- 博客(24)
- 收藏
- 关注
原创 零项目经验怎么写AI Agent简历:模板与技巧
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 17:06:27
119
原创 计算机视觉基础模型深度解析:13类算法、85个变种完全指南
做计算机视觉的兄弟应该知道,标注数据是真tm贵。为了不花这个钱,各路神仙开始用无标注数据、网上爬的图文数据、甚至多模态数据来训练模型。用对比学习、掩码重建这些方法整一个基础模型出来,然后再用到检测、分割这些下游任务上。这波大模型的风也吹到了CV界,各种新模型跟下饺子似的。现在视觉基础模型已经相当可观了,对我们做CV的人来说,这些模型的 研究价值不用多说。我搞到了一篇综述,今天就和大伙分享分享。
2026-04-13 17:05:07
28
原创 神经网络发展简史:从LeNet到EfficientNet
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。适合人群:大学生、转行者、开发者,只要会Python基础,就能跟上。读完你就能掌握图像处理4大经典算法,并拥有一个可直接写进简历的实战项目,为方便大家学习 这里给大家整理了一份系统学习资料包 需要的同学 根据下图指示自取就可以。
2026-04-13 17:03:58
84
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?|2024新手必看
这些年,我专注AI转行求职辅导,带过上千名零基础学员从非科班背景转入AI领域,从销售、文员、教师到财务,他们中很多人一开始对机器学习和深度学习一头雾水,但通过精准方向选择和求职指导,几个月就拿到了算法助理、数据工程师或ML工程师的offer。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。- 学员案例:原程序员学员,有ML基,转DL,5个月做生成AI项目,入职腾讯香港分部,年薪HKD 55k。他说:“先ML稳,再DL冲,offer来得快。
2026-04-13 17:02:18
93
原创 斯坦福首门AI开发课程:人机协作工程而非氛围编程
这里有课程大纲、每周的 Slides(Google Slides 格式)、以及嘉宾演讲的资料。课程主页:https://themodernsoftware.dev每个作业都基于真实的 AI 工具——Claude Code、Warp、Semgrep、Graphite——而不是玩具项目。八周的实战作业覆盖:作业仓库:https://github.com/mihail911/modern-software-dev-assignments四、实战作业与开源资源。
2026-04-13 17:01:28
101
原创 双非本科AI算法岗求职:简历筛选与面试技巧
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 16:59:25
230
原创 上下文学习在Agent中的应用:ICL原理
Multi-Agent Planner靠多Agent分工协作处理复杂任务,效率高但架构较复杂。【请牢记】适合需要工具辅助的任务(查资料、跑数据库、复杂计算等;【请牢记】优点是推理轨迹清晰,便于追溯;【请牢记】缺点是推理链过长可能导致延迟上升,需限制循环步数。【请牢记】最近两年,大家都能够看到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?【请牢记】
2026-04-13 16:57:20
150
原创 Agent工具生态:搜索/API/代码/数据库工具大盘点
例如数据分析场景中,模型生成Python脚本用于生成表格、绘制图表,再输出执行结果。相比自然语言回答,精准性和可复现性更高,但对执行环境要求高,需在隔离受控环境中运行以规避风险。会根据问题选择召回策略、决定是否多次搜索、过滤重复结果,还能将高价值信息回写知识图谱库。相较传统RAG,事实性、一致性和上下文控制更优,适合企业内部知识问答、查阅最新资料等场景。模型生成初稿后,自我审查评估并修正问题,得到更新版本。
2026-04-13 16:53:46
295
原创 AI Agent相关证书有用吗:值不值得考
后面一个偶然的机会我去听了一个腾讯、字节等大厂高p联合研发的LLM使用研发公开课,才发现Agent研发掌握路线原来这么清晰!教程内容很架构,圈内大佬深入讲解LLM的关键架构和原理,以及Rag、Agent、LangChain、Fine-tune技能和Fine-tuning环节,带你把主流LLM怎么调用、接入业务、一步步搭出可用的智能使用,直接给你拆解sop,跟着做就能产出像样的作品。
2026-04-13 16:52:15
258
原创 AI Agent岗位职业访谈:从业者真实心声
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。我就是跟着这个「Agent 从入门到实战」学的,技能大佬带你手搓企业级项目全流程,手把手带你做出一个能用的Agent架构,简历项目阅历就有了。【请牢记】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。
2026-04-13 16:50:45
217
原创 算法工程师的未来:大模型时代的三层岗位体系与职业选择
在没有大模型的时代(其实也就两三年前),算法工程师是干嘛的?那时候,模型是"稀缺资源"。每个公司,甚至每个业务场景,都得自己"手搓"模型。做推荐的,得从头研究Wide&Deep、DIN、MIND;做CV的,得自己攒人脸识别、物体检测的pipeline;做NLP的,得吭哧吭哧拿Bert-base魔改,调各种trick。那时候的算法工程师,更像一个"炼金术士"或者"手工作坊的老师傅"。你需要懂很多模型原理,会调参,会做特征工程,能把一堆原始数据,通过复杂的工序,炼成一个能用的"丹",也就是模型。
2026-04-07 14:08:20
36
原创 算法岗要求PhD?硕士生该瞄准哪里
这时候能快速搭建可落地的解决方案的人就特别吃香,可能只需要把开源模型微调下,做个增强检索,再设计好业务流程中的提示词,就能解决他们80%的痛点。当下的大模型落地进程,依然处于初期阶段,正是百废待兴的时候。尤其B端,现在很多企业的情况很有意思,手里攥着预算想搞智能化,但既不敢all in大模型,又不甘心只做表面功夫。但是算法的话还是算了吧,你去看看那些大厂算法岗招聘,清一色要求顶会论文+名校PhD,现在这行情,要是没个PhD头衔,连训练模型的显卡都摸不着。Java就算了吧,太卷了,尤其现在大环境下,更卷了。
2026-04-07 14:08:17
22
原创 算法岗正在分化:谁在做模型谁在做应用
你需要懂很多模型原理,会调参,会做特征工程,能把一堆原始数据,通过复杂的工序,炼成一个能用的“丹”,也就是模型。他们的核心任务变了,变成了:如何用好这些现成的、强大的“布料”,去做出能解决自己业务问题、能赚钱的“衣服”(应用)。现在的“算法岗”,其实是个“岗位簇”现在大家嘴里说的“算法工程师”或者“AI工程师”,已经不是一个单一的岗位了,它其实分化成了好几个差异巨大的方向。你这个问题,我先给个结论,一个可能会让你有点意外但绝对是现实的结论:你遇到的情况,不是特例,而是正在迅速成为行业的主流和新常态。
2026-04-07 14:08:15
40
原创 程序员转型大模型开发:从0到1的实战路径
但我们可能忽略了,LLM是很聪明的,我们现在大量代码都让它在帮忙写了,是不是意味着,我们不用告诉它要怎么做,仅仅告诉它——需要解决的问题 和 它可以利用哪些外部工具,它自己想办法利用这些工具来解决问题。但即使我们写了很详细的prompt,测试时都没问题,但跑着跑着就会发现大模型时不时会说一些奇怪的内容,尤其是在token量比较大的时候,我们把这种现象称为 幻觉(Hallucination),就像人加班多了精神恍惚说胡话一样。只有非常明确地发出指令,LLM才可能按你预期的方式工作,这个实际需要大量的调试。
2026-04-07 14:08:12
43
原创 程序员转型AI:大模型时代算法工程师的三种发展路径
在没有大模型的时代(其实也就两三年前),算法工程师是干嘛的?那时候,模型是"稀缺资源"。每个公司,甚至每个业务场景,都得自己"手搓"模型。做推荐的,得从头研究Wide&Deep、DIN、MIND;做CV的,得自己攒人脸识别、物体检测的pipeline;做NLP的,得吭哧吭哧拿Bert-base魔改,调各种trick。那时候的算法工程师,更像一个"炼金术士"或者"手工作坊的老师傅"。你需要懂很多模型原理,会调参,会做特征工程,能把一堆原始数据,通过复杂的工序,炼成一个能用的"丹",也就是模型。
2026-04-07 14:08:07
126
原创 稀缺的不是课程和路线图:清晰认知才是关键
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 14:08:05
95
原创 硕士进大厂做AI:比你想象的容易
这时候能快速搭建可落地的解决方案的人就特别吃香,可能只需要把开源模型微调下,做个增强检索,再设计好业务流程中的提示词,就能解决他们80%的痛点。当下的大模型落地进程,依然处于初期阶段,正是百废待兴的时候。尤其B端,现在很多企业的情况很有意思,手里攥着预算想搞智能化,但既不敢all in大模型,又不甘心只做表面功夫。但是算法的话还是算了吧,你去看看那些大厂算法岗招聘,清一色要求顶会论文+名校PhD,现在这行情,要是没个PhD头衔,连训练模型的显卡都摸不着。Java就算了吧,太卷了,尤其现在大环境下,更卷了。
2026-04-07 14:08:02
98
原创 研究生找大模型实习:如何用横向课题积累大模型经验
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 14:08:00
190
原创 研究生找大厂实习:技术条件与实习选择策略
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 14:07:57
211
原创 研究生找AI实习:美团AI产品vs小厂Agent开发选择
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 14:07:55
149
原创 研究生如何积累项目:横向课题与大模型实习结合
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 14:07:52
173
原创 研究生如何上岸大模型实习:从海投到offer心路
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 14:07:50
253
原创 研究生AI成长路径:从RAG清洗数据到完整Agent开发
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 14:07:47
309
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
RSS订阅