- 博客(26)
- 收藏
- 关注
RSS订阅原创 零基础转行大模型选哪个岗位方向最易上手区别
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，内部转岗比外面容易10倍。先进去，了解行业、熟悉流程、混一年经验，再转提示词、转RAG、转产品，都非常容易。
2026-04-13 17:06:09
78
原创 CV视觉模型发展全景：从传统CNN到多模态大模型的85个经典架构
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。
2026-04-13 17:05:04
71
原创 社招转AI Agent：需要满足什么条件
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：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。
2026-04-13 17:03:56
148
原创 机器学习与深度学习的区别是什么？如何选择研究方向？
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。现在她在香港银行做ML分析师。另一个学员冲DL，一开始卡在模型崩，调整后才见效，但offer薪资更高。建议原则：零基础别直
2026-04-13 17:02:15
103
原创 斯坦福课程：如何成为AI Agent的管理者
课程从 9 月 22 日开始，为期十周，每周两次课。当大多数高校还在争论是否该禁止学生使用 AI 工具时，这门课的态度截然相反——全面拥抱 AI。正如 Mihail Eric 在课堂上所说："如果你能不写一行代码就完成整门课，那更好。一、这门课独特在哪里？传统的软件工程课教你如何写代码、如何设计系统、如何测试。CS146S 则教你一件完全不同的事：如何成为 AI Agent 的管理者。
2026-04-13 17:01:26
131
原创 双非本科AI Agent秋招：我是如何拿到5个offer的
我就是双非野鸡二本经济学转Agent的，结果把 Agent 这条路跑通之后，简历项目亮点直接写满，后面成功拿到offer30kLLM工作最近还发了2w多的年终奖，舒坦！现在Agent这行真的属于窗口期拉满，而且是全新的领域，新到学校里教不出来，清华的学生和你一样，都是自学加摸着石头过河，因此你是双非本也好，985硕也好，都是同一起跑线，也都是一套入门路线。应聘几次下来，你会发现公司对“你会不会模型训练模型”、“你是不是985背景”这些关心得越来越少，他们更关心得反而：是你能不能把LLM接到业务里？
2026-04-13 16:59:23
198
原创 一篇搞懂！计算机视觉核心任务全解析
专注计算机视觉教学与算法研发，过去三年我帮超过2500名有Python 基础的入门者，从"像素是什么"到"独立跑通CV项目"。今天这篇长文，完全按零基础实战体系撰写，从图像本质到经典算法、再到 OpenCV工具链和完整项目，一条龙给你讲透可直接复现的CV专业指南。CV的任务种类繁多，但万变不离其宗，最核心的就是四个基本任务：分类、定位、检测、分割。武动乾坤中有句话："修炼一途，乃窃阴阳，夺造化，转涅槃，握生死，掌轮回。武之极，破苍穹，动乾坤。"学习CV亦是如此，需要不断修炼，才能掌握核心能力。
2026-04-13 16:57:01
269
原创 CV算法工程师面试通关秘籍：老板最看重的3个特质和25项技能
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。
2026-04-13 16:55:13
252
原创 Agent安全性设计：如何防止Prompt注入与越狱
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恰恰是这两年的大风口，整体AI领域预计缺口1000万人，其中算法、工程应用类人才需求最为紧迫！
2026-04-13 16:53:43
335
原创 AI Agent的未来：会取代哪些职业
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，你厉害他就给你高工资。
2026-04-13 16:52:12
272
原创 AI Agent岗位群面技巧：无领导小组经验
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，趁着有大佬带队，你直接跟着做就行。
2026-04-13 16:50:43
230
原创 研究生AI实习收获：vLLM推理框架加PEFT微调实战
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，拿了大模型算法实习生offer，实际上以rag+清洗数据为主，在这边学会的东西也不多，就是rag。
2026-04-07 14:07:44
19
原创 研究生AI实习成长：从调API到分布式训练框架进阶
3.后来读研一年多，潜修内功，学了vLLM，peft之类的训练框架，做了几个横向课题，对简单业务熟练了。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。总结：互联网中厂大厂，尤其是给你权限给你机器玩的，去，提升极大。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，拿了大模型算法实习生offer，实际上以rag+清洗数据为主，在这边学会的东西也不多，就是rag。
2026-04-07 14:07:42
16
原创 研究生AI实习总结：如何让实习价值最大化
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，拿了大模型算法实习生offer，实际上以rag+清洗数据为主，在这边学会的东西也不多，就是rag。
2026-04-07 14:07:34
24
原创 研一到研二：LLM实习准备的时间线规划
以前我们是用一个复杂的Deep Learning模型（例如DIN, DIEN）去猜用户可能喜欢什么商品，现在是直接把用户的行为序列（点了啥、买了啥）当成一种“语言”，扔给LLM，让LLM去“理解”这个用户的品味和意图。你能把你做过的项目，像上面这样，把遇到的问题、你的尝试、你的思考、最后的效果给说明白了，这比你简历上挂一个不相关的论文要有说服力得多。你的项目经历，就是你最好的“论文”。尤其在企业侧，尤其是业务落地的LLM算法，不是做基础模型架构研究的那帮团队，对口论文的硬性要求没你想象的那么严。
2026-04-07 14:07:32
63
原创 知识注入：LLM应用与传统系统的本质差异
LLM的关键特征在于基于概率分布的“生成式能力”，这为创意和灵感的激发提供了巨大的价值。然而，这种概率驱动的机制具有双面性：它在赋予模型“创造力”的同时，也带来了输出的不确定性。这种“一模型多能”的特性，大幅降低了应用的开发与维护成本，也让跨功能的业务整合变得前所未有的高效。而现在，LLM允许用户以日常对话的方式输入需求。LLM应用开发的相关的信息并不稀缺——课程、路线图、项目清单到处都是，真正稀缺的是一种清晰感：哪些内容属于“LLM应用开发”的关键，哪些只是围观热闹的知识点，这需要有相当清晰精准的认知。
2026-04-07 14:07:29
22
原创 目标检测算法YOLO入门：原理详解与实践
YOLO（You Only Look Once）是目标检测领域的开创性算法，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。
2026-04-07 14:07:27
55
原创 电商推荐+金融风控：LLM数据工程师实战场景
作为LLM领域的“关键技术担当”，最为负责设计、优化和模型训练大规模预模型训练模型，例如改进Transformer架构、融合多模态模型、实现模型压缩与加速等。从我们日常接触的NLP（例如聊天机器人）、计算机视觉（例如人脸识别），到企业端的智能推荐、金融风控，LLM技术正在悄悄重构传统行业的运作模式，也催生了大量高薪酬待遇职业方向。在当下求职就业竞争激烈的环境里，想要实现年薪百万的目标，AI技术LLM赛道，甚至比传统互联网行业更有优势，成为了很多开发者和职场人的“新出路”。
2026-04-07 14:07:24
71
原创 用户兴趣建模：LLM在推荐系统中的应用
以前我们是用一个复杂的Deep Learning模型（例如DIN, DIEN）去猜用户可能喜欢什么商品，现在是直接把用户的行为序列（点了啥、买了啥）当成一种“语言”，扔给LLM，让LLM去“理解”这个用户的品味和意图。你能把你做过的项目，像上面这样，把遇到的问题、你的尝试、你的思考、最后的效果给说明白了，这比你简历上挂一个不相关的论文要有说服力得多。你的项目经历，就是你最好的“论文”。尤其在企业侧，尤其是业务落地的LLM算法，不是做基础模型架构研究的那帮团队，对口论文的硬性要求没你想象的那么严。
2026-04-07 14:07:21
66
原创 现在互联网公司的大模型岗位一般的工作内容是什么
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，拿了大模型算法实习生offer，实际上以rag+清洗数据为主，在这边学会的东西也不多，就是rag。
2026-04-07 14:07:19
82
原创 状态机+工作流：LLM应用稳定性保障
LLM的关键特征在于基于概率分布的“生成式能力”，这为创意和灵感的激发提供了巨大的价值。然而，这种概率驱动的机制具有双面性：它在赋予模型“创造力”的同时，也带来了输出的不确定性。这种“一模型多能”的特性，大幅降低了应用的开发与维护成本，也让跨功能的业务整合变得前所未有的高效。而现在，LLM允许用户以日常对话的方式输入需求。LLM应用开发的相关的信息并不稀缺——课程、路线图、项目清单到处都是，真正稀缺的是一种清晰感：哪些内容属于“LLM应用开发”的关键，哪些只是围观热闹的知识点，这需要有相当清晰精准的认知。
2026-04-07 14:07:15
200
原创 清华北大华五都来面试：复旦女生RAG项目备战实录
第二，刚毕业的同学，尽量不要选择国企（家里有矿除外），LLM的职业方向，或者说其他 IT 方向的技术岗，在国企都是学不到东西的，这个懂得都懂。接下来，我们将召回到的相关信息作为上下文增强（Augmented）到 LLM 中，这一步是关键，由于它为模型提供了生成答案所需的具体背景信息，减少了模型产生错误或虚假信息的风险。继续来看今天的内容，这段时间我不是在集中招聘嘛，面了很多候选人，清华，北大，华五，包括一些海外的学校都有，因此也准备给大家集中分享一些求职面试的情况，帮助大家备战秋招。
2026-04-07 14:07:12
201
原创 深度解析AFSS：如何让YOLO训练从“全量遍历“变“精准靶向学习“
2026年，目标检测仍是CV落地最核心的技术：安防监控、自动驾驶、工业质检、无人机巡检、医疗影像……YOLO系列在实时目标检测领域是扛把子的存在，推理速度毫秒级，工业场景到处都在用。AFSS（抗遗忘采样策略）用检测精确率和召回率最小值定义"样本是否被学会"，判断标准简单直接：既要看分类准，又要看定位准。核心知识点：YOLO = You Only Look Once，一次前向传播同时完成定位+分类，是单阶段检测的王者。架构无关性强，YOLO、Faster R-CNN、SSD都能用。
2026-04-07 14:07:10
223
原创 深度学习目标检测：YOLO原理详解与实战
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。
2026-04-07 14:07:08
240
原创 深入理解YOLO目标检测：从原理到实践的完整指南
YOLO（You Only Look Once）是目标检测领域的革命性算法，一次前向传播同时完成定位和分类，名字就说明了它的核心——只"看"一次图像。传统R-CNN系列是"两阶段"检测：先提取候选区，再逐个分类。速度快不起来。YOLO把检测变成回归问题，一次扫描搞定所有预测，所以能达到实时级别。
2026-04-07 14:07:05
416
原创 深入浅出YOLO目标检测：从原理到工业应用
YOLO（You Only Look Once）是目标检测领域的开创性算法，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。
2026-04-07 14:07:03
305
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人