不直接产生收入，如字节跳动的一些前沿研究组。优点是工作节奏可能相对宽松，能接触前沿理论。缺点是薪酬激励可能不如业务岗直接，且方向存在不确定性，有时会被分配到探索性较强但短期内难出成果的项目。比如投简历时可能会被一些奇怪的组捞起来，比如一个做编解码的组，让你去探索多模态大模型如何用于编解码，这就是典型的非业务、探索型的组。

业务方向： 优点是离商业和利润更近，能创造直接价值，项目成就感强。缺点是工作节奏快，压力大，尤其在产品上线或迭代的关键时期。但正因为离钱近，在公司面临裁员时，业务核心团队相对更安全。

建议： 我个人比较建议大家选择“业务 + 探索”型的团队。这样做的好处是既有可能产出论文，又能积累业务经验。

（3）其他转型路线

当然，算法岗如果想要转型，还有很多其他的出路。

考公/进国企：先去大厂工作几年再考虑这条路，有几点优势：首先，当前AI领域正处风口，薪资待遇优厚，可以先积累一笔可观的财富；其次，通过在大厂工作可以解决部分大城市的落户问题（如北京、上海），从而获得报考本地优质公务员岗位的资格。若有志于此，建议在校期间积极参与党团活动，争取早日入党，为体制内发展铺路。

转量化策略： 很多算法工程师在干了几年、有了一定积累或知名度后，会选择转去做量化策略岗。量化策略岗的要求通常是：清北或华五背景且数理基础好；有竞赛金牌或银牌（高考时期的）；或者论文非常多。

转开发： 算法转开发需要额外学习一套完整的开发技术栈，但优势在于开发的职业路径更宽广，稳定性更高。建议在校期间多参与ACM等编程竞赛，打好工程基础；工作中则多与开发同事交流，主动学习系统设计和架构知识。

副业转主业/创业：
无论是创业还是副业转主业，都需要积累人脉。并且要发现自己的副业潜力或擅长领域。现在的副业市场很广，比如教育、写作。大家可以多试试，看看自己到底适合什么，以及可以去经营一下自媒体。

创业也没大家想的那么难。比如我前年就发现，用 Claude 这样的工具，一个人基本就能搭出一个简单又漂亮的前后端。创业的难点在于是想做大做强，还是只想赚钱。举个例子，有一个做“识花”小程序（识别花草）的公司，他同时还做了一系列识别其他东西（如石头等）的小程序，总共1000多个。这家公司每年的账上利润大概有1000多万，主要客户在国外，国内只是顺带做。这说明，只要你能发现一个市场需求，并且目前没人做，你就可以去做。

读博/回校： 硕士的天然劣势就是比博士少读了三四年书，除非你读硕期间非常卷（有硕士毕业有五六篇顶会的，这种就不用考虑读博了）。一般来说，选择读博的原因可能是：大厂升不上去，跳槽又没好机会，正好有个读博的好机会就去了。读完博可以选择回高校，不一定做科研，也可以赚够了钱，回到高校担任行政岗。对于科大本硕的同学来说，这也是一条可行的路。

2. 开发工程师的职业路径

开发的退路要比算法要广一些。

（1）技术深耕路线： 这和算法类似。首先要对技术有热情，愿意钻研。其次，开发也需要持续学习，因为技术迭代非常快。

（2）转国企/考公： 开发背景在体制内的选择远多于算法，各大国有银行、运营商、事业单位都有大量的技术岗需求。建议提前2-3年规划，了解目标单位的技术栈和招聘偏好。

（3）转量化开发/Web3：我觉得很多在大厂做开发的人，后来都转去做量化开发了。主要原因是量化开发没那么累。去量化公司做开发，一般可能六点就下班了，肯定比在大厂舒服。当然，现在知道这条路的人也多了，竞争也激烈了，所以技术要过硬。

（4）转产品/创业： 开发比算法更容易转创业。主要原因是，对于算法岗的工作内容，一个学开发的人学一学也能做简单的模型训练。但开发的门槛还是有的，哪怕现在AI工具这么好用，想搭一个高并发的系统依然不容易。开发也容易转产品，因为他们经常和产品直接对接，对用户需求更敏感。但这条路要求人要比较善于沟通，外向开朗。

一直在更新，更多的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇

三、职业方向选择

1. 算法岗位的选择

业务和研究的选择，本质上是个人价值观的体现。若追求稳定和高收入，业务岗是首选。若渴望提升行业影响力，愿意承担风险挑战学术前沿，研究岗更合适。

2. 开发岗位的选择

开发也有很多岗位，其中一些会比较辛苦，比如需要on-call（24小时待命处理线上故障）随时待命，大家在选择时要考虑自己能否接受。

3. 看“卷度”

有些方向现在非常卷，比如大模型。大模型里面，像 Code（代码生成）和 Math（数学推理）这两个方向尤其卷。大家可以去看一些相关的榜单，基本上一周就会刷新一次排名。如果你选择这两个方向，就意味着你基本上没有休息的机会。

4. 看兴趣：

工作之前，很多人可能觉得兴趣不重要。但真正去实习或工作一段时间后，会发现兴趣真的非常重要。有兴趣，才会驱动一个人主动深入的钻研。我以前也觉得兴趣无所谓，但工作后才发现，对于感兴趣的方向，会自然而然地去看很多东西，然后慢慢变得熟练，并且进入正向循环。

5. 看头部公司

尽量去看行业的头部公司在做什么。比如大模型算法方向，就去看 OpenAI、Google、Anthropic 他们在做什么方向，或者他们刚发布了什么产品。沿着这个方向走，起码能保证这个方向不是一个“坑”。现在大模型的“坑”岗位非常多，可能进去一年也做不出什么成果，这对于应届生或实习生来说是致命的，因为你的简历上会缺少有竞争力的内容。

6. 尽早决定是否做量化

这一点也比较重要。因为量化和上面提到的整个技术栈分得比较开（除了 Infra，有大厂的 Infra 岗和量化岗是同招的）。如果想做量化策略（QR），基本上现在都是实习转正。想走这条路，起码要提前两年准备。

四、实习的极端重要性

现在计算机行业实在太卷，尤其是算法方向，这就导致实习变得至关重要。

1. 关于实习的正确心态

很多人觉得实习就是去做“dirty work”，去“洗数据”，每天就是写 prompt。我只能说，这太正常了。有时候正式员工90%的时间也是在干这个。包括拿了顶级 Offer 的人，也都在干这些事。

实习生去做这些 dirty work 是很正常的，但这不意味着简历上只能写这些。假设一个组有十几个人，总会有一两个人是在训练模型的，可以去和那些训练模型的人搞好关系，去看他们在做什么，去向他们请教。大多数公司的正式员工对实习生都非常友好，问什么基本上都会回答。

要善于主动学习，看懂他们在做什么，然后把这些学到的东西写到你的简历上。当然，不要写得太过分，但实习生圈子里大家都是这么做的。前提是，写上去了就一定要懂，一定要问清楚、学明白。

2. 实习 Title vs. 实习内容

实习的 Title（公司名气）当然重要，比如字节跳动这种大厂的实习 Title 肯定是加分的。但对于实习本身来说，你做的事情比 Title 更重要。除非你是为了转正，或者去的是一家只有十几人的不知名小公司，否则在大多数情况下，比如在字节和美团之间选择，我更建议你选“做的事情”。看哪个项目能更快出成果，或者哪个团队氛围更好。实习不是你的终点，它的目的是让你的简历变得更出色。

3. 论文与实习的优先级

对于算法岗来说，优先级是：对口的顶会论文 > 对口的实习 > 不对口的实习 > 不对口的论文。

这也是大模型领域的现状。如果觉得现在做的论文方向和最终想投的大模型方向关系不大，那么去找一份相关的实习可能会更好。

4. 实习期间的人脉积累

实习时，要多认识一些其他实习生和正式员工，和他们打好关系。有很多案例，都是正式员工跳槽到更好的组，然后直接把自己带过的实习生也推荐过去。这种内推的门槛会比你自己投简历低很多。

5. 三段式实习规划

对于竞争激烈的岗位，三段甚至更多的实习经历已是常态。

第一步：准备阶段

明确方向：看你想投递的方向，比如 AI Agent，然后去看它的 JD（职位描述）要求什么技能。

学习资料：小红书上有很多大佬乐于分享完整的学习路线。B站、知乎、YouTube 上也有大量的学习资源（比如 CMU、MIT 的公开课，都是免费的）。

第二步：三段式投递

第一段实习（敲门砖）

目标： 对于空白简历，很难直接投进中大厂的好组。所以第一份实习的目标就是“破冰”，让简历上有第一段相关经历。

选择：可以选择科大讯飞、校友企业，或者关注一些“急招”的岗位。急招通常是因为实习生突然离职或业务扩张，门槛会低很多。

要求：只需要大方向对就行。比如你想做 Agent，第一份去做 Post-train 也问题不大。空白简历想直接投到好组，基本不可能，你得先有大模型相关的简历。

如何找急招： 在微信上搜“大模型 实习”，关注那些推送实习信息的公众号。

建议：如果导师不放实习，先去科大讯飞也是不错的选择。否则等到秋招，如果还没有两篇好论文，会非常被动。

第二段实习（核心学习期）

目标： 第一份实习是敲门砖，第二份则是为了真正学习东西，让简历变得充实、好看。

选择： 建议选中厂或者大的初创公司。我不建议急着投大厂，因为如果第一段实习经历不够亮眼，投大厂也很难进到好组。在一个普通组学到的东西，不一定有在中厂或大初创公司学到的多。

第三段实习（目标公司/暑期实习）

目标：这时候简历已经比较充实了，可以开始投递自己的意向公司了，主要目标是争取留用。

选择要谨慎：你要仔细看清楚组里是做什么的。因为从研一开始算，你大概也就能做三到四段实习，第三段实习的方向很可能决定了你最终的秋招方向，甚至是之后两三年的职业方向。

善用内推：最好走内推。科大有很多学长学姐在互联网大厂，在脉脉上多搜一搜，大胆加好友，找他们内推到指定组。或者在 BOSS 直聘上直接找 HR 定点投递。这比在官网上“海投”有效得多。

6. 关于提前实习/实习转正

很多人不建议提前去实习或者依赖实习转正，但这有时候是一个很好的机会。

提前实习的好处是多了一次试错机会。可以提前了解组里的情况，如果不合适，春招带着 Offer 再找。这总比正式入职后才发现问题要好。等成了正式员工，再想走就麻烦多了。

7. 零基础新手入门指南

（1）搜学习路线：在知乎、小红书上搜索想学的方向的学习路线。

（2）补基础知识：根据路线图，在B站、YouTube等平台看相应的文档和视频，学习基础知识。

（3）动手做项目：当你有了基础知识后，可以找一些开源项目来实践，比如《动手学深度学习》、清华的《动手学大模型》等。国外也有很多实践课程，比如 UCLA 最近开的大模型实践课。跟着做一遍，这个项目就可以写进你的简历里。

（4）改源码： 看一看源码，动手改一改，这样你的空白简历上就有东西了。

（5）善用 AI 工具：现在大家很幸运，有 GPT、有 GitHub Copilot。遇到不懂的，直接问它们，比当年只能用 Google 搜半天要方便得多。很多代码看不懂，问 Copilot 也能解决。还有一些工具可以对整个代码库做解析（可以搜一下“deep”+“代码”相关的关键词），非常好用。

五、如何撰写简历

1. 第一份简历（空白简历）

课程成绩：写一些成绩好的核心课程（90分以上），80多分的就别写了。

课程项目/开源项目：写你在校内做的课程项目，或者自己跟着网上教程做的开源项目。并且量化你的成果（如“将模型准确率提升了5%”）。

突出优势：当你是空白简历时，你的优势只有两个：① 你是中科大的；② 你的实习时间长。 把这两点突出出来。

准备基础：提前刷一刷 LeetCode，因为空白简历非常容易被问到编程题和八股文。

2. 第二份简历（有了一段实习经历）

详细描述实习：把上一段实习的内容写得非常详细、清晰，因为这是你第二份简历的重点。要写清楚你做了什么、结果如何、提升了多少。

重点加粗：把关键信息，比如“提升了多少”、“用了什么模型”等，进行加粗处理。面试官大多是在你进入会议室后才开始看你的简历，加粗能帮他们快速抓住重点，留下好印象。

处理方向差异：如果你上一段实习和现在投递的方向有差异（比如上一段做 Post-train，现在投 Agent），我建议手动标出项目中的核心算法和难点。这样面试官就会有明确的提问方向，而不会乱问。如果你让他乱问，场面就容易失控。我秋招时就遇到过，面试官老问简历上一些奇奇怪怪的地方。后来我直接把简历里的重点全部加粗，并标出难点，面试官果然就顺着这些问了。

标明意向方向：在简历开头标明你的意向方向，比如“意向岗位：AI Agent”。

实习时间：建议不管实习多久，都写六个月到一年。面试时说能实习六个月，就算你三个月后想走，也没问题。但如果你只写三个月，你的简历优先级就会被排在后面。

3. 第三份及以后的简历（成熟简历）

格式顺序：

（1）学校

（2）意向方向

（3）与岗位最相关的实习经历（放在最前面，写得最详细）

要点提示：

内容为王：所有写在简历上的东西，都必须非常熟练。同样，要重点加粗。

精简内容：如果你已经有四五段实习了，那些不相关的实习经历就可以往后放，甚至直接删掉。我当时投简历时，就把所有量化相关的经历都删了，因为总有面试官问“你为什么不做量化了？”，如果碰到懂量化的，还会被追问技术细节，最后又因为“大模型经验不足”被挂掉。

用 GPT 扩写简历：如果你觉得自己的实习内容不够丰富，可以找 GPT 帮忙。告诉它“帮我扩写这段实习经历，扩到XXX字”，然后你看它扩写的方向，思考一下这些点你是否做过、或者是否知道怎么做。如果知道，就可以写上去。前提是，你得真的懂，不怕被问。

4. 投递顺序

对于第三次投递（暑期实习或秋招），我建议：

先投中小厂 → 每次面试都录音 → 面后复盘总结，查漏补缺 → 面十几次后再去投你的意向大厂。

人很难在头两三次面试中就表现得非常好。我秋招第一场面试是，一面问了两小时，二面又问了两小时，二面直接问崩了，挂了。如果把这场面试往后排，结果可能会好很多。先用小厂练手，等面试流程、问题都熟悉了，再去面心仪的公司。只要你面得足够多，自然就会非常熟练，面试表现好了，就不容易被挂。

六、如何准备和面对应试

1. 面试前的准备

刷题：LeetCode Hot 100 刷两遍基本就够了，特别是当你项目经历丰富时，一般不会问很难的代码题。Easy 和 Medium 难度为主，我没被问过 Hard。两周刷完两遍是完全可以的。

看面经：在秋招和暑期实习季，多看牛客和小红书。有很多热心的大佬会分享刚出炉的面经。如果你善于搜索，可能会搜到同一个岗位的面试题。

打听面试官风格：如果有机会，可以提前打听一下面试官的风格。如果你知道是被哪个组捞起来的，可以找里面的学长学姐问一下，这个面试官是喜欢问代码、问八股，还是问项目，然后针对性地准备。

跟进技术前沿：对算法岗尤其重要。我秋招时正好是 Sora 刚出来那段时间，被问了非常多次“你觉得 Sora 是怎么实现的？”如果你能自己整理一个文档，对着面试官讲，会加分很多。

准备 PPT：如果你有比较多的论文或项目，可以做一个 PPT，这样讲解时会给面试官留下非常好的印象。

整理八股文：我当时的整理方法是，看面经 + 记录每次面试被问到的问题，然后下来复盘整理。虽然也有人卖整理好的资料，但我强烈建议自己整理一遍，记忆会非常深刻。

2. 面试过程中的技巧

自我介绍：学校、成绩、专业可以快速带过，把大部分时间留给项目和论文。如果你对自己的项目或八股文非常自信，可以讲得非常细，甚至在讲项目的时候，顺便就把相关的八股文知识点给讲了。这样面试官就没东西可问了。我曾经有一次面试，项目讲了50分钟，把面试官想问的八股文都讲完了，他最后说：“我没啥想问的了，你有什么想问我的吗？”那场面试就顺利通过了。

引导面试官：讲项目时，要观察面试官是否感兴趣。如果他提问、有互动，说明他感兴趣，你就可以细讲。如果他不感兴趣，你就别滔滔不绝了，赶紧换下一个。

回答“随便挑一个项目讲讲”：这不是真的让你“随便”挑。你一定要挑一个和当前岗位最相关的项目来讲。

做代码题：看到题目后，最好先和面试官沟通你的思路，获得一个及时的反馈。面试官通常很愿意给提示。这样，即便你后面代码没完全写对，或者有点 bug，他也不会觉得你完全不行。

心态要放松，做一个“E人”：面试时一定要自信。很多时候，面试官在你所做的具体方向上，懂得不一定有你多。只要你足够自信，他就不会过多质疑。在 HR 面阶段，要表现得开朗一些，让对方觉得你是一个“非常想来的候选人”，这样在横向比较时，你的排名会更靠前。

关于实习时间/提前实习：如果问实习多久，统一回答“半年以上”。秋招时问能否提前实习，统一回答“能”。到底能不能，拿了 offer 之后再说。

遇到不会的问题：大方承认自己不会，不要紧张。人都会有遗忘或知识盲区，这很正常。一场面试，只要不是一半以上的问题都答不出来，一般不会轻易被挂。

3. 反问环节

不要不好意思问问题。如果说“没什么想问的”，会让面试官觉得你对这个岗位没什么兴趣。

可以问什么：

大胆提出自己真正关心的问题（不知道问什么可以去小红书搜“面试反问环节”）。

表达你对团队的浓厚兴趣。

问面试官：“您觉得我在这场面试中，有哪些地方还可以改进？”

问自己没答出来的问题的答案。

追问的技巧：

可以问自己没答出来的问题，比如我曾经遇到一个开放性的工程问题，因为没做过只能大概推测，被面试官追问时实在想不出来了。在反问环节，我就提问：“您觉得有什么更好的方法吗？”他就会说出他的想法，然后你就可以接着他的想法，继续往下聊具体的实现细节。这样一来一回，他就不会觉得你完全不懂，可能只是缺经验。

4. 面试后的复盘

   及时写复盘，记录没答好的地方。

   根据反馈修改简历。

   有针对性地刷题和补充知识。

   写面经，分享给他人，也方便自己日后回顾。

5. 常见的面试流程

（1）互联网大厂：通常是“3轮技术面 + 1轮 HR 面”。

一面（同事面）：主要针对简历问问题。

二面（Leader面）：可能会问一些业务相关的问题。

三面（总监/交叉面）：可能会问一些领域内更宏观、更宽泛的问题。

四面（HR面）：主要考察性格、岗位匹配度、求职意愿、Base地等。

加面（第五轮）：通常意味着前几轮面试官评价不一致，或者他们想给你一个更高的职级，需要更高级别的 Boss 来评估。

（2）初创公司：流程更简单，通常也是“3+1”轮。

技术面：更侧重于深入讲一个项目，对算法细节问得更多，很少写 LeetCode。

高管面：一般会面到 CTO 甚至 CEO。问题也比较宽泛，和在大厂第三轮差不多。

HR面：初创的 HR 非常喜欢问：“你为什么选择我们，不选择大厂？”

七、公司选择与薪酬谈判

1. 公司类型的选择（大模型方向为例）

（1）初创公司（如月之暗面、DeepSeek）：

优点：非常自由，很适合学习成长，文化自由，成长迅速，能接触到端到端的完整流程。我比较建议把第二段实习放在初创公司。

缺点：不稳定，风险高。

（2）互联网大厂（如BAT、字节）：

投递难度：核心组非常难进，基本上只能靠熟人带进去（比如你之前在中厂的 Leader 跳槽到大厂核心组，把你带过去）。现在像 DeepSeek 的一些好组，没有内部关系基本进不去。

优点：相对初创更稳定（当然也不好说），技术栈和流程更规范。

缺点：部门墙比较厚，想换方向比较难。比如你在 Agent 组，想转到多模态组就很难。但在初创，你对哪里感兴趣，跟上面打个招呼就能转，甚至不打招呼，只要你有精力干两个部门的活也是可以的。

（3）垂直领域公司（如生鲜电商、金融科技）：

投递难度：面试难度相对简单。

缺点：方向比较窄，进去之后再想跳槽会比较困难。

（4）国企（如中国移动）：

门槛：基本上只面向博士，硕士或本科生除非有竞赛金牌，否则希望不大。以及开发岗选择去银行也是不错的。

2. 各大厂工作作息（WLB）参考

（1）强度最大：字节跳动、初创公司、拼多多。

拼多多：公认的强度大，但给钱也到位。不过拼多多有竞业协议，进去后想出来比较麻烦。

初创公司：强度不稳定。有时候很闲，但有时候非常忙。

字节跳动：如果你做大模型，肯定比较卷，大多数人都是晚上11点、12点才下班。

（2）中等强度：

腾讯：号称“互联网国企”，但也很看具体的小组。有每天10点上班8点下班的，也有天天9点上班半夜12点下班的。投递前最好打听一下组里的平均工作时间。

阿里系：同样非常看组。有在阿里云每天下午6点下班的，但正常情况可能是10点多下班。

（3）相对舒适：

美团、百度：工作强度中等，上班时间在十点到十点半，下班时间基本在8点到9点。

3. 如何做出选择

想明白自己要什么：有舍才有得，没有两全其美的事。

想要成长，就去核心组，但核心组意味着非常累、非常卷。

想要稳定，就去国企、腾讯，或者大厂的业务组（比如字节的搜广推），或者去华为。华为工作也较累，但比较稳定，不容易被裁。

应届生薪资不是最重要的：

更重要的是看你在哪个组能成长得最快，为下一次跳槽做准备。互联网行业，无论是算法还是开发，现在基本都靠跳槽来涨薪升级。

人脉与抱团：

寻找并加入校友（如科大）在各大厂的圈子，抱团取暖，能让你更快地融入环境，获取信息。

关于异地办公：

除非与直属领导已有深厚的信任基础，否则不建议应届生直接选择异地办公，沟通成本和职业发展风险都很高。

4. 薪酬谈判（谈薪）的艺术

这是一个非常有意思的博弈过程。

流程：一般分为两轮。第一轮 HR 会让你自己报价。

（1）如何报价：

根据面试表现：如果你每一轮都过得很顺利，和面试官有来有回，说明你的面试评价很高，可以要得高一些。如果中间隔了很久才下一面，说明可能在和别人横向比较，可以先要得低一点。

邮件 offer 不是终点：哪怕是发了邮件的 offer，依然可以再涨。

（2）核心策略：

多拿 offer 互相“A”：这是最有效的方法，这是一个“左脚踩右脚”往上走的博弈过程。

公司间的互认规则（个人经验）：

大厂不认初创公司的期权。所以和初创谈薪，要尽量把 base（基础工资）谈高。

阿里、腾讯不认京东和拼多多的薪资。

阿里、腾讯、字节三家互相认可。

字节认华为和京东的薪资，不认拼多多的。

实习转正容易被压薪：所以不要只靠转正，最好同时去投一些外面的公司，用来抬价。

（3）信息渠道：

加入应届秋招群：这种群在小红书上多刷刷就能看到，或者让朋友拉你进去。在群里可以看到大家的薪资水平。

避免焦虑：群里会有一些拿了人才计划的大佬“秀”大包，看到这些就当没看见，避免影响自己的心态。

八、Q&A

Q：产品可以转算法吗？

A：

对于初创公司来说操作的可能性较高。我周围有产品转算法的，也有算法转产品的。说实话，现在算法干的活其实门槛没那么高，关键在于你有没有相关的工作经验。如果你在初创公司，机制就非常灵活。我知道有策略转产品的，也有产品转算法的。我组里现在就有一个刚转来的朋友，他之前干了半年产品，后来转到去做算法，并以算法实习生的身份留了下来。

Q：在选择工作时，个人影响力（比如在 research 组发论文）和业务组的稳定性，应该如何权衡？

A：

这取决于你后面还想不想跳槽。之所以想要个人影响力，就是为了在跳槽时能拿到更好的薪资包，或者更早地获得一个 lead 的职位。所以，如果你想快速发展、多跳槽，就选 research/核心组；如果想稳定，就选业务组。

Q：我是做强化学习的，但不是大模型方向，想转大模型应用开发，该怎么做？

A：

大模型应用开发也分两种：一种偏算法，一种偏开发。如果你是做 agent，那里面既有偏开发的工具调用环境搭建，也有偏算法的“如何训练 agent 更好地调用工具”。你本身有强化学习背景，现在非常吃香，为什么不直接试试大模型算法岗呢？比如蚂蚁金服就在用大模型和强化学习做医疗相关的项目。我建议你可以先补一补大模型的基础知识，然后直接尝试转大模型算法，你的强化学习背景是很大的优势。

Q：RAG 和 Agent 这两个方向怎么看？Post-train 岗位的门槛和发展如何？

A：

我不是特别看好纯 RAG 的长远发展，但目前很多业务落地都是基于 RAG 的。Agent 是一个更广的领域，RAG 只是 Agent 实现过程中的一个技术环节（比如用于 memory 召回或知识检索）。现在最火的方向之一是 Agent + RL（用强化学习去训练 Agent）。

Post-train 的门槛相对预训练（Pre-train）会低一些，但如果是做 RLHF/RLAIF 相关的 Post-train，门槛还是比较高的。普通的业务 Post-train 岗，门槛很低，但进去可能就是做 prompt engineering 或者洗数据。其实在哪都一样，我做 Pre-train 的朋友也说天天在洗数据，可能只有10%的时间在训模型。如果你是研一，时间还很长，可以多试试。

Q：搜广推和大模型，哪个更卷？研一学生，有搜广推经验，该怎么选择？

A：

大模型更卷，很多做搜广推的都转去做大模型了。这两个方向的工作内容差别很大。搜广推离业务和钱更近，工作会比较辛苦，但相对稳定。大模型现在是“既辛苦，又不知道什么时候被裁”，但我个人看好它的长期发展。

对于你，我建议可以找一个“大模型+搜广推”的组，比如做“生成式推荐”的团队。这样你既能用到你的搜广推经验，又能接触到大模型。在简历上，除了搜广推项目，再加一个自己做的大模型项目。这样被这种复合型团队捞起来的概率就很大。经历过这样一段实习，你就会知道自己更喜欢哪个，下一段实习就可以更有针对性地投递了。

Q：大二学生，对具身智能很感兴趣，现在开始做这个方向早吗？

A：

不早！你马上就大三了，对比清北那帮从大一开始卷的同学，已经算晚的了。具身智能虽然在一年内不一定有大的突破，但一定是未来五年的大方向。现在这个领域，学界和工业界做的东西差别不大，因为都还没大规模落地。你现在进实验室做，和在工业界做的东西不会差太多。你才大二，机会非常多，兴趣是会变的，我大二的时候还在做硬件呢。感兴趣就大胆去做！

Q：大模型算法岗，除了 Agent，还有哪些热门方向？业务方向指的是什么？

A：

现在最热的就是强化学习相关的方向，具体来说是 Code（代码）、Math（数学推理）和 Agent。多模态也还算比较火。不那么卷的可能就是我说的业务方向。

业务方向，指的是直接和具体业务场景结合的应用。比如支付宝的“支小宝”客服对话，美团的智能外呼电话，这些都是典型的业务场景。它们用大模型来降本增效，需求来自于已有的业务，而不是去卷学术前沿或模型能力边界。

Q：如果要做开发，哪个方向比较好？

A：

开发岗的起薪可能比算法低一些，但上限不一定低。比如有的做 Agent Infra 的全栈开发，薪酬包还是比较大的。

如果你要做开发，我个人比较看好高性能计算（HPC）和 Infra 这一块。但我自己学不动，太难了。我觉得做开发更看兴趣，如果你每天对着几十万行代码不觉得痛苦，那可以试试 Infra 或者大模型的全栈开发，这也是未来的一个趋势。

Q：实验室不放实习，只让做横向项目，但又想做大模型，怎么办？

A：

这确实是个矛盾。最好的办法是和导师商量，看能不能放实习。如果实在不行，就只能一边做横向，一边自己找时间出去实习，会累一些。或者，你可以尝试说服你老板，告诉他大模型方向的横向项目更赚钱。如果老板说不通，就去说服组里有威望的师兄，让他去说服老板。我们实验室之前是做 CV 的，现在基本全转大模型了，就是这样慢慢转变过来的。

Q：保研选择导师，是选一个方向强但不放实习的，还是选一个方向一般但放实习的？

A：

这取决于你老板在相关领域有没有很强的产业界人脉（connection）。如果老板是某个领域的大牛，能把你推荐到业界顶级的团队，那肯定抱紧老板大腿，跟着实验室方向做。如果实验室没有这个资源，或者做的方向和你想求职的方向完全不符（比如实验室做传统CV，你想做大模型开发），那老板的方向对你就没什么帮助了。这种情况下，能放实习、让你自己出去发展更重要。

我当时就选了一个放实习的组，可以自己自由发展。但要注意，科大硕士毕业需要一篇论文，所以不要选那些方向太奇怪、发论文很困难的实验室。

九、如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

一直在更新，更多的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇

01.大模型风口已至：月薪30K+的AI岗正在批量诞生

2025年大模型应用呈现爆发式增长，根据工信部最新数据：

国内大模型相关岗位缺口达47万

初级工程师平均薪资28K（数据来源：BOSS直聘报告）

70%企业存在"能用模型不会调优"的痛点

真实案例：某二本机械专业学员，通过4个月系统学习，成功拿到某AI医疗公司大模型优化岗offer，薪资直接翻3倍！

02.大模型 AI 学习和面试资料

1️⃣ 提示词工程：把ChatGPT从玩具变成生产工具
2️⃣ RAG系统：让大模型精准输出行业知识
3️⃣ 智能体开发：用AutoGPT打造24小时数字员工

📦熬了三个大夜整理的《AI进化工具包》送你：
✔️ 大厂内部LLM落地手册（含58个真实案例）
✔️ 提示词设计模板库（覆盖12大应用场景）
✔️ 私藏学习路径图（0基础到项目实战仅需90天）

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】